هوش مصنوعی در شبکه‌سازی: هیاهو، واقعیت، و چشم‌انداز AI-بومی جونیپر

پذیرش گسترده 'هوش مصنوعی' در بازاریابی محصولات، به ویژه در شبکه‌سازی، سوالاتی را در مورد قابلیت‌های عملی آن برای حل مشکلات و نتایج واقعی مطرح می‌کند. این تحلیل به تمایز بین هیاهوی هوش مصنوعی و کاربردهای واقعی می‌پردازد و به طور خاص استراتژی دیرینه و AI-بومی Juniper Networks را با رویکردهای 'الحاقی' رایج سایر فروشندگان مقایسه می‌کند.

خلاصه نکات کلیدی

• چشم‌انداز کنونی هوش مصنوعی و بدبینی

  شیوع اصطلاحاتی مانند 'مجهز به هوش مصنوعی'، 'قدرت‌گرفته از هوش مصنوعی' و 'مبتنی بر هوش مصنوعی' در بازاریابی محصولات، به ویژه پس از ChatGPT، منجر به بدبینی گسترده‌ای در مورد کاربرد واقعی و قابلیت‌های حل مسئله هوش مصنوعی در محصولات شده است. بسیاری سوال می‌کنند که آیا افزودن هوش مصنوعی واقعاً مشکلات واقعی را حل می‌کند یا نتایج ملموسی برای مهندسان IT و شبکه ارائه می‌دهد، که اغلب شبیه به 'محتوای بی‌ارزش AI' یا زرق و برق بازاریابی احساس می‌شود.

• جستجو برای موارد استفاده واقعی از هوش مصنوعی

  صنعت به طور فعال به دنبال کاربردهای مشروع هوش مصنوعی، به ویژه در عملیات IT (AI Ops)، است که بتواند به وعده‌هایی مانند آپ‌تایم ثابت شبکه و حذف تماس‌های شبانه مربوط به حوادث عمل کند. این جستجو برای راه‌حل‌های عملی هوش مصنوعی با هدف تغییر جنبه‌های چالش‌برانگیز مدیریت شبکه است.

• رویداد Cisco Live و Juniper Networks

  کاوش در کاربردهای عملی هوش مصنوعی در Cisco Live، بزرگترین کنفرانس شبکه‌سازی جهان، با حضور بیش از ۲۲۰۰۰ نفر آغاز شد. همزمان، Juniper Networks یک رویداد جداگانه برای نمایش پیاده‌سازی‌های هوش مصنوعی خود برگزار کرد و خود را به عنوان رهبر در آوردن هوش مصنوعی به شبکه‌سازی معرفی نمود.

• رهبری تاریخی جونیپر در هوش مصنوعی

  Juniper Networks بیش از ۱۰ سال رهبری در همگرایی هوش مصنوعی و شبکه را قبل از انتشار عمومی هوش مصنوعی مولد مانند ChatGPT ادعا می‌کند. این سابقه رویکرد آن‌ها را از پذیرش‌های اخیر هوش مصنوعی توسط سایر فروشندگان متمایز می‌کند.

• تکامل هوش مصنوعی پیش از مدل‌های مولد

  قبل از ظهور تمرکز بر متن مولد ابزارهایی مانند ChatGPT در سال ۲۰۲۲، هوش مصنوعی عمدتاً شامل مدل‌های یادگیری ماشین بود. این مدل‌ها بسیار تخصصی بودند و برای شناسایی الگوها در داده‌ها، انجام پیش‌بینی‌ها و اطلاع‌رسانی تصمیمات در دامنه‌های خاص طراحی شده بودند.

• تأسیس و تصاحب Mist Systems

  سوجای هیجا، باب فرایدی، و برت گالووی، کارمندان سابق سیسکو، Mist Systems را در سال ۲۰۱۴ با هدف بازآفرینی Wi-Fi سازمانی با استفاده از رایانش ابری که توسط هوش مصنوعی تخصصی تقویت می‌شد، تأسیس کردند. Juniper Networks در سال ۲۰۱۹ Mist Systems را به مبلغ ۴۵ میلیون دلار خریداری کرد و قابلیت‌های هوش مصنوعی آن را در مجموعه گسترده‌تر جونیپر ادغام نمود.

