Met behulp van kunstmatige intelligentie (AI) en machine learning (ML) waarschuwt voorspellende netwerktechnologie beheerders in een vroeg stadium voor mogelijke netwerkproblemen en biedt het mogelijke oplossingen.
Bob Hersch, directeur en hoofd van de afdeling Amerikaanse platforms en infrastructuur bij Deloitte Consulting, zei dat AI- en ML-algoritmen voor het voorspellen van netwerktechnologieën van cruciaal belang zijn geworden. “Voorspellende netwerktechnologie maakt gebruik van kunstmatige neurale netwerken en modellen om gegevens te analyseren, patronen te herkennen en voorspellingen te doen,” zei hij. “AI en ML verbeteren de observeerbaarheid, de zichtbaarheid van applicaties en het vermogen om te reageren op netwerk- en andere problemen aanzienlijk.”
Hoewel de technologie voor voorspellende netwerken de afgelopen jaren indrukwekkende vooruitgang heeft geboekt, zijn veel ontwikkelaars en waarnemers van mening dat het beste nog moet komen. “Er zijn nu al tools en systemen beschikbaar, maar zoals bij de meeste belangrijke technologische ontwikkelingen lopen early adopters een risico, omdat er nog volop wordt gewerkt aan de vraag hoe de effectiviteit van de overgang überhaupt gemeten kan worden”, aldus David Lessing, directeur technologieonderzoek en technologie bij adviesbureau ISG.
Voorspellende analyses zijn niet langer alleen bedoeld om netwerkstoringen te voorspellen en proactief problemen met bandbreedte en applicatieprestaties aan te pakken, aldus Yaakov Shapiro, Chief Technology Officer bij Tangoe, een leverancier van telecommunicatiesoftware en -diensten. “Voorspellende analyses worden nu ingezet om problemen rondom het netwerk op te lossen en de tekortkomingen van SD-WAN aan te pakken, met name de wildgroei aan leveranciers en de behoefte aan breder beheer van operatordiensten en optimalisatie van telecommunicatiekosten“, zei hij. “Dit zijn nog grotere problemen geworden in een tijdperk waarin MPLS (diensten met één of twee carriers) worden vervangen door breedbanddiensten waarbij mogelijk honderden internetproviders betrokken zijn.”
Kunstmatige intelligentie zorgt voor vooruitgang op het gebied van voorspellende netwerken.
De nieuwste ontwikkelingen op het gebied van kunstmatige intelligentie zijn de belangrijkste ontwikkelingen in voorspellende netwerktechnologie. “Cloudgebaseerde AI-technologie kan de kwaliteit en snelheid van de informatie die aan netwerktechnici wordt verstrekt verbeteren en biedt hen tegelijkertijd een waardevol hulpmiddel om storingen en andere problemen te onderzoeken”, aldus Patrick MeLampy, onderzoeker bij Juniper Networks. “AI kan afwijkingen sneller detecteren dan mensen en kan zelfs de onderliggende oorzaak van afwijkingen analyseren, waardoor technici problemen sneller dan voorheen kunnen begrijpen en oplossen.”
De integratie van kunstmatige intelligentie-tools in voorspellende netwerktechnologie kan ook een economische doorbraak betekenen. “Met beproefde AI- en ML-tools kunnen zowel serviceproviders als organisaties de kosten voor het opsporen en oplossen van problemen verlagen,” aldus MeLampy. Naast de economische voordelen voor de bedrijfsresultaten kan AI helpen bij het stroomlijnen van het beheer binnen een onderneming of binnen het portfolio van een dienstverlener. “De gemiddelde reparatietijd wordt verkort en de tevredenheid van de eindgebruiker wordt verbeterd”, zei hij.
Bryan Woodworth, hoofd oplossingsstrategie bij Aviatrix, een bedrijf gespecialiseerd in multi-cloud netwerktechnologie, zei dat netwerktechnologie zich de komende jaren naar verwachting snel zal ontwikkelen. Deze technologie heeft ertoe bijgedragen dat netwerkproblemen snel en efficiënt konden worden opgelost. “AI kan alarm- en foutmeldingen in veel verschillende systemen met elkaar in verband brengen en zo binnen enkele minuten of zelfs seconden relevante patronen ontdekken waarvoor mensen uren of dagen nodig zouden hebben”, zei hij.
