AI กำลังบังคับให้ระบบสังเกตการณ์เครือข่ายต้องเริ่มต้นใหม่

เป็นเวลาหลายปีแล้วที่ระบบสังเกตการณ์เครือข่ายถูกมองว่าเป็นการอภิปรายเกี่ยวกับเครื่องมือ ซึ่งแพลตฟอร์มใดที่สามารถรวบรวมข้อมูลที่หลากหลายที่สุด? ซึ่งเอเย่นต์ใดที่ครอบคลุมอุปกรณ์ที่ไม่ค่อยพบเห็นของฉัน? ซึ่งโครงสร้างใดที่จะทำงานได้ดีที่สุดในระดับที่กว้างขึ้น? ที่จุดใดบนเครือข่ายที่เราควรจับแพ็คเก็ต? การสนทนานั้นสมมติว่าเครือข่ายค่อนข้างมั่นคงและการเปลี่ยนแปลงเป็นแบบค่อยเป็นค่อยไป

แต่ไม่ใช่แล้ว

งานของ AI ที่เพิ่มขึ้นกำลังเพิ่มความแปรผันของการจราจร เนื่องจากการนำ AI ไปใช้เพิ่มขึ้นทั่วทั้งองค์กร การวิจัยล่าสุดแสดงให้เห็นว่า 88% ขององค์กรใช้ AI ในอย่างน้อยหนึ่งฟังก์ชันทางธุรกิจ สถาปัตยกรรมไฮบริดที่ครอบคลุมคลาวด์ เซ็นเตอร์ข้อมูล WAN และเอดจ์ สัญญาณความปลอดภัยและประสิทธิภาพที่ทับซ้อนกันในทางที่ไม่เคยเห็นมาก่อน 5 ปีที่แล้ว และธุรกิจคาดหวังการแก้ปัญหาเร็วขึ้น การหยุดชะงักน้อยลง และความรับผิดชอบที่ชัดเจน

ภายใต้แรงกดดันนั้น วิธีการปัจจุบันในการสังเกตการณ์เครือข่ายกำลังล้มเหลว ไม่ใช่เพราะทีมขาดทักษะ แต่เพราะโครงสร้างที่อยู่ภายใต้การสังเกตการณ์ไม่ได้พัฒนาไปตามกาลเวลา

สิ่งนี้ไม่เกี่ยวกับการเพิ่มแดชบอร์ดอื่นหรือการรวบรวมข้อมูลอื่น มันเกี่ยวกับการตระหนักว่าการสังเกตการณ์ต้องพัฒนาจากการรวบรวมเครื่องมือไปสู่รากฐานข้อมูลที่สอดคล้องกัน นั่นคือสิ่งที่จะช่วยให้ทีมการดำเนินงานเครือข่าย (NetOps) ใช้ AI สำหรับการสังเกตการณ์และความฉลาดของเครือข่าย

มาวิเคราะห์ว่าคุณอยู่ที่ไหนและจะก้าวไปข้างหน้าอย่างไร

คุณอยู่ที่ไหนบนเส้นโค้งของความติดทัน?

การวิจัยจาก Enterprise Management Associates (EMA) แสดงให้เห็นว่าเพียง 46% ของผู้นำด้านไอที เชื่อว่าพวกเขาประสบความสำเร็จอย่างเต็มที่ด้วยเครื่องมือการสังเกตการณ์เครือข่าย ข้อร้องเรียนส่วนใหญ่เป็นที่รู้จักกันดี โดยมีการกระจายของเครื่องมือ การแจ้งเตือนเสียงและคุณภาพข้อมูลที่ไม่ดี

รายงานปี 2025 ของ EMA โมเดลความติดทันของการสังเกตการณ์เครือข่าย: วิธีการวางแผนสำหรับความเป็นเลิศของ NetOps ยังระบุถึง五ขั้นตอนของความติดทันที่แตกต่างกัน:

