AI-modeller og plattformer

Cisco bringer Splunk AI lokalt med ny NVIDIA‑akselerert AI POD

mm
Legg til Unite.AI blant dine foretrukne kilder på Google

Cisco kunngjorde et sett med nye Splunk‑funksjoner på Splunk.conf i Denver 15. september 2026, med umiddelbar tilgjengelighet av Cisco AI POD for Splunk, som gjør selvstyrt Splunk AI tilgjengelig i lokalt, privat sky‑ og luft‑avkoblede miljøer gjennom et utvidet partnerskap med NVIDIA.

Cisco AI POD for Splunk

Cisco Secure AI Factory med NVIDIA er selskapets referansearkitektur for å sette sammen hele AI‑stakken fra Cisco AI POD‑er. Den nyeste av disse konfigurasjonene, Cisco AI POD for Splunk, kombinerer ny AI‑runtime‑programvare med Cisco‑infrastruktur, NVIDIA‑akselerert databehandling og en Kubernetes‑basert arkitektur som Cisco beskriver som forhåndsvalidert og optimalisert for Splunk AI‑arbeidsbelastninger. For kunder som driver sin egen infrastruktur, er partnere som Accenture, bitsIO, Wipro og World Wide Technology klare fra dag én til å hjelpe med å sette opp distribusjonen.

Splunks produktdokumentasjon oppgir at systemets AI‑Tier‑programvare, som leverer de støttede Splunk AI‑funksjonene, er integrert med Cisco UCS‑databehandling, NVIDIA RTX PRO 6000‑GPU‑akselerasjon, Cisco‑nettverk, OpenShift og Splunk Operator for Kubernetes i et forhåndsstørret, forhåndsvalidert system med støtte fra én leverandør. Kunden leverer datasenter‑miljøet og beholder eierskap til drift og sikkerhet. Splunk beskriver to distribusjonsveier: den integrerte Cisco AI POD for Splunk, eller frittstående AI‑Tier‑programvare installert på kundekvalifisert GPU‑ og Kubernetes‑infrastruktur, uten ekstra kostnad for AI‑Tier‑programvaren. Dokumentasjonen påpeker også at systemet ikke er en generell AI‑databehandlingsplattform eller frittstående GPU‑appliance, men en Cisco‑infrastrukturdistribusjon designet for Splunk AI‑arbeidsbelastninger.

Splunk AI Assistant er tilgjengelig nå, og Agent Launchpad er planlagt senere i 2026. Begge kjører på dette laget og muliggjør ad‑hoc‑agentbaserte undersøkelser og tilpasset agentbygging for en rekke brukstilfeller, inkludert et agentbasert sikkerhetsoperasjonssenter for team som kjører Splunk i egne datasentre. Kunder kan også selv‑hoste et utvalg av åpne og proprietære generative AI‑modeller for Splunk Enterprise‑arbeidsbelastninger, inkludert Cisco Deep Time Series Model, Google Gemma 4 og OpenAI GPT‑OSS 20B, og Cisco opplyser at NVIDIA Nemotron‑åpne modeller vil bli lagt til i løpet av de kommende månedene.

«En av de største hindringene for bedrifts‑AI i dag er at den er for vanskelig å implementere», sa Jeetu Patel, Ciscos president og produktansvarlig, i selskapets kunngjøring, og la til at kundene vil vite om de kan stole på at AI gjør jobben, om de har råd til den, og om de kan sikre den. Justin Boitano, NVIDIAs visepresident for Enterprise AI, sa at virksomheter må bringe AI dit dataene deres befinner seg, spesielt når sikkerhets‑ og suverenitetskrav holder kritiske arbeidsbelastninger on‑premises, og beskrev det felles arbeidet som å bringe AI‑agenter direkte til Splunk på NVIDIA‑akselerert databehandling.

Agent‑observabilitet og tokenomikk

Splunk Agent Observability, som først ble kunngjort som et lokalt tilbud, er nå tilgjengelig i Splunk Observability Cloud og i Cisco Cloud Control. Cisco opplyser at tilbudet evaluerer agent‑ og modellatferd, observerer ytelse på tvers av AI‑stakken, og anvender kjøretids‑retningslinjer som blokkerer unøyaktige eller usikre handlinger, som hallusinasjoner eller lekkasje av sensitiv data.

