Час агентського НОК настав

Сучасна мережа мало нагадує свою попередню версію навіть за кілька років тому, після переходу на віддалену роботу та епохи швидкої адоптації штучного інтелекту та програмного забезпечення як послуги. Що раніше було централізованим і відносно передбачуваним, тепер стало складною мережею хмарних платформ, пристроїв краю, філіальних офісів та домашнього Інтернету, а також систем на місці.

Традиційні центри мережевих операцій (НОК) не були створені для цього. Більшість інструментів моніторингу все ще вимагають ручної кореляції даних у різних системах, що робить підтримку видимості важкою та залишає інженерів з безперервним потоком суперечливих сповіщень, коли їм потрібно швидко приймати рішення та розібратися.

Провайдери послуг та команди корпоративної інформаційної техніки працюють у подібному пресі. Маржі вузькі, а команди менші, але стандарт циклів придбання клієнтів не змінився. Коли контракт стає прибутковим лише через вісім-десять місяців, ставки щодо утримання та високоякісного клієнтського досвіду високі.

Загалом, сцена ідеально підготовлена для агентського НОК.

Будування агентського НОК

За даними Gartner, хоча лише 17% організацій зараз розгортають агентський штучний інтелект, 60% очікують зробити це протягом наступних двох років. Це продовжує те, що було агресивною кривою адоптації з моменту, коли технологія почала набувати популярності завдяки своїй здатності активно обговорювати дані, а не пасивно автоматизувати визначені завдання.

Для НОК агентський штучний інтелект є різницею між фрагментацією або розчаруванням, швидшим часом вирішення проблем, зменшенням простоїв та більш повним розумінням середовища. Однак, щоб ці переваги матеріалізувалися, агентський НОК повинен бути заснований на співробітництві між штучним інтелектом та людськими операторами. Швидкість ніколи не є більш важливою, ніж точність та надійність, тому, де штучний інтелект може покращити тріаж, аналіз кореневої причини та в кінцевому підсумку рекомендувати дії, людська увага все ще є суттєвою для останнього ступеня верифікації.

Агентський НОК також визначається добре структурованими даними. Точний інвентар, послідовні конвенції маркування та найменування, а також мережева видимість у трафіку, маршрутизації та продуктивності малюють картину того, що зараз відбувається, як мережа повинна поводитися, та як раніше вирішувалися проблеми. Без цього погляду будь-який аналіз буде неповним, а оператори не можуть автоматизувати те, чого не бачать чи не розуміють.

Захоплення племінних знань також підпадає під цю категорію.

Найбільшим ресурсом НОК є мізки його інженерів. Комбінація досвіду та інтуїції, яка виникає з років діагностики та вирішення мережевих проблем, є тим, чого навіть найрозвітліший модель штучного інтелекту не може повторити без допомоги. Тому ці племінні знання потрібно задокументувати та перекласти у формат, який можна поглинути та повторно використати. Тісно відфільтровані інструкції та централізовані навчальні цикли також грають свою роль, забезпечуючи базу для людської та машинної поведінки, щоб більш ефективно ідентифікувати області для покращення.

Реальні переваги

Проблеми інформаційної техніки та мереж стояли за 23% найбільш впливаючих простоїв у 2024 році. Той самий аналіз показав, що за останні три роки близько 40% організацій пережили великий простій унаслідок людської помилки. Цей рівень простоїв не є сталим з будь-якої точки зору, бізнесу, інженера чи споживача. Однак це точно показує, чому агентський НОК є таким важливим.

Обіцянка агентського НОК полягає не в автономії заради автономії, а у швидших та більш впевнених операціях, побудованих на основі реальної мережевої видимості. Коли проблема вражає мережу, найбільша затримка часто не полягає у виявленні, а у розумінні того, що змінилося, яке було зачіплено, та що робити далі. Агентські системи допомагають стиснути цей графік, починаючи з прискореного аналізу кореневої причини.

Різниця між ідентифікацією кореневої причини проблеми за хвилини проти годин або навіть днів є величезною. Середня вартість лише однієї години простою мережі може перевищувати 300 000 доларів для середніх та великих підприємств. Насправді, 41% звітів про витрати на простій за годину становлять від 1 мільйона до понад 5 мільйонів доларів згідно з недавнім дослідженням ITIC.