1. แบบ Ad Hoc และแบบตอบสนอง
2. แบบกระจัดกระจายและแบบหาโอกาส
3. แบบบูรณาการและจัดการจากศูนย์กลาง
4. แบบฉลาดและอัตโนมัติ
5. แบบปรับให้เหมาะสมและขับเคลื่อนด้วย AI

วันนี้ฉันต้องการเน้นไปที่สามขั้นตอนแรก ซึ่งเป็นที่ที่คุณจะพบองค์กรส่วนใหญ่ ก่อนที่จะอธิบายเส้นทางไปสู่ขั้นตอนสุดท้าย

แบบกระจัดกระจายและแบบหาโอกาส

คุณมีเครื่องมือการสังเกตการณ์หลายเครื่องมือ มักจะมีสามหรือสี่เครื่องมือ การวิจัยอุตสาหกรรมสะท้อนรูปแบบเดียวกัน โดยมี 87% ของทีม NetOps ขึ้นอยู่กับเครื่องมือการสังเกตการณ์หลายเครื่องมือ แต่มีเพียง 29% ของการแจ้งเตือนที่ พวกเขาเกิดขึ้นสามารถดำเนินการได้ การครอบคลุมมีอยู่ แต่ไม่เท่าเทียมกัน วิศวกรทำงานเป็นชั้นการรวม โดยเปลี่ยนระหว่างคอนโซลและจับคู่เหตุการณ์ทางจิต AI อาจมีอยู่ แต่ทำงานภายในซิลอส ทีมทำงานอย่างหนักในขั้นตอนนี้ แต่โครงสร้างทำงานต่อต้านพวกเขา

แบบบูรณาการและจัดการจากศูนย์กลาง

คุณได้ครอบคลุมการตรวจสอบที่แข็งแกร่งทั่วทั้งโครงสร้างพื้นฐานและจราจร มีการบูรณาการระหว่างระบบบางส่วน แดชบอร์ดได้มาตรฐาน คุณอาจมีการบูรณาการอัตโนมัติสำหรับเหตุการณ์ทั่วไป

แต่วิเคราะห์สาเหตุของปัญหายังคงต้องอาศัยการเย็บปะติดปะต่อด้วยมือ ข้อมูลเชิงลึกเชิงคาดการณ์ถูกจำกัด AI เร่งการวิเคราะห์ แต่ไม่ได้เปลี่ยนแปลงวิธีการทำความเข้าใจเครือข่ายอย่างพื้นฐาน

แบบฉลาดและอัตโนมัติ

ข้อมูลที่มาจากเครื่องมือวัดเป็นแบบเรียลไทม์ที่สำคัญ ข้อมูลการไหล การจัดเตรียมแพ็คเก็ตและคอนฟิกเดต้าถูกจับคู่ การแจ้งเตือนมีบริบท ไม่ใช่ขึ้นอยู่กับเกณฑ์ AI สนับสนุนการตรวจจับการผิดปกติ การคาดการณ์การใช้ความจุ และการบำบัดที่มีการชี้แนะ อัตโนมัติถูกนำมาใช้อย่างตั้งใจและภายใต้การดูแลของการป้องกัน องค์กรที่มีทรัพยากรเพียงพอเท่านั้นที่อยู่ในขั้นตอนนี้

กลุ่มองค์กรที่ดีที่สุดได้เข้าสู่ขั้นตอนสุดท้ายของความติดทัน ซึ่งก็คือแบบปรับให้เหมาะสมและขับเคลื่อนด้วย AI เครื่องมือเพียงอย่างเดียวจะไม่ช่วยให้คุณพัฒนา

จากแบบฉลาดและอัตโนมัติไปสู่แบบปรับให้เหมาะสมและขับเคลื่อนด้วย AI: สิ่งที่ต้องทำต่อไป

การปรับปรุงการสังเกตการณ์เครือข่ายไม่ต้องการการถอดเครื่องมือที่มีอยู่ออก มันจำเป็นต้องเปลี่ยนจากเครื่องมือไปสู่ข้อมูล

1. เริ่มต้นด้วยความสอดคล้องของข้อมูล ไม่ใช่ AI เพิ่มเติม

ก่อนที่จะขยายโครงการ AI ให้ถามตัวเอง: ข้อมูลเครือข่ายของเรามีความสะอาด สอดคล้อง และเชื่อมต่อระหว่างโดเมนหรือไม่?

