Met behulp van kunstmatige intelligentie (AI) en machine learning (ML) waarschuwt voorspellende netwerktechnologie beheerders in een vroeg stadium voor mogelijke netwerkproblemen en biedt mogelijke oplossingen.
Bob Hersch, principal en hoofd van U.S. platforms en infrastructuur bij Deloitte Consulting, zegt dat AI en ML algoritmes 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 leren 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 voorspellende netwerktechnologie de afgelopen jaren indrukwekkende vooruitgang heeft geboekt, geloven veel ontwikkelaars en waarnemers dat het beste nog moet komen. "Tools en systemen zijn nu beschikbaar, maar zoals bij de meeste belangrijke evoluties in de technologie, lopen early adopters een risico omdat er nog volop wordt ontwikkeld over hoe je zelfs maar de effectiviteit van de overgang kunt meten," zegt David Lessing, directeur van technologieonderzoek en technologie. Adviesbureau ISG.
Voorspellende analyses zijn niet langer alleen bedoeld voor het voorspellen van netwerkuitval en het proactief aanpakken van problemen met bandbreedte en applicatieprestaties, aldus Yaakov Shapiro, chief technology officer bij Tangoe, leverancier van telecommunicatiesoftware en -diensten. "Voorspellende analyses worden nu toegepast om problemen rond het netwerk op te lossen en helpen de tekortkomingen van SD-WAN aan te pakken, met name vendor sprawl en de behoefte aan breder operator service management en telecom kostenoptimalisatie, "zei hij. "Dit zijn nog grotere problemen geworden in een tijdperk waarin MPLS (single-carrier services en dual-carrier services) worden ingeruild voor breedbanddiensten die honderden internetproviders kunnen omvatten."
Kunstmatige intelligentie stuwt voorspellende netwerken vooruit.
De nieuwste ontwikkelingen op het gebied van kunstmatige intelligentie zijn de belangrijkste ontwikkelingen in voorspellende netwerktechnologie. "Cloud-gebaseerde AI-technologie kan de kwaliteit en snelheid van de informatie die wordt verstrekt aan netwerktechnici verbeteren en hen tegelijkertijd een waardevol hulpmiddel geven bij het onderzoeken van uitval en andere problemen", zegt Juniper Networks-onderzoeker Patrick MeLampy. "AI kan anomalieën sneller detecteren dan mensen en kan zelfs de hoofdoorzaak van anomalieën analyseren, wat technici helpt om problemen sneller dan voorheen te begrijpen en op te lossen."
De integratie van kunstmatige intelligentietools in voorspellende netwerktechnologie kan ook een economische game-changer zijn. "Met bewezen AI- en ML-tools kunnen serviceproviders en organisaties de kosten voor het identificeren en oplossen van problemen verlagen," aldus MeLampy. Naast de economische voordelen kan AI ook helpen bij het stroomlijnen van het beheer binnen een onderneming of binnen het portfolio van een serviceprovider. "De gemiddelde hersteltijd wordt verkort en de tevredenheid van eindgebruikers wordt verbeterd," zei hij.
Bryan Woodworth, chief solutions strategist bij multi-cloud netwerktechnologiebedrijf Aviatrix, zegt dat netwerktechnologie zich de komende jaren naar verwachting snel zal ontwikkelen. Het heeft geholpen om netwerkproblemen snel en efficiënt op te lossen. "AI kan alarm- en foutcondities in veel verschillende systemen correleren en in minuten of zelfs seconden relevante patronen ontdekken waar mensen uren of dagen over zouden doen", zegt hij.
Woodworth zei dat voorspellende netwerktechnologie ook het aantal valse positieven in logbestanden en foutenanalyses aanzienlijk kan verminderen, wat resulteert in intelligentere en nuttigere waarschuwingen. "Je kunt niet genezen van iets dat je niet ontdekt," zei hij. "Je moet bijvoorbeeld weten waar het probleem zit voordat je het netwerk kunt veranderen om eromheen te werken." Zelfhelende netwerken op basis van AI en ML geven betere aanbevelingen over hoe te herstellen van fouten en uitval te voorkomen.