• هوش مصنوعی تخصصی Mist Systems و شبکه‌های خودران

  Mist Systems هوش مصنوعی را به طور خاص بر روی داده‌های LAN بی‌سیم آموزش داد تا وضعیت‌های خوب و بد شبکه را تشخیص داده و مشکلات را عیب‌یابی کند و مفاهیمی مانند 'هوش مصنوعی برای IT' یا 'هوش مصنوعی در هوا است' را پیشگام شد. هدف آن‌ها ارائه یک شبکه خودران بود که قادر به شناسایی و سازگاری فعالانه با مشکلات در زمان واقعی باشد و بدین ترتیب در هزینه و زمان تیم‌های IT صرفه‌جویی کند.

• نقش حیاتی داده و زمینه برای هوش مصنوعی

  کارایی هوش مصنوعی اساساً به کیفیت و زمینه داده‌هایی که دریافت می‌کند بستگی دارد. تغذیه اطلاعات زمینه‌ای جامع در مورد یک شبکه به هوش مصنوعی برای درک و پاسخ دقیق به پرس‌وجوهای خاص شبکه حیاتی است، درست مانند اینکه ترجیحات شخصی برای یک سیستم توصیه شام ضروری هستند.

• رویکرد 'الحاقی' سیسکو به هوش مصنوعی

  فروشندگان اصلی شبکه‌سازی مانند سیسکو اغلب هوش مصنوعی را به عنوان یک راه‌حل 'الحاقی' پیاده‌سازی می‌کنند و مقادیر زیادی از داده‌های تله‌متری را از منابع مختلف، از جمله ThousandEyes، Splunk، Catalyst Center، و AppDynamics، به مدل‌های زبان بزرگ (LLM) تغذیه می‌کنند. در حالی که سیسکو از یک مدل شبکه عمیق آموزش‌دیده بر داده‌های شبکه‌سازی استفاده می‌کند، این رویکرد به توانایی LLM برای تفسیر و همبستگی این داده‌های پیچیده و متنوع متکی است.

• چالش‌ها با داده‌های نامتجانس و LLMها

  اتکا به LLMها برای پردازش و زمینه‌ای کردن داده‌ها از منابع متعدد و بالقوه بدون ساختار، چالش‌های قابل توجهی را به همراه دارد. حفظ یک زمینه بزرگ و جلوگیری از 'توهمات' هوش مصنوعی (تولید اطلاعاتی معقول اما نادرست) مشکلات رایج این روش یکپارچه‌سازی هستند.

• معماری AI-بومی جونیپر

  Juniper Networks ادعای رویکرد 'AI-بومی' را دارد، به این معنا که پلتفرم خود را از پایه با هوش مصنوعی یکپارچه در معماری اصلی آن ساخته است. این شامل ساختاربندی متفاوت داده‌ها و سیستم‌ها از فروشندگانی است که هوش مصنوعی را بر روی زیرساخت‌های میراثی پیچیده موجود خود پیاده می‌کنند.

• Mist AI Cloud به عنوان مرکز داده متمرکز

  Mist AI Cloud جونیپر به عنوان یک مخزن مرکزی برای تمام زمینه شبکه عمل می‌کند و تله‌متری ثابت را از نقاط دسترسی بی‌سیم، سوئیچ‌ها، روترها، کلاینت‌ها و یکپارچه‌سازی‌های API برای برنامه‌هایی مانند Zoom و Teams دریافت می‌کند. این شامل داده‌های پیکربندی، وضعیت، عملکرد و کیفیت است.

• میکروسرویس‌ها و پایگاه داده گرافی زمینه‌ای

  Mist AI Cloud از معماری میکروسرویس برای دریافت و پردازش اطلاعات استفاده می‌کند و روابط بین نقاط داده را برای شناسایی بهتر مشکلات، پیش‌بینی الگوها و تحلیل علت ریشه‌ای درک می‌کند. برای عملیات مرکز داده، جونیپر فناوری شبکه‌سازی مبتنی بر قصد به نام Apstra را یکپارچه می‌کند که یک پایگاه داده گرافی زمینه‌ای را به Mist AI Cloud می‌رساند و وضعیت فعلی و ارتباطات متقابل کل مرکز داده را ثبت می‌کند.