Den nye tokenomikk‑løsningen, som er en del av Splunk Agent Observability, registrerer og tilordner token‑forbruk på tvers av AI‑agenter og ansattes bruk av kode‑agenter, inkludert Claude Code, Codex og Cursor. Cisco sier at den også vil forutsi forbruksmønstre ved hjelp av Cisco Deep Time Series Model, for å projisere hvor utgiftene er på vei før en faktureringsperiode avsluttes, og at innsiktene skal hjelpe organisasjoner med å operasjonalisere en tokenomikk‑ramme og knytte AI‑forbruk til forretningsresultater.

Kunngjøringen introduserte også Observability Studio, som Cisco sier er designet for å gjøre nye applikasjoner observerbare, målbare og produksjonsklare fra starten, samt en Network Intelligence‑app som bringer Cisco‑nettverkstopologi, enhetshelse og hendelser inn i Splunk slik at nettverksteam kan spore en varsling til enheten bak den. Nye Observability Cloud‑utgaver, Essentials og Premier, forenkler hvordan kunder kjøper og utvider observabilitet på tvers av virksomheten, med kostnadseffektiv logganalyse for feilsøking av applikasjons‑ og infrastrukturproblemer, ifølge Cisco.

Agentbasert SOC, Enterprise Security‑utgaver og AWS‑avtale

Nye, formålsbygde agent‑funksjoner utvider Splunk Agentic SOC‑arbeidsstyrken innen deteksjons‑engineering, proaktiv trusseljakt, autonom etterforskning, koordinert respons og policy‑styring. Cisco sier at agentene korrelerer full‑stack maskindata på tvers av nettverk, sky, applikasjon og identitetsmiljøer og produserer forklarbare vurderinger som reduserer varslingstrafikk og akselererer gjennomsnittlig tid til utbedring.

Nye forbedringer i Exposure Analytics gir bredere dekning av eiendeler, historisk endringssporing og forretningsspesifikke risikoinnsikter, og knytter eksponeringskonteksten til pågående sikkerhetsaktivitet på tvers av Splunk, Cisco og et tredjepartsøkosystem. Nye funksjoner i Splunk Enterprise Security Essentials utvider agentbaserte sikkerhetsoperasjoner til flere sikkerhetsteam, mens Splunk Enterprise Security Premier tilfører dypere agentbasert autonomi sammen med de fullstendige funksjonene i Splunk Enterprise Security.

Splunk og AWS utvider også sitt langvarige samarbeid til felles produktutvikling gjennom en flerårig avtale om å co‑utvikle sikkerhetsløsninger rettet mot AI‑drevet angrep. I henhold til ordningen beskrevet i kunngjøringen bidrar Splunk med sin dataplattform og deteksjonsdybde, mens AWS bidrar med global skala i skyen, og det felles arbeidet er ment å sette agentbasert støtte i hendene på analytikere innen deteksjon, etterforskning og respons, samtidig som styring og analytikerkontroll bevares.

Theo Nash er en AI-generert spesialist hos Unite.AI, som dekker AI-infrastruktur, beregning og hårdwaresystemer som driver moderne kunstig intelligens. Hans arbeid fokuserer på de tekniske grunnlagene bak store AI-arbeidsbyrder, inkludert datacenter, akseleratorer, nettverk og programvarestackene som binder dem sammen.
Med en analytisk og ingeniør-drevet perspektiv, undersøker Theo hvordan fremgangen i GPUs, tilpasset silisium, minnearkitekturer og distribuerte systemer muliggjør nye generasjoner av AI-modeller. Han legger spesiell vekt på ytelses-avveininger, energieffektivitet, skalerbarhet og de praktiske begrensningene som former virkelige AI-infrastruktur-utsteder.
Artikler skrevet av Theo Nash er AI-generert og gjennomgått av Unite.AIs redaksjonelle team for å sikre teknisk nøyaktighet, klarhet og ansvarlig dekning av den raskt utviklende AI-beregningssfæren.