І все ж, реальність часто ближча до останнього, коли оператори повинні вручну переглядати дані. З іншого боку, агентські інструменти штучного інтелекту можуть виділити потенційні причини та зачіплені служби та рекомендувати наступні кроки за секунди. Коли фінансові ставки такі високі, швидший аналіз кореневої причини та безпечніше виправлення стають абсолютною необхідністю.

Поза покращенням тактичних завдань, агентський НОК діє як фасилітатор для обміну знаннями – поєднуючи експертизу інженерів з усієї організації у спільний ресурс. У довгостроковій перспективі цей процес створює безперервний цикл навчання, де успіхи та виклики з кожної інциденту служать для інформування та уточнення рекомендацій штучного інтелекту, коли відбуваються нові інциденти.

Наприклад, якщо компанія довго боролася з проблемами продуктивності мережі та вирішила реалізувати новий пристрій, щоб покращити ефективність, але оновлення вимагає зміни конфігурації. У процесі щось пішло не так, і це викликало простій. У епоху агентського НОК система штучного інтелекту могла б корелювати телеметрію, топологію, стан пристрою та недавні зміни, в кінцевому підсумку вказуючи оператору на ймовірну кореневу причину за частку часу. Позитивний вплив агентських систем на мережеві операції є очевидним, а дані підтверджують це.

McKinsey недавно виявила, що автономне вирішення проблем та ремонт у мережевих операціях зменшили загальну кількість тикетів на 70%, разом з операційними витратами на 55-80%, а також покращили час ремонту на 30-40%.

Виклики, за якими потрібно стежити

Одна з найпоширеніших помилок організацій полягає у тому, що вони повністю вкладаються у штучний інтелект, не створивши необхідної основи. Більшість (70%) працівників схвильовані перевагами штучного інтелекту згідно з KPMG, але без надійних даних та добре задокументованих процесів, цінність цих систем страждає.

Натомість штучний інтелект повинен бути введений поступово. Будування агентського НОК є процесом. Зрештою, системи повинні почати володіти більш просунутими та проактивними випадками використання, такими як виявлення закономірностей у температурних стрибках чи ідентифікація тенденцій у перезавантаженні пристроїв – обидва з яких можуть бути сигналами для наближення простою. На початку, однак, фокусування на менших завданнях, таких як допомога у діагностиці, залишає простір для систем навчатися та покращуватися.

Іншою помилкою є думка, що кожна дія може виграти від автоматизації. Добре правило полягає у тому, що коли людина вирішує одну й ту ж проблему повторно, це завдання є хорошим кандидатом на автоматизацію. Прийняття цього поступового підходу також може значно допомогти у будівництві довіри та впевненості.

З лютого 2025 року довіра до штучного інтелекту серед працівників США зменшилася на 33% згідно з Deloitte, тоді як індекс довіри до штучного інтелекту McKinsey 2026 виявив, що неточності виводу все ще є основною проблемою штучного інтелекту для більшості американських підприємств (74%), після чого слідують питання кібербезпеки (72%). Повторіть звіт KPMG, який показав, що американські працівники схвильовані прийняттям штучного інтелекту? Звіт також показав, що лише 41% готові довіряти йому.

Передбачення нестачі довіри до штучного інтелекту полягає у управлінні та пояснюванні. Чіткі оперативні обмеження та аудиторські сліди дають інженерам чітке уявлення про те, як агент штучного інтелекту прийшов до кінцевої рекомендації, а також механізми для виявлення та виправлення помилок до того, як вони можуть завдати шкоди. Довіра, управління та людська верифікація є тим, що відокремлює корисні агентські операції від ризикованої автоматизації, тому мета агентського НОК ніколи не повинна полягати у видаленні людської нагляду, а у його покращенні.

Сучасна мережа вимагає багато від сьогодні операторів. Щоб підтримувати темп, людська діяльність повинна зміститися від повторюваного тріажу до політики, верифікації, управління та нових чи високоризикових випадків. Агентський штучний інтелект допомагає зробити цей зсув можливим, визначаючи та вирішуючи проблеми раніше, більш ефективно ділячись знаннями між командами та роблячи прийняття рішень більш послідовним. Продовження розвитку та покращення того, як мережа моніториться та підтримується, корениться в агентському штучному інтелекті.