• Marvis Minis برای نظارت پیشگیرانه

  Marvis minis همزادهای دیجیتال تجربه شبکه‌سازی AI-بومی هستند که به عنوان کلاینت‌های مجازی عمل می‌کنند و از طریق یادگیری ماشین بدون نظارت، شبکه را یاد می‌گیرند. این minis احراز هویت می‌کنند، آدرس‌های IP را دریافت می‌کنند، به سرورهای DNS و برنامه‌های SaaS دسترسی پیدا می‌کنند و مسیرهای کلاینت را برای شناسایی فعالانه ناهنجاری‌ها یا مشکلات، مانند VLANهای اشتباه پیکربندی شده یا مشکلات DHCP، اغلب قبل از اینکه کاربران آن‌ها را تجربه کنند، ترسیم می‌کنند. آن‌ها همچنین به نظارت بر انتظارات سطح خدمات (SLES) کمک می‌کنند.

• Marvis AI و Marvis AI Assistant

  Marvis AI نشان‌دهنده یادگیری ماشین تخصصی است که منحصراً بر شبکه‌سازی تمرکز دارد و بر Marvis minis و یادگیری بدون نظارت نظارت می‌کند تا شبکه را عمیقاً درک کند. Marvis AI Assistant، که در بالای Marvis AI قرار دارد، سوالات انسانی را به پرس‌وجوهای دقیق برای Marvis AI ترجمه می‌کند، که قبلاً زمینه شبکه و اطلاعات عیب‌یابی را ایجاد کرده است.

• قابلیت‌های بهبود یافته عیب‌یابی و پیش‌بینی

  در یک سناریوی عیب‌یابی، مانند تماس Zoom ضعیف یک مدیر عامل، Marvis AI جونیپر می‌تواند به سرعت به داده‌های متمرکز Mist AI Cloud خود دسترسی پیدا کند تا علت ریشه‌ای را شناسایی کند، مانند افزایش خطاهای CRC در یک پورت سوئیچ خاص، و اقدامات دقیق را توصیه کند، مانند تعویض یک کابل خاص. این زمینه داده یکپارچه امکان نگهداری پیش‌بینی‌کننده را فراهم می‌کند و خرابی‌هایی مانند مشکلات فیبر نوری یا کابل را هفته‌ها قبل پیش‌بینی می‌کند.

• تأیید مشتری و بلوغ فعلی

  مشتریان فعلی Juniper Mist کارایی هوش مصنوعی خود را تأیید می‌کنند و مزایای واقعی آن را در محیط‌های شبکه پردیس و بی‌سیم، از جمله توانایی تشخیص سریع مشکلات خاص کاربر به صورت گذشته‌نگر، تأیید می‌کنند. پلتفرم هوش مصنوعی جونیپر به سطحی از بلوغ رسیده است که می‌توان به آن برای تصمیم‌گیری‌های خودکارتر اعتماد کرد.

• شبکه‌های خودران و خودترمیم‌گر

  رویکرد AI-بومی جونیپر قابلیت‌های خودران و خودترمیم‌گر را در شبکه‌های پردیس سازمانی و بی‌سیم خود فعال کرده است، با عملکرد مشابهی برای مراکز داده که به زودی پیش‌بینی می‌شود. این امر با هدف خودکارسازی فرآیندهای شناسایی و عیب‌یابی، فراهم آوردن اعتماد به نفس بالا در عملکرد شبکه است.

• تضاد با چالش‌های یکپارچه‌سازی میراثی

  سایر فروشندگان اغلب هنگام یکپارچه‌سازی هوش مصنوعی با اجزای میراثی متعدد با پیچیدگی روبرو می‌شوند و داده‌ها را در LLMها می‌ریزند که، با وجود قدرتمند بودن، می‌توانند با اطلاعات بیش از حد گیج شوند. این رویکرد 'قطعات متحرک زیاد' احتمال خرابی را افزایش می‌دهد و عیب‌یابی را پیچیده‌تر می‌کند.

• تأثیر بالقوه بر نقش‌های مهندسی شبکه

  در حالی که خودکارسازی بخش‌هایی از کار یک مهندس شبکه توسط هوش مصنوعی ممکن است در ابتدا نگران‌کننده به نظر برسد، اما پتانسیل کاهش قابل توجه استرس را با به حداقل رساندن قطعی‌های شبکه و تماس‌های شبانه فراهم می‌کند. این تغییر می‌تواند مهندسان را قادر سازد تا بر روی کارهای با ارزش‌تر تمرکز کنند و آپ‌تایم کلی شبکه و کارایی عملیاتی را بهبود بخشند.

زیر جزئیات