AI-Native hálózatok a Junipertől

Lassan már eljutunk oda, hogy a csapból is AI folyik. Tulajdonképpen az, hogy egy hálózat vagy szolgáltatás mesterséges intelligenciát használ, egyáltalán nem ritka, sőt, mindenki úgy hirdeti a megoldásait, hogy AI-alapú. De vajon hogyan tudjuk a rendszereinkben kihasználni a mesterséges intelligencia nyújtotta előnyöket? Miben és hogyan tud a mesterséges intelligencia segíteni? Mitől lehet az egyik megoldás jobb, mint a másik?

Adatokból információ

A kérdésekre a választ ott kaphatjuk meg, hogy melyik az a rendszer, amelynek az elemei a legtöbb valós idejű, hasznos információt (például eszközteljesítmény-mutatókat, hálózathasználati statisztikákat, biztonsági naplókat, valós idejű wireless felhasználói állapotokat, routerek/switchek/tűzfalak telemetrikus adatait) tudják az AI-motor felé elküldeni. Ez az egésznek a lelke, hiszen az AI és a gépi tanulás abban tud nagy mértékben segíteni, hogy a rendelkezésre álló adatáradatból sokkal könnyebben tud használható információt nyújtani arról, hogy melyek azok a dolgok, amelyek nem az elvárt szintnek, igénynek megfelelően működnek a hálózatunkban.

AI-Native Networking: előre integrált mesterséges intelligencia

Itt jön a nagy különbség. Nem mindegy, hogy a rendszer építőköveinek számító berendezések alapból képesek-e a szükséges információ küldésére, vagy utólagos barkácsolással „vették rá” azokat, hogy dobjanak adatokat az AI felé, amelyeket az feldolgozhat. Az a legjobb, ha az eszközöket úgy fejlesztették ki, hogy ezt a képességet már eleve beléjük integrálták. A Juniper által kínál AI-Native Networking erre az opcióra épül, vagyis a platformba beépíthető switchek, routerek, tűzfalak, AP-k, stb, már eredendően úgy „születnek”, hogy a mesterséges intelligenciával történő integrálhatóságra képesek. Ezért hívja a Juniper a saját megoldását AI-Native Networkingnek.

Így működik a Juniper megoldása

Az AI-natív hálózati rendszereket, mint minden modern AI-rendszert, úgy tervezték meg, hogy tanuljanak a hozzájuk eljutott adatokból, alkalmazkodjanak az új helyzetekhez és fejlődjenek. A folyamatos tanulási képesség alapvető jellemző, amely lehetővé teszi a rendszer hatékonyabbá és eredményesebbé válását, hiszen folyamatosan több adatot és tapasztalatot gyűjt össze.

A megfelelő módon betanított, tesztelt és alkalmazott, mesterséges intelligencia-alapú hálózatok, amilyen a Juniper Mist megoldása is, előre látják a problémákat, és proaktívan léphetnek fel a hibák megelőzése érdekében, még mielőtt azokat az üzemeltető vagy a végfelhasználó észrevehetné. Ez időt és erőforrást takarít meg az informatikai és a hálózatos csapatok számára, miközben javítja a működési hatékonyságot, valamint az általános felhasználói élményt.

Így például az AI-alapú algoritmusok optimalizálhatják a hálózati forgalmi útvonalakat, képesek a sávszélesség-kiosztás kezelésére, és csökkenthetik a késleltetést. Ennek eredményeképpen megbízhatóbb hálózati teljesítményt kapunk, amely a nagy sávszélességet igénylő alkalmazások számára különösen előnyös. Vagy, ahogy már korábban is írtuk, az AI-natív hálózatok képesek a problémákat előre jelezni, így a karbantartást is proaktív módon tudjuk ütemezni, csökkentve a váratlan állásidőt, és a hibákat még azelőtt ki tudjuk javítani, mielőtt azok a végfelhasználókat érintenék.

De az AI-natív hálózatok képesek a biztonság támogatására is, hiszen a hatalmas mennyiségű hálózati adat valós idejű elemzése lehetővé teszi az anomáliák és a potenciális biztonsági fenyegetések korai felismerését, így a kibertámadások meghiúsításához és az érzékeny adatok védelméhez is jelentős segítséget kaphatunk.

A Juniper AI-natív networking megoldása

Az egész „történet” egy stratégiai fordulattal kezdődött, amikor is áthelyeződött a hangsúly arra, hogy kerüljön az ügyfélélmény az első helyre ahelyett, hogy annyival „megnyugtatnánk” a felhasználót, hogy de hát tudott az AP-hez kapcsolódni. A megfelelő élmények nyújtásához szükséges képesség három alapvető pillérre épül:

• megfelelő adatok,
• megfelelő valós idejű válaszok,
• megfelelő infrastruktúra.

A Juniper a megfelelő kérdések feltevésével kezdi a megfelelő adatok rögzítését, amelyek az egyes felhasználók és munkamenetek szintjéig leásva értékelik a hálózatot. A robosztus algoritmusok és az összes hálózati felhasználó és eszköz valós idejű telemetriája pontos információkat biztosít az IT számára, valamint az üzemeltetők valós idejű válaszokat kapnak a hálózati kérdéseikre.

Marvis, a Juniper rendszerébe integrált virtuális hálózati asszisztens, természetes nyelven válaszol az informatikai kérdésekre, ahogy egy ember is tenné, így nagy mértékben segíti az IT-üzemeltetők hálózattal történő interakcióját. Az eszközök tekintetében a Juniper már évekkel ezelőtt lerakta az AI-natív networking platform alapjait, amikor elkezdett olyan berendezéseket gyártani, amelyek lehetővé teszik a gazdag hálózati adatok kinyerését. Azzal pedig, hogy ezeket az adatokat arra használja fel, hogy jobb üzemeltetői és végfelhasználói élményt nyújtson, új iparági mércét állított fel.

Marvis, segíts!

Ahogy korábban már olvashattuk, a hálózat és az IT-csapat közti kapocs a „Marvis” névre hallgat. Igazából akár úgy is tekinthetünk rá, mint egy élő kollégára, aki mást sem csinál, csak állandóan a hálózat állapotát vizslatja, és segít a hatékony hálózatüzemeltetésben.

Az egyik ilyen funkció, amelyet megtalálhatunk a Juniper megoldásában, az a „Marvis Actions”. Segítségével proaktívan azonosíthatjuk a WLAN-, LAN- és WAN-környezetekben előforduló hálózati problémák kiváltó okait. Még a konkrét hiba érzékelése előtt tudomást szerezhetünk például arról, ha valahol hiányzik egy VLAN, rossz kábelek vagy túlterhelt áramkörök vannak.

Újdonságként találkozhatunk a „Marvis Minis” funkcióval, amely a hálózati felhasználókat tudja szimulálni, és a felhasználók jelenléte nélkül is észleli azokat a problémákat, amelyek később a valódi felhasználók esetében is bekövetkeznének. Egy másik újdonság, hogy a Juniper kibővítette Marvis társalgási felületét a ChatGPT-vel, így még több, az emberi kommunikációhoz hasonló beszélgetési képességet biztosít. Az integráció következtében különösen nagy segítséget kaphatunk dokumentációs és támogatási kérdések megválaszolásában is.

Ez csak pár példa, további érdekességekről kérdezzük meg inkább Marvist!

Az IT Business 2024. május 17-i számában megjelent cikk szerkesztett változata