Woodworth zei dat voorspellende netwerktechnologie ook het aantal valse positieven in logbestanden en foutanalyses aanzienlijk kan verminderen, wat leidt tot intelligentere en nuttigere waarschuwingen. “Je kunt iets niet verhelpen als je het niet ontdekt,” zei hij. “Je moet bijvoorbeeld weten waar het probleem zit voordat je het netwerk kunt aanpassen om het te omzeilen.” Zelfherstellende netwerken op basis van AI en ML bieden betere aanbevelingen over hoe je fouten kunt herstellen en uitval kunt voorkomen.
Voorspellende modellen werken het beste in het datacenter.
Netwerkgedragsanalyse onderzoekt netwerkgegevens zoals poorten, protocollen, prestaties en geografische IP-gegevens om waarschuwingen te genereren wanneer er significante veranderingen in het netwerkgedrag optreden die op een bedreiging kunnen duiden. “In de toekomst kunnen deze gegevens worden ingevoerd in een kunstmatig-intelligentiemodel om te helpen bevestigen of de dreiging reëel is, en vervolgens aanbevelingen te doen over hoe het probleem kan worden aangepakt door wijzigingen in het netwerk aan te brengen”, aldus Woodworth. “Dit soort voorspellende modellen werkt het beste in privénetwerken zoals datacenters, omdat mensen daar volledige controle hebben over alle netwerkcomponenten en de gegevens die deze genereren.”
Bij openbare netwerken, waaronder netwerken die met het internet zijn verbonden, wordt de opgave uitdagender. Leermodellen moeten zo worden ontworpen dat ze rekening kunnen houden met systemen die niet onder directe controle staan of die over onvolledige datasets beschikken. Dat betekent dat de voorspellende nauwkeurigheid van het leermodel zal afnemen, aldus Woodworth, en dat er mogelijk handmatige aanpassingen nodig zijn om rekening te houden met ontbrekende gegevens.
Om optimaal te kunnen functioneren, moeten geavanceerde AI- en machine learning-modellen op productieniveau en op grote schaal worden ingezet voor het verhelpen van fouten, aldus Smith. “Besluitvormers moeten vertrouwen hebben in de modelresultaten en technologische initiatiefnemers moeten deze effectief implementeren,” zei hij.
Tegelijkertijd tillen de voortdurende ontwikkelingen op het gebied van cloudtechnologie en grafische verwerkingseenheden (GPU’s) het modelleren naar een hoger niveau. “Open-source- en commerciële frameworks helpen organisaties om ML-toepassingen snel en op grote schaal in te zetten, terwijl ze de risico's verminderen die gepaard gaan met de tijd en complexiteit die nodig zijn om cloud- en open-source-systemen voor AI te configureren”, aldus Maggie Smith, managing director of applied intelligence bij het adviesbureau Accenture Federal Services.
Smith zei dat verschillende grote cloudproviders mogelijkheden voor het optimaliseren en beheren van AI-modellen hebben geïmplementeerd. Deze technologie is terug te vinden in tools zoals Amazon SageMaker, Google AI Platform en Azure Machine Learning Studio. “Open-sourceframeworks zoals TensorRT en Hugging Face bieden meer mogelijkheden voor het bijscholen, monitoren en optimaliseren van modellen,” aldus Smith.
Kunstmatige intelligentie zorgt voor vooruitgang op het gebied van voorspellende netwerken.
De nieuwste ontwikkelingen op het gebied van kunstmatige intelligentie zijn de belangrijkste ontwikkelingen in voorspellende netwerktechnologie. “Cloudgebaseerde AI-technologie kan de kwaliteit en snelheid van de informatie die aan netwerktechnici wordt verstrekt verbeteren en biedt hen tegelijkertijd een waardevol hulpmiddel om storingen en andere problemen te onderzoeken”, aldus Patrick MeLampy, onderzoeker bij Juniper Networks. “AI kan afwijkingen sneller detecteren dan mensen en kan zelfs de onderliggende oorzaak van afwijkingen analyseren, waardoor technici problemen sneller dan voorheen kunnen begrijpen en oplossen.”
