مرحله 4 در سفر به-شبکه رانندگی خودکار: کمک شده

در این مرحله از سفر خود به-شبکه رانندگی خودکار، داده‌ها-پایه یک هوش مصنوعی-شبکه بومی- را پوشش داده‌ایم و نحوه پردازش آن‌ها در فضای ابری را بررسی کرده‌ایم و از طریق انتظارات سطح خدمات (SLE) و طبقه‌بندی‌کننده‌ها به اطلاعات بینش و توصیه‌ها تبدیل می‌شویم. اکنون، ما به سمت کمک هوش مصنوعی می رویم، جایی که هوش مصنوعی با ارائه توصیه هایی با پشتوانه داده برای حل کردن و در صورت اجازه، انجام اقدامات خودکار برای حل مشکلات، نقش فعال تری در عملیات شبکه ایفا می کند.

این تغییر نشان دهنده یک روند صنعتی گسترده تر-اعتماد فزاینده به توانایی هوش مصنوعی برای مدیریت محیط های پیچیده تر است. طبق تحقیقات IDC، تقریباً نیمی از سازمان‌های مورد بررسی، پلت‌فرم‌های مدیریت شبکه مبتنی بر هوش مصنوعی را ترجیح می‌دهند که هم اقداماتی را برای اصلاح و بهینه‌سازی مشکل تعیین می‌کنند و هم اجرا می‌کنند.

ارزش استراتژیک هوش مصنوعی کمکی

اقدامات کمک‌شده هوش مصنوعی، عملیات شبکه را ساده‌تر می‌کند، حجم کار دستی تیم‌های فناوری اطلاعات را کاهش می‌دهد، و زمان‌های تفکیک را تسریع می‌کند و عملکرد شبکه استثنایی را برای کاربران نهایی تضمین می‌کند و در عین حال فناوری اطلاعات را برای تمرکز بر ابتکارات استراتژیک و نوآورانه‌تر آزاد می‌کند.

با افزایش پیچیدگی شبکه‌ها، حجم رویدادهای شبکه-از پیکربندی‌های نادرست جزئی تا اختلالات عمده خدمات-افزایش می‌یابد، که یافتن و رسیدگی به رویدادهای مهم را برای تیم‌های فناوری اطلاعات دشوار می‌کند. کمک هوش مصنوعی از طریق{3}AIOps مبتنی بر ابر به تیم‌های فناوری اطلاعات کمک می‌کند تا نویز را کاهش دهند. با آشکار کردن{5}}مشکلات با اولویت بالا با شواهد و حل خودکار آنها (با اجازه IT)، AIOps به تیم‌های فناوری اطلاعات اجازه می‌دهد تا به مسائل به سرعت و فعالانه پاسخ دهند. این امر زمان عیب‌یابی را به شدت کاهش می‌دهد و منابع را برای تمرکز بر-ابتکارات استراتژیک با ارزش بالاتر، مانند نوآوری و برنامه‌ریزی بلندمدت، آزاد می‌کند.

از داده تا عمل: هوش مصنوعی چگونه کار می کند

توصیه‌های{0}کارآمد و قابل اجرا-با توجیه واضح-با فیلتر کردن داده‌ها از صدها رویداد و{3}}تجربه‌های کاربر در زمان واقعی از طریق الگوریتم‌های ریاضی پیشرفته و مدل‌های AI/ML تولید می‌شوند.

هنگامی که IT به نتیجه اطمینان بالایی دارد، می‌تواند راه‌حل AIOps را برای رفع خودکار مشکل مجاز کند. همانطور که اعتماد در طول زمان ایجاد می شود، این توصیه ها را می توان به لیستی از اقدامات قابل اعتماد اضافه کرد و به هوش مصنوعی اجازه می دهد تا مسائل مشابه را به طور مستقل در آینده بدون هشدار به تیم فناوری اطلاعات حل کند. اینجا جایی است که AIOps به یک-عضو کامل تیم فناوری اطلاعات تبدیل می‌شود و وارد حالت رانندگی خود-می‌شود.

اقدامات هوش مصنوعی به سه دسته تقسیم می شوند:

بهینه سازی: الگوریتم های AI/ML مانند مدیریت منابع رادیویی (RRM) و مدیریت منابع شبکه (NRM) به طور مداوم تجربه کاربر را بهینه می کنند.

اقدامات توصیه شده: هوش مصنوعی مسائل مهمی را آشکار می کند و یک توصیه عملی خاص همراه با شواهد را پیشنهاد می کند

اقدامات خودکار: توصیه‌های مورد اعتمادی که تیم فناوری اطلاعات به فهرست اقدامات مجاز برای اجرای هوش مصنوعی بدون دخالت انسان اضافه کرده است.