รูปแบบข้อมูลที่มาจากเครื่องมือวัดที่ไม่สอดคล้องกัน จุดบอดในคลาวด์หรือ SD-WAN พื้นที่ IP ที่ซ้ำกัน และบันทึกสินค้าเก่าที่ไม่ได้ใช้งานจะบ่อนทำลายผลลัพธ์ของ AI มากกว่าที่ผู้บริหารส่วนใหญ่ทราบ หากข้อมูลที่มาจากเครื่องมือวัดไม่สามารถเชื่อมโยงกับอัตลักษณ์และบริบทจากที่อยู่ IP ที่มีอำนาจ การจับคู่ยังคงเป็นไปได้มากกว่าที่จะแน่นอน

สิ่งนี้คือที่ที่บริการเครือข่ายพื้นฐานมีความสำคัญ DNS, DHCP และการจัดการที่อยู่ IP (รู้จักกันในชื่อ DDI) ร่วมกันสร้างแผนที่เครือข่ายที่มีอำนาจ ทุกอุปกรณ์ การทำงานและเชื่อมต่อที่ตัดกับชั้นนั้น

เมื่อข้อมูลที่มาจากเครื่องมือวัดถูกเพิ่มคุณค่าด้วยอัตลักษณ์และการป้อนข้อมูลที่มีอำนาจ การวิเคราะห์จะกลายเป็นรากฐาน AI สามารถแยกพฤติกรรมที่คาดหวังออกจากความผิดปกติที่แท้จริงได้ด้วยความมั่นใจที่มากขึ้น การวิเคราะห์สาเหตุของปัญหาเกิดขึ้นเร็วขึ้น อัตโนมัติจะปลอดภัยขึ้น

2. ลดการกระจายของเครื่องมือผ่านการบูรณาการที่ลึก

องค์กรส่วนใหญ่จะยังคงใช้ระบบการสังเกตการณ์หลายระบบ นั่นไม่ใช่ปัญหาหลัก ปัญหาหลักคือการบูรณาการที่ผิวเผิน

การฝังแดชบอร์ดหนึ่งไว้ในอีกแดชบอร์ดหนึ่งหรือการแชร์ข้อมูลส่งออกขั้นพื้นฐานไม่ได้สร้างความสอดคล้อง สภาพแวดล้อมที่มีความสามารถจะบูรณาการที่ชั้นข้อมูล พวกเขาสอดคล้องกับการรวบรวมข้อมูลที่มาจากเครื่องมือวัด จับคู่การแจ้งเตือนระหว่างโดเมน และทำให้กระบวนการทำงานที่ครอบคลุมเครื่องมือแทนการถูกขังไว้ในนั้น

เมื่อการบูรณาการไปถึงระดับนั้น การรวมกลุ่มจะกลายเป็นเรื่องสมเหตุสมผลมากกว่าการเมือง ระบบที่ซ้ำกันจะง่ายต่อการปลดออก การที่มาจากเครื่องมือวัดที่ทับซ้อนกันจะง่ายต่อการให้เหตุผล AI จะทำงานบนบริบทที่เป็นหนึ่งเดียวแทนที่จะเป็นชิ้นส่วนที่เย็บปะติดปะต่อ

3. ปรับปรุงในหลายขั้นตอนเพื่อหลีกเลี่ยงการหยุดชะงัก

ความกลัวที่จะทำลายสภาพแวดล้อมที่มีอยู่นั้นมีเหตุผล ไม่มีใครต้องการหยุดการผลิตในขณะที่กำลังพัฒนาสถาปัตยกรรม การเข้าใกล้ในหลายขั้นตอนจะลดความเสี่ยงนั้น