De integratie van kunstmatige intelligentie-tools in voorspellende netwerktechnologie kan ook een economische doorbraak betekenen. “Met beproefde AI- en ML-tools kunnen zowel serviceproviders als organisaties de kosten voor het opsporen en oplossen van problemen verlagen,” aldus MeLampy. Naast de economische voordelen voor de bedrijfsresultaten kan AI helpen bij het stroomlijnen van het beheer binnen een onderneming of binnen het portfolio van een dienstverlener. “De gemiddelde reparatietijd wordt verkort en de tevredenheid van de eindgebruiker wordt verbeterd”, zei hij.
Bryan Woodworth, hoofd oplossingsstrategie bij Aviatrix, een bedrijf gespecialiseerd in multi-cloud netwerktechnologie, zei dat netwerktechnologie zich de komende jaren naar verwachting snel zal ontwikkelen. Deze technologie heeft ertoe bijgedragen dat netwerkproblemen snel en efficiënt konden worden opgelost. “AI kan alarm- en foutmeldingen in veel verschillende systemen met elkaar in verband brengen en zo binnen enkele minuten of zelfs seconden relevante patronen ontdekken waarvoor mensen uren of dagen nodig zouden hebben”, zei hij.
Woodworth zei dat voorspellende netwerktechnologie ook het aantal valse positieven in logbestanden en foutanalyses aanzienlijk kan verminderen, wat leidt tot intelligentere en nuttigere waarschuwingen. “Je kunt iets niet verhelpen als je het niet ontdekt,” zei hij. “Je moet bijvoorbeeld weten waar het probleem zit voordat je het netwerk kunt aanpassen om het te omzeilen.” Zelfherstellende netwerken op basis van AI en ML bieden betere aanbevelingen over hoe je fouten kunt herstellen en uitval kunt voorkomen.
Voorspellende modellen werken het beste in het datacenter.
Netwerkgedragsanalyse onderzoekt netwerkgegevens zoals poorten, protocollen, prestaties en geografische IP-gegevens om waarschuwingen te genereren wanneer er significante veranderingen in het netwerkgedrag optreden die op een bedreiging kunnen duiden. “In de toekomst kunnen deze gegevens worden ingevoerd in een kunstmatig-intelligentiemodel om te helpen bevestigen of de dreiging reëel is, en vervolgens aanbevelingen te doen over hoe het probleem kan worden aangepakt door wijzigingen in het netwerk aan te brengen”, aldus Woodworth. “Dit soort voorspellende modellen werkt het beste in privénetwerken zoals datacenters, omdat mensen daar volledige controle hebben over alle netwerkcomponenten en de gegevens die deze genereren.”
Bij openbare netwerken, waaronder netwerken die met het internet zijn verbonden, wordt de opgave uitdagender. Leermodellen moeten zo worden ontworpen dat ze rekening kunnen houden met systemen die niet onder directe controle staan of die over onvolledige datasets beschikken. Dat betekent dat de voorspellende nauwkeurigheid van het leermodel zal afnemen, aldus Woodworth, en dat er mogelijk handmatige aanpassingen nodig zijn om rekening te houden met ontbrekende gegevens.
Om optimaal te kunnen functioneren, moeten geavanceerde AI- en machine learning-modellen op productieniveau en op grote schaal worden ingezet voor het verhelpen van fouten, aldus Smith. “Besluitvormers moeten vertrouwen hebben in de modelresultaten en technologische initiatiefnemers moeten deze effectief implementeren,” zei hij.
Tegelijkertijd tillen de voortdurende ontwikkelingen op het gebied van cloudtechnologie en grafische verwerkingseenheden (GPU’s) het modelleren naar een hoger niveau. “Open-source- en commerciële frameworks helpen organisaties om ML-toepassingen snel en op grote schaal in te zetten, terwijl ze de risico's verminderen die gepaard gaan met de tijd en complexiteit die nodig zijn om cloud- en open-source-systemen voor AI te configureren”, aldus Maggie Smith, managing director of applied intelligence bij het adviesbureau Accenture Federal Services.
Smith zei dat verschillende grote cloudproviders mogelijkheden voor het optimaliseren en beheren van AI-modellen hebben geïmplementeerd. Deze technologie is terug te vinden in tools zoals Amazon SageMaker, Google AI Platform en Azure Machine Learning Studio. “Open-sourceframeworks zoals TensorRT en Hugging Face bieden meer mogelijkheden voor het bijscholen, monitoren en optimaliseren van modellen,” aldus Smith.