وارد Marvis شوید، دستیار پیشرو در صنعت-

در Juniper، ما این مفاهیم را با Marvis® AI Assistant، بخش اصلی Mist™، پلتفرم شبکه‌ای{0}}شبکه‌ای بومی ما، زنده می‌کنیم. Marvis از الگوریتم‌های AI/ML مانند RRM و NRM برای بهینه‌سازی مداوم و فعال تجربیات کاربر استفاده می‌کند. از طریق Marvis Actions، هم اقدامات توصیه‌شده و هم خودکار را ارائه می‌کند-که ما آن را حالت‌های کمک راننده{4}}و حالت‌های رانندگی خودکار-می‌نامیم.

در حالت -دستیار راننده، Marvis عملکرد{1}}رویدادهای تأثیرگذار را نشان می‌دهد و وضوح‌هایی را با کارایی بالا و با پشتوانه شواهد برای مشکلاتی مانند سیستم عامل ناسازگار، پورت‌های پیکربندی نادرست، کابل‌های بد، VLAN‌های از دست رفته و مدارهای WAN توصیه می‌کند.

وقتی برای رانندگی خودکار فعال باشد، به این معنی که IT توصیه را به لیست اقدامات قابل اعتماد اضافه کرده است، Marvis می‌تواند به طور مستقل پورت‌های پیکربندی نادرست را تصحیح کند، مشکلات گیر کرده پورت را حل کند، و موارد دیگر-همه را مطابق با خط‌مشی‌های تعریف‌شده IT-حل کند. هر اقدامی، اعم از کمکی یا مستقل، در داشبورد Marvis Actions ثبت و تایید می‌شود تا تیم‌ها بتوانند-خلاصه زمانی واقعی از مشکلات اصلی، رفع‌های توصیه‌شده را مشاهده کنند و اقدامات انجام‌شده توسط انسان-و خودمختار را برای شفافیت و کنترل کامل ردیابی کنند.

Marvis in action:{0}}نتایج جهانی واقعی

مشتریان در سطح جهان به مزایای Marvis Actions پی برده اند. به عنوان مثال، یک شرکت بزرگ IOTM برای بیش از یک سال با کاربران Zoom در سایتی در هند مشکلات متناوب داشت. با استفاده از توصیه‌های مدل تجربه بزرگ Marvis (LEM)، آنها به سرعت توانستند یک دروازه VPN با پیکربندی نادرست را شناسایی کنند که بسته‌ها را به سایتی در استرالیا ارسال می‌کرد و باعث افزایش تأخیر و عصبانیت می‌شد.

در موردی دیگر، یک خرده‌فروش بزرگ عملکرد ضعیفی در بخش‌های خاصی از فروشگاه‌های خود داشت. مارویس تشخیص داد که این مشکل به دلیل تداخل محصولات نمایشی بی سیم است و به طور خودکار پهنای باند کانال را از 40 مگاهرتز به 20 مگاهرتز تنظیم می کند - بهینه سازی عملکرد شبکه فروشگاه برای کارمندان و مشتریان.

برداشتن گام بعدی به سمت خودمختاری

با Marvis، تیم‌های فناوری اطلاعات بیشتر از بینش‌ها به دست می‌آورند-آنها چیزهای ارزشمندی برای تیم خود به دست می‌آورند. کسی که می تواند مسائل کلیدی را اولویت بندی کند، اصلاحات را توصیه و اجرا کند و تأیید کند که آن اصلاحات به درستی اجرا شده اند. این قابلیت‌های کمک‌شده، پایه‌ای حیاتی برای استقلال کامل فراهم می‌کند و به تیم‌های فناوری اطلاعات امکان می‌دهد تا به تدریج وظایف معمول را به هوش مصنوعی تخلیه کنند و به دستاوردهای عملکرد و کارایی پی ببرند. به همان اندازه مهم، تیم‌های فناوری اطلاعات می‌توانند زمان با ارزشی را برای تمرکز بر روی-ابتکارات تأثیرگذار- بالاتر مانند ایجاد نوآوری به جای عیب‌یابی، پس بگیرند.

مرحله 4 نقطه عطف را نشان می دهد: هوش مصنوعی اکنون به جای اینکه فقط پیشنهاد بدهد، وارد عمل می شود. در وبلاگ بعدی و نهایی خود، آخرین مرحله سفر به یک شبکه خودران-شبکه رانندگی-را بررسی خواهیم کرد که در آن هوش مصنوعی نه تنها به عملیات کمک می‌کند، بلکه آنها را نیز مدیریت می‌کند. همچنین بررسی خواهیم کرد که Juniper چگونه این سفر خود-رانندگی-با استفاده از Marvis Minis، مدل‌های تجربه بزرگ و هوش مصنوعی عامل را هدایت می‌کند.

هر کجا که در سفر شبکه‌های هوش مصنوعی خود هستید، Juniper اینجاست تا به شما کمک کند قدم بعدی را بردارید.