Voorspellende modellering werkt het beste in het datacenter.
Network Behavioral Analysis onderzoekt netwerkgegevens zoals poorten, protocollen, prestaties en geografische IP-gegevens om waarschuwingen te geven wanneer er significante veranderingen zijn in het netwerkgedrag die kunnen duiden op een bedreiging. "In de toekomst kunnen deze gegevens worden ingevoerd in een kunstmatig intelligentiemodel om te helpen bevestigen of de bedreiging echt is en vervolgens aanbevelingen te doen over hoe het probleem aan te pakken door wijzigingen aan te brengen in het netwerk", aldus Woodworth. "Dit soort voorspellende modellering werkt het beste in privénetwerken zoals datacenters, omdat [daar] mensen volledige controle hebben over alle netwerkcomponenten en de gegevens die ze genereren."
Voor openbare netwerken, inclusief netwerken die verbonden zijn met het internet, wordt de taak lastiger. Leermodellen moeten ontworpen worden om te compenseren voor systemen die niet onder directe controle staan of die voorzien zijn van onvolledige gegevenssets. Dat betekent dat de voorspellende nauwkeurigheid van het leermodel zal afnemen, aldus Woodworth, en dat er handmatige aanpassingen nodig kunnen zijn om ontbrekende gegevens te compenseren.
Om volledig effectief te zijn, moeten geavanceerde AI- en machine learning-modellen op productieniveau worden uitgevoerd en geschaald voor bugfixes, aldus Smith. "Beslissers moeten vertrouwen hebben in de modelresultaten en technologiesponsors moeten de modellen effectief uitvoeren," zei hij.
Tegelijkertijd tilt de voortdurende vooruitgang in cloudtechnologie en grafische verwerkingseenheden (GPU's) het modelleren naar een hoger niveau. "Open source en commerciële frameworks helpen organisaties om ML-activiteiten snel en op schaal te implementeren, terwijl ze de risico's verminderen die gepaard gaan met de tijd en complexiteit die nodig is om cloud- en open source-systemen voor AI te configureren", zegt Maggie Smith, managing director van applied intelligence bij het adviesbureau. Accenture Federale diensten.
Smith zei dat verschillende grote cloudproviders AI-modeloptimalisatie en beheermogelijkheden hebben geïmplementeerd. Deze technologie is te vinden in tools zoals Amazon SageMaker, Google AI Platform en Azure Machine Learning Studio. "Open source frameworks zoals TensorRT en Hugging Face bieden meer mogelijkheden voor de bewaking en efficiëntie van hertrainingsmodellen", aldus Smith.
Kunstmatige intelligentie stuwt voorspellende netwerken vooruit.
De nieuwste ontwikkelingen op het gebied van kunstmatige intelligentie zijn de belangrijkste ontwikkelingen in voorspellende netwerktechnologie. "Cloud-gebaseerde AI-technologie kan de kwaliteit en snelheid van de informatie die wordt verstrekt aan netwerktechnici verbeteren en hen tegelijkertijd een waardevol hulpmiddel geven bij het onderzoeken van uitval en andere problemen", zegt Juniper Networks-onderzoeker Patrick MeLampy. "AI kan anomalieën sneller detecteren dan mensen en kan zelfs de hoofdoorzaak van anomalieën analyseren, wat technici helpt om problemen sneller dan voorheen te begrijpen en op te lossen."
De integratie van kunstmatige intelligentietools in voorspellende netwerktechnologie kan ook een economische game-changer zijn. "Met bewezen AI- en ML-tools kunnen serviceproviders en organisaties de kosten voor het identificeren en oplossen van problemen verlagen," aldus MeLampy. Naast de economische voordelen kan AI ook helpen bij het stroomlijnen van het beheer binnen een onderneming of binnen het portfolio van een serviceprovider. "De gemiddelde hersteltijd wordt verkort en de tevredenheid van eindgebruikers wordt verbeterd," zei hij.