ขั้นตอนที่ 1: โอเวอร์เลย์ความฉลาด

ส่งต่อข้อมูลที่มาจากเครื่องมือวัดไปยังชั้นการวิเคราะห์ที่ใช้ร่วมกัน เพิ่มคุณค่าด้วยบริบทของอัตลักษณ์และนโยบาย ใช้ AI สำหรับการตรวจจับและคำแนะนำ ไม่ใช่การบังคับใช้อัตโนมัติ

ขั้นตอนที่ 2: มาตรฐานและให้เหตุผล

เมื่อการค้นหาสาเหตุของปัญหาปรับปรุงและเสียงรบกวนลดลง ระบุเครื่องมือที่ซ้ำกันและปลดออกเครื่องมือที่ไม่สามารถเข้าร่วมในโครงสร้างที่เป็นหนึ่งเดียว

ขั้นตอนที่ 3: นำอัตโนมัติที่มีการป้องกันเข้ามา

เริ่มต้นด้วยสถานการณ์อัตโนมัติที่มีความเสี่ยงต่ำ ให้ AI ของ Agentic เสนอการบำบัด ก่อนที่จะอนุญาตให้ดำเนินการขยายออกไปอย่างต่อเนื่องเมื่อความมั่นใจและธรรมาภิบาลเติบโต

สิ่งนี้ไม่ใช่เรื่องของการเปลี่ยนสวิตช์ มันคือการเพิ่มความสอดคล้องโดยไม่สูญเสียเสถียรภาพ

การเปลี่ยนแปลงเชิงกลยุทธ์: การย้ายไปยังแบบปรับให้เหมาะสมและขับเคลื่อนด้วย AI

การสังเกตการณ์ไม่ใช่การรวบรวมเครื่องมือในการตรวจสอบอีกต่อไป มันเป็นโครงสร้างพื้นฐานของ AI ที่ขับเคลื่อนด้วยข้อมูลที่ต้องมีมาตรฐานใหม่ เมื่อองค์กรยึดการสังเกตการณ์ไว้ในโครงสร้างข้อมูลที่เป็นหนึ่งเดียวและข้อมูลเครือข่ายที่มีอำนาจ AI จะกลายเป็นการคาดการณ์

การวิเคราะห์เชิงคาดการณ์จะเปลี่ยนจากทฤษฎีไปสู่การปฏิบัติ โดยการวิเคราะห์ข้อมูลที่มาจากเครื่องมือวัดที่เป็นประวัติศาสตร์และแบบเรียลไทม์ AI สามารถระบุสัญญาณแรกของการขาดแคลนความจุ การเปลี่ยนแปลงคอนฟิกหรือพฤติกรรมที่ผิดปกติก่อนที่จะบานปลาย แทนที่จะวิ่งไปซ่อมการหยุดชะงัก ทีมจะแทรกแซงก่อนที่ผู้ใช้จะสังเกตเห็นการเสื่อมสภาพ นี่มีความสำคัญอย่างยิ่งเพราะการหยุดชะงักของ IT ในระดับใหญ่สามารถทำให้องค์กรมีค่าใช้จ่ายสูงถึง 2 ล้านเหรียญสหรัฐต่อชั่วโมง

การวางแผนความจุจะกลายเป็นแบบไดนามิกมากกว่าการวางแผนแบบเป็นระยะ การใช้ทรัพยากรที่จะหมดและบริการที่จะอิ่มตัวสามารถคาดการณ์ได้ล่วงหน้า ทำให้สามารถปรับให้เหมาะสมได้แบบกระตือรือร้นแทนการปรับให้เหมาะสมแบบตอบสนอง

สิ่งนี้คือสิ่งที่อยู่ในอันดับแรก

หากข้อมูลของคุณกระจัดกระจาย AI จะเปิดเผยให้เห็น

หากรากฐานของคุณสอดคล้อง AI จะกลายเป็นแรงผลักดัน

คำถามไม่ใช่ว่าคุณจะนำการสังเกตการณ์และความฉลาดที่ขับเคลื่อนด้วย AI มาใช้หรือไม่ คำถามคือโครงสร้างของคุณพร้อมหรือไม่