“Se você derramar, são todas as operações de IA?” 5 desafios de dados de rede e ferramentas de IA

À medida que as empresas de TI aplicam cada vez mais inteligência artificial, aprendizado de máquina e as chamadas tecnologias AIops ao gerenciamento de rede, os dados de rede estão desempenhando um papel crítico no sucesso dos negócios. As tecnologias AI/ML exigem mais dados para aprender redes pessoais, obter insights e fazer sugestões. Infelizmente, muitas empresas enfrentam problemas ao inserir dados de rede em ferramentas de IA.

Em outras palavras, os departamentos de rede precisam modernizar a forma como acessam os dados da rede antes de implantar as tecnologias de IA.

A Enterprise Management Associates pesquisou recentemente 250 profissionais de TI sobre suas experiências com soluções de gerenciamento de rede orientadas por IA/ML e as chamou de “Redes orientadas por IA: nivelando o gerenciamento de rede”. Management)”. O relatório identificou problemas de dados como o segundo desafio técnico assustador encontrado ao aplicar IA/ML ao gerenciamento de rede. A complexidade da rede foi citada como o maior desafio técnico.

Além disso, 90% dos entrevistados relataram ter experimentado pelo menos um problema significativo com dados de rede ao testar uma solução AI/ML.

Um vice-presidente de TI de uma empresa de serviços financeiros de US$ 9 bilhões disse recentemente: “A AIops precisa de dados para acelerar os fluxos de trabalho. É se preparar. Você tem que olhar para os dados, entendê-los e ver a diferença.”

Vamos chegar ao cerne dos problemas relacionados a dados identificados pelos profissionais de TI em nossa pesquisa.

qualidade de dados

O maior problema citado por 46% dos entrevistados é a qualidade dos dados. As empresas de TI descobrem rapidamente dados inúteis que geram insights inúteis. Ele também luta com erros, problemas de formatação e dados fora do padrão. Esse é um problema comum quando as empresas de TI alimentam dados de várias ferramentas isoladas em soluções AIops de terceiros. A empresa média de TI usa pelo menos 4 a 15 ferramentas para gerenciamento e monitoramento de rede. Cada ferramenta mantém seu próprio banco de dados com diferentes níveis de qualidade. Os problemas surgem quando as soluções AIops tentam correlacionar insights desses conjuntos de dados.

risco de segurança

39% dos entrevistados lutam contra os riscos de segurança do compartilhamento de dados de rede com sistemas AI/ML. Muitos fornecedores fabricam e vendem soluções de rede centradas em IA baseadas em nuvem. Para que os departamentos de TI analisem os dados da rede, eles precisam ser enviados para a nuvem. Alguns setores, como serviços financeiros, evitam enviar dados de rede para a nuvem e os armazenam em servidores locais internos. Infelizmente, poucos fornecedores de rede vendem data lakes de IA como versões locais. Isso ocorre porque a escalabilidade da nuvem é necessária para análises.

Algumas empresas combinam os dados anonimizados de todos os clientes para uma análise global de suas redes. Você pode ver todas as tendências agregadas, independentemente dos limites regionais ou variáveis ​​do setor. No entanto, alguns clientes se sentem desconfortáveis ​​com essas vantagens das soluções AI/ML. Isso ocorre porque não queremos que os dados anônimos sejam combinados dessa maneira.

sobrecarga de rede

O terceiro desafio relacionado a dados identificado é a sobrecarga da rede. Trinta e seis por cento dos entrevistados estavam preocupados com o custo de mover grandes conjuntos de dados fora do local para um data lake baseado em nuvem. Essa transferência de dados geralmente consome largura de banda excessiva. Alguns fornecedores aliviam esse problema processando os dados localmente na borda da rede e enviando os metadados para uma nuvem de IA para análise. As empresas que avaliam soluções de rede centradas em IA devem se perguntar como os fornecedores de IA/ML estão lidando com esse problema.

segmentação de dados
Finalmente, 32% dos entrevistados citaram a falta de segmentação de dados como um problema. Isso ocorre porque eles não estão coletando dados em intervalos suficientes para fornecer insights para soluções de IA. Esse problema se manifesta de várias maneiras. Alguns fornecedores de SD-WAN também limitam a taxa na qual coletam telemetria de rede. Isso ocorre porque o tráfego de telemetria afeta o desempenho da rede.

Algumas ferramentas de monitoramento também limitam o intervalo no qual o SNMP coleta a rede. Isso ocorre porque quanto maior a taxa de resposta, mais instável se torna a plataforma de monitoramento. Alguns switches e roteadores de rede também afetam o desempenho dos negócios, limitando a frequência da criação de registros de fluxo. Mais recentemente, alguns fornecedores de rede começaram a atenuar esse problema usando silício de switch otimizado para gerar dados mais granulares, mas esse hardware é proibitivamente caro.

Avalie os dados de rede que você já coletou

Mesmo que você não tenha planos imediatos de usar soluções de IA/ML para gerenciamento de rede, é uma boa ideia avaliar a integridade atual dos dados da rede. Os departamentos de operações de rede também relataram que a qualidade dos dados costuma ser o maior problema, independentemente de a IA ser ou não considerada.

Por exemplo, as empresas precisam ver se existem pontos cegos na rede que se tornarão aparentes com o uso da IA. Você deve avaliar a qualidade dos dados que as ferramentas que você usa atualmente coletam e mantêm. Esses dados coletados são propensos a erros? Os dados também devem estar em conformidade com os padrões. Se for uma ferramenta que marca dados com metadados, ela pode ser analisada por terceiros? A padronização de dados garante que os dados possam ser lidos por outros sistemas. Os intervalos de coleta de dados também devem ser considerados. Muita coisa pode acontecer entre intervalos de sondagem NMP de 5 a 10 minutos.
[email protected]