Bryan Woodworth, chief solutions strategist bij multi-cloud netwerktechnologiebedrijf Aviatrix, zegt dat netwerktechnologie zich de komende jaren naar verwachting snel zal ontwikkelen. Het heeft geholpen om netwerkproblemen snel en efficiënt op te lossen. "AI kan alarm- en foutcondities in veel verschillende systemen correleren en in minuten of zelfs seconden relevante patronen ontdekken waar mensen uren of dagen over zouden doen", zegt hij.
Woodworth zei dat voorspellende netwerktechnologie ook het aantal valse positieven in logbestanden en foutenanalyses aanzienlijk kan verminderen, wat resulteert in intelligentere en nuttigere waarschuwingen. "Je kunt niet genezen van iets dat je niet ontdekt," zei hij. "Je moet bijvoorbeeld weten waar het probleem zit voordat je het netwerk kunt veranderen om eromheen te werken." Zelfhelende netwerken op basis van AI en ML geven betere aanbevelingen over hoe te herstellen van fouten en uitval te voorkomen.
Voorspellende modellering werkt het beste in het datacenter.
Network Behavioral Analysis onderzoekt netwerkgegevens zoals poorten, protocollen, prestaties en geografische IP-gegevens om waarschuwingen te geven wanneer er significante veranderingen zijn in het netwerkgedrag die kunnen duiden op een bedreiging. "In de toekomst kunnen deze gegevens worden ingevoerd in een kunstmatig intelligentiemodel om te helpen bevestigen of de bedreiging echt is en vervolgens aanbevelingen te doen over hoe het probleem aan te pakken door wijzigingen aan te brengen in het netwerk", aldus Woodworth. "Dit soort voorspellende modellering werkt het beste in privénetwerken zoals datacenters, omdat [daar] mensen volledige controle hebben over alle netwerkcomponenten en de gegevens die ze genereren."
Voor openbare netwerken, inclusief netwerken die verbonden zijn met het internet, wordt de taak lastiger. Leermodellen moeten ontworpen worden om te compenseren voor systemen die niet onder directe controle staan of die voorzien zijn van onvolledige gegevenssets. Dat betekent dat de voorspellende nauwkeurigheid van het leermodel zal afnemen, aldus Woodworth, en dat er handmatige aanpassingen nodig kunnen zijn om ontbrekende gegevens te compenseren.
Om volledig effectief te zijn, moeten geavanceerde AI- en machine learning-modellen op productieniveau worden uitgevoerd en geschaald voor bugfixes, aldus Smith. "Beslissers moeten vertrouwen hebben in de modelresultaten en technologiesponsors moeten de modellen effectief uitvoeren," zei hij.
Tegelijkertijd tilt de voortdurende vooruitgang in cloudtechnologie en grafische verwerkingseenheden (GPU's) het modelleren naar een hoger niveau. "Open source en commerciële frameworks helpen organisaties om ML-activiteiten snel en op schaal te implementeren, terwijl ze de risico's verminderen die gepaard gaan met de tijd en complexiteit die nodig is om cloud- en open source-systemen voor AI te configureren", zegt Maggie Smith, managing director van applied intelligence bij het adviesbureau. Accenture Federale diensten.
Smith zei dat verschillende grote cloudproviders AI-modeloptimalisatie en beheermogelijkheden hebben geïmplementeerd. Deze technologie is te vinden in tools zoals Amazon SageMaker, Google AI Platform en Azure Machine Learning Studio. "Open source frameworks zoals TensorRT en Hugging Face bieden meer mogelijkheden voor de bewaking en efficiëntie van hertrainingsmodellen", aldus Smith.
Dutch 
English 
Russian 
German 
Spanish 
Italian 
Portuguese 
French