ИТ-специалисты обеспокоены тем, что сетевые данные передаются в инструменты искусственного интеллекта

Автор Шамус МакГилликадди

Сетевой мир |

Поскольку все больше ИТ-организаций применяют искусственный интеллект (ИИ), машинное обучение (МО) и так называемую технологию AIOps для управления сетью, сетевые данные имеют решающее значение для успеха. Технологии искусственного интеллекта и машинного обучения требуют все больше и больше данных для изучения отдельных сетей, получения ценной информации и предоставления рекомендаций. К сожалению, многие организации сталкиваются с проблемами при попытке передать сетевые данные этим инструментам искусственного интеллекта.

Другими словами, сетевым командам необходимо модернизировать свой подход к сетевым данным, прежде чем они начнут использовать технологию искусственного интеллекта.

Компания Enterprise Management Associates недавно опросила 250 ИТ-специалистов об их опыте работы с решениями для управления сетями на основе искусственного интеллекта и машинного обучения для отчета «Сети, управляемые искусственным интеллектом: повышение уровня управления сетью». Было обнаружено, что проблемы с данными являются технической проблемой номер два, с которой они сталкиваются при применении искусственного интеллекта и машинного обучения для управления сетью. Только сложность сети является более серьезной технической проблемой.

Также было обнаружено, что 90% организаций столкнулись как минимум с одной серьезной проблемой с сетевыми данными при попытке использовать свои решения AI/ML.

«AIOps нуждается в данных для управления своими рабочими процессами», — заявил недавно вице-президент по информационным технологиям компании, предоставляющей финансовые услуги с оборотом 9 миллиардов долларов. «Если у вас нет данных, у вас нет AIOps. Первое, что вам нужно сделать [с проектом ИИ] — это подготовить данные. Посмотрите на них, поймите их и посмотрите, где есть пробелы».

Вот основные источники проблем с данными, по мнению опрошенных ИТ-специалистов.

Проблемой номер один, затронувшей 46% организаций, было качество данных. ИТ-организации быстро обнаруживают, что мусорные данные дают ненужную информацию. Они борются с ошибками, проблемами форматирования и нестандартными данными. Это может быть особенно проблемой, если ИТ-организация передает данные из нескольких разрозненных инструментов в стороннее решение AIOps. Типичная ИТ-организация использует от четырех до 15 инструментов для управления и мониторинга своей сети. Каждый инструмент поддерживает собственную базу данных с разным уровнем качества. Когда решение AIOps попытается сопоставить информацию из этих наборов данных, возникнут проблемы.

Почти 39% сообщили EMA, что они борются с риском безопасности, связанным с обменом сетевыми данными с системами AI/ML. Многие поставщики предлагают сетевые решения на базе искусственного интеллекта в виде облачных предложений. ИТ-команды должны отправлять свои сетевые данные в облако для анализа. Некоторые отрасли, например финансовые услуги, не склонны отправлять сетевые данные в облако. Они предпочли бы оставить его дома с помощью локального инструмента. К сожалению, многие поставщики сетей не поддерживают локальную версию своего озера данных искусственного интеллекта, поскольку для его работы им необходима облачная масштабируемость.

Некоторые поставщики также объединяют анонимные данные всех своих клиентов для глобального анализа сетей. Это позволяет им видеть тенденции в разных регионах, отраслях и других переменных. Но некоторых клиентов беспокоит этот аспект решений AI/ML. Они не хотят, чтобы даже их анонимные данные были задействованы таким образом.

Третья по величине проблема, связанная с данными, — это сетевые издержки. Более 36% организаций обеспокоены сетевыми затратами на перемещение огромных наборов данных за пределы организации в облачное озеро данных. Эта передача данных иногда может потреблять слишком большую пропускную способность. Некоторые поставщики решают эту проблему, обрабатывая данные на границе сети с помощью локальных зондов, которые затем пересылают метаданные в облако ИИ для анализа. Организациям, которые оценивают сетевые решения на основе искусственного интеллекта, следует спросить потенциальных поставщиков, как они решают эту проблему.

Наконец, 32% организаций сообщили EMA, что их данным недостает детализации. Они не могут собирать данные через достаточно короткие промежутки времени, чтобы обеспечить решениям искусственного интеллекта достаточную информацию о своей сети. Эта проблема может возникнуть по-разному. Некоторые поставщики SD-WAN ограничивают скорость сбора сетевых данных телеметрии, поскольку трафик телеметрии может повлиять на производительность сети.