INTELIGENCIA ARTIFICIAL EN LAS REDES
¿Qué es la inteligencia artificial para redes?
Se trata de un
software que realiza una tarea de forma similar a un experto humano. La IA
desempeña un rol cada vez más importante en la reducción de la complejidad para
el crecimiento de redes de TI.
La proliferación de dispositivos, datos y personas ha hecho que la administración de infraestructuras de TI sea más compleja que antes. Dado que la mayoría de los presupuestos de TI son fijos o reducidos, las empresas necesitan una manera de administrar esta complejidad y muchas ahora buscan la ayuda de la inteligencia artificial.
Tecnologías clave de IA
Para que la IA sea exitosa, se requiere aprendizaje automático, el cual es el uso de algoritmos para analizar datos, aprender de ellos y obtener determinaciones o predicciones sin necesidad de instrucciones explícitas. Gracias a las mejoras en capacidades de procesamiento y almacenamiento, el ML evolucionó recientemente en modelos estructurados más complejos, como el aprendizaje profundo, el cual utiliza redes neurales para lograr mayores niveles de información valiosa y automatización.
El procesamiento de lenguaje natural es otra tendencia que impulsaron las recientes mejoras en IA, particularmente en el área de asistentes virtuales de hogar y TI. El NLP utiliza reconocimiento vocal y basado en palabras para facilitar la comunicación con máquinas mediante pistas y consultas de lenguaje natural.
Crear un sistema de IA
Los siguientes son algunos
elementos tecnológicos que una estrategia de IA debe incluir.
· Datos: toda
solución de IA significativa comienza con enormes cantidades de datos de
calidad. La IA desarrolla continuamente su inteligencia en el tiempo mediante
la recopilación y el análisis de datos. Mientras más diversos sean los datos
recopilados, más inteligente se vuelve la solución de IA. En el caso de
aplicaciones en tiempo real que implican dispositivos "perimetrales"
altamente distribuidos, como dispositivos IoT y móviles, es crucial recopilar
datos desde cada dispositivo perimetral en tiempo real y, luego, procesarlos
rápidamente de forma local o desde muy cerca en una computadora periférica o la
nube mediante algoritmos de IA.
· Conocimiento
específico del dominio: se trate de
ayudar a un médico a diagnosticar el cáncer o de ayudar a un administrador de TI
a diagnosticar problemas inalámbricos, las soluciones de IA necesitan datos
etiquetados basados en conocimientos específicos de cada dominio. Estos
fragmentos de metadatos ayudan a la IA a descomponer el problema en segmentos
pequeños que pueden usarse para entrenar los modelos de IA. Esta tarea puede
lograrse mediante métricas de intención de diseño, las cuales son categorías de
datos estructurados para clasificar y monitorear la experiencia inalámbrica del
usuario.
· Caja
de herramientas de ciencia de datos: una vez que el
problema se dividió en segmentos de metadatos específicos para cada dominio,
esos metadatos están listos para entrar en el potente mundo del ML y del Big
Data. Se deben emplear varias técnicas, como ML con o sin supervisión y redes
neurales, para analizar los datos y proporcionar información valiosa
procesable.
· Asistente
de red virtual. El filtrado colaborativo es una técnica de ML
que muchas personas experimentan cuando seleccionan una película en Netflix o
compran algo en Amazon, y reciben sugerencias de películas o artículos
similares. Más allá de las recomendaciones, el filtrado colaborativo se puede
aplicar para ordenar grandes conjuntos de datos e identificar y correlacionar
aquellos que forman una solución de IA a un problema en particular.
En
la IA para redes, el asistente de red virtual puede operar en un entorno
inalámbrico como un experto virtual de red inalámbrica que ayuda a resolver
problemas complejos. Imagine un asistente de red virtual que combina datos de
calidad, experiencia de dominio y sintaxis (métricas, clasificadores, causas
principales, correlaciones y puntuación) para proporcionar recomendaciones
predictivas acerca de cómo evitar problemas y ofrecer información valiosa
procesable acerca de cómo solucionar los problemas existentes. Puede aprender
de los problemas de red inalámbrica y responder a preguntas como "¿Qué
salió mal?" y "¿Por qué paso eso?". Estos son los tipos de
mejoras automatizadas que permite la IA.
Beneficios prácticos
La IA goza actualmente de mucha publicidad, y eso puede ser confuso y generar falsas expectativas. Sin embargo, la IA para redes es real y ya proporciona un gran valor a empresas en casi todos los sectores. Existen muchos ejemplos de cómo las redes basadas en IA pueden ayudar a su entorno.
Detectar anomalías en series temporales. Muchos dispositivos que se ejecutan en las redes actuales se inventaron hace 20 años, y ya no son compatibles con los mensajes de administración actuales. La IA puede detectar anomalías en series temporales con una correlación que permite que los ingenieros en redes encuentren rápidamente relaciones entre eventos que no serían obvios incluso para un especialista experimentado en redes.
Correlación entre eventos y análisis de causa principal. La IA puede emplear varias técnicas de extracción de datos para analizar terabytes de datos en cuestión de minutos. Esta habilidad permite que los departamentos de TI identifiquen rápidamente qué función de red (por ejemplo, SO, tipo de dispositivo, punto de acceso o conmutador) está más relacionado con un problema de red, a fin de acelerar la solución de problemas.
Predecir experiencias de usuario. Hoy, el reparto de ancho de banda para las aplicaciones se realiza en gran medida mediante la planificación de capacidad y ajustes manuales. Sin embargo, pronto la IA podrá predecir el rendimiento de Internet de un usuario, lo cual permitirá que un sistema ajuste dinámicamente la capacidad de ancho de banda según el tipo de aplicaciones que están en uso en momentos específicos. La planificación manual dará paso al análisis predictivo informado por tendencias históricas e información de calendario actualizada.
Piloto automático. La IA permite a los sistemas de TI corregirse automáticamente y, así, garantiza el máximo tiempo de actividad y propone medidas prescriptivas para solucionar los errores que se produzcan. Además, las redes basadas en IA pueden registrar y guardar datos antes de un evento o una falla de red, lo cual ayuda a acelerar la solución de problemas.
Ahora la IA afecta completamente a la industria de redes con nuevos niveles de información valiosa y automatización. La IA favorece la reducción de costos de TI y ayuda a las empresas a lograr su objetivo de ofrecer las mejores experiencias posibles de usuario y TI.
¿Cuáles son algunos ejemplos de la IA para redes en uso?
Uno de los usos
de IA para redes es reducir la cantidad de tickets de problemas, y resolver
problemas antes que los clientes, o inclusive TI, los reconozcan. Los análisis
de correlación de eventos y causas raíz pueden utilizar diversas técnicas de
minería de datos para identificar rápidamente la entidad de red relacionada con
un problema o eliminar la en sí del riesgo. La IA también se utiliza en redes
para incorporar, desplegar y solucionar problemas en las redes de campus en
zonas no urbanizadas, lo que hace que las operaciones del Día 0 a 2 + sean más
fáciles y consuman menos tiempo.
La IA desempeña
un rol cada vez más importante en la reducción de la complejidad para redes
crecientes de TI. La IA permite descubrir y aislar los problemas rápidamente al
correlacionar las anomalías con datos históricos y en tiempo real. Al hacerlo,
los equipos de TI pueden escalar aún más y cambiar su enfoque hacia tareas más
estratégicas y de alto valor, alejándose de la minería de datos que requiere de
muchos recursos que se necesitan para identificar y resolver los problemas más
difíciles de resolver que plagan las redes.
¿Qué
soluciones de IA para redes ofrece Juniper?
Marvis Virtual
Network Assistant es un excelente ejemplo del uso de la IA en las redes. Marvis
ofrece procesamiento de lenguaje natural (PLN), una interfaz conversacional,
acciones prescriptivas y operaciones de Self-Driving Network™ para
optimizar las operaciones y la experiencia de los usuarios desde el cliente
hasta la nube. Los servicios de nube por cable, inalámbricos y de garantía de
WAN de Juniper Mist brindan operaciones automatizadas y niveles de servicio a
los entornos de campus empresariales. Los algoritmos de aprendizaje automático
(ML) permiten una experiencia de AIOps fluida al simplificar la incorporación
al sistema; los conocimientos y las métricas de la salud de la red; las
expectativas del servicio (SLE) de WAN; y la gestión de la estructura del
campus impulsado por la IA.
¿Qué
es la IA para redes y seguridad?
Con tantos sitios
de trabajo desde la casa y de redes emergentes en uso hoy en día, una red
consciente de las amenazas es más importante que nunca.La capacidad de
identificar y reaccionar rápidamente con dispositivos comprometidos, localizar
a estos físicamente, y de optimizar la experiencia de usuario son algunos de
los beneficios de usar la IA en la ciberseguridad. Los equipos de TI necesitan
proteger sus redes, incluidos los dispositivos que no controlan directamente,
pero que deben permitir conectarse.Los perfiles de riesgo permiten a los
equipos de TI defender su infraestructura al proporcionar una visibilidad profunda
de la red y permitir la implementación de políticas en cada punto de conexión a
través de la red. Las tecnologías de seguridad monitorean las aplicaciones y
conexiones de usuarios en un entorno, pero también el contexto de ese
comportamiento, y si su uso es aceptable o potencialmente anómalo, e
identifican rápidamente cualquier actividad maliciosa.
Comentarios
Publicar un comentario