Che cos’è l’ottimizzazione della rete AI?

L’ottimizzazione della rete AI utilizza l’AI e il ML per gestire il traffico e il routing attraverso la WAN aziendale. Gli strumenti AI operano a livello di controllo, analizzando la telemetria, identificando schemi e raccomandando modifiche di configurazione progettate per migliorare le prestazioni e l’affidabilità della WAN aziendale.

Con la crescente distribuzione delle reti aziendali grazie all’adozione di infrastrutture cloud e al lavoro ibrido, le inefficienze di rete hanno un impatto maggiore sull’attività. Inoltre, la natura dinamica degli ambienti IT – con risorse cloud effimere e lavoratori in viaggio – significa che le modifiche di configurazione devono essere effettuate regolarmente per ottimizzare questi ambienti.

L’AI può analizzare i dati, rilevare schemi e apportare aggiornamenti in tempo reale, mantenendo il passo con l’evoluzione rapida della WAN aziendale. Se l’AI è implementata come parte di una piattaforma SASE, integrata con l’infrastruttura di rete piuttosto che essere distribuita come soluzione isolata, ciò può essere realizzato senza impatti sulle prestazioni.

Come si definisce l’ottimizzazione della rete AI?

L’ottimizzazione della rete AI utilizza l’AI e il ML per migliorare le prestazioni della rete, l’esperienza dell’utente e l’affidabilità analizzando la telemetria di rete e suggerendo miglioramenti. Questo si basa su tecniche di ottimizzazione tradizionali, come l’accelerazione TCP, la compressione e le regole QoS statiche, adottando cicli di feedback per testare, convalidare e migliorare le ottimizzazioni potenziali.

L’ottimizzazione della rete AI si applica all’intera WAN aziendale, gestendo il routing, la QoS, l’allocazione della larghezza di banda e, potenzialmente, il posizionamento delle politiche di sicurezza quando rilevante per la selezione del percorso.

Elementi fondamentali dell’ottimizzazione della rete AI

L’ottimizzazione della rete AI implementa analisi intelligenti e ottimizzazione per la gestione della rete. Gli elementi chiave dell’infrastruttura includono:

• Raccolta Dati: Gli strumenti AI richiedono accesso a telemetria di alta qualità per identificare potenziali aree di ottimizzazione. Questo include informazioni su tutti gli elementi della WAN aziendale, comprese le infrastrutture on-prem e basate su cloud.
• Estrazione delle Caratteristiche: L’estrazione delle caratteristiche distilla i dati raccolti in un insieme di caratteristiche utili per l’analisi. Questo elimina i dati rumorosi concentrandosi su informazioni utili.
• Formazione e Inferenza del Modello: Con l’accesso a dati di alta qualità, l’IA e il ML possono eseguire analisi e cercare tendenze. L’apprendimento avviene in modo continuo, consentendo al modello di adattarsi ai cambiamenti nell’infrastruttura di rete e nell’uso.
• Applicazione nella Rete: Gli strumenti di ottimizzazione della rete basati sull’IA possono fare raccomandazioni, ma l’integrazione con altri strumenti di rete è essenziale per l’applicazione. L’IA è meglio applicata come parte di un’implementazione SASE convergente, dove le raccomandazioni possono essere applicate in modo coerente su tutta la WAN aziendale.

Come Funziona l’Ottimizzazione della Rete con l’IA nelle Reti Moderne?

Nelle reti moderne, l’ottimizzazione della rete basata sull’IA vive tipicamente nel pannello di controllo cloud o nel piano di gestione centralizzato di un’architettura SASE o SD-WAN. Questo sistema è responsabile della raccolta della telemetria, dell’identificazione di schemi o anomalie e della raccomandazione o applicazione automatica di modifiche alle politiche di instradamento e QoS.

Selezione del Percorso in Tempo Reale e Regolazione delle Politiche

La selezione del percorso è vitale per le prestazioni della rete, specialmente per le implementazioni SD-WAN e SASE che dipendono da Internet pubblico. I sistemi di IA possono analizzare i percorsi disponibili in base alla latenza attuale, al jitter, alla perdita di pacchetti e alla larghezza di banda, offrendo informazioni e classifiche aggiornate.

Questa visibilità quasi in tempo reale consente ai sistemi di IA di regolare dinamicamente la selezione dei percorsi, le code QoS e la gestione del traffico in risposta ai dati sulle prestazioni e alle analisi del traffico. Ad esempio, il sistema potrebbe instradare intelligentemente il traffico video e vocale verso percorsi a bassa latenza e basso jitter, mentre utilizza collegamenti meno costosi per trasportare il traffico di massa.

Come Si Inserisce l’Ottimizzazione WAN con l’IA in Questo Contesto?

L’ottimizzazione WAN con l’IA si concentra sull’ottimizzazione della WAN aziendale, scegliendo specificamente i percorsi WAN e applicando ottimizzazioni specifiche per la WAN. Con l’IA, le organizzazioni possono andare oltre politiche statiche e algoritmi fissi per un approccio più dinamico e intelligente.

Quali Problemi Risolve l’Ottimizzazione della Rete con l’IA?

L’ottimizzazione della rete con l’IA risolve il problema della latenza imprevedibile, della perdita di pacchetti e del jitter all’interno delle reti aziendali. Il traffico Internet moderno attraversa comunemente più ISP e fornitori di cloud, introducendo complessità che porta a scarse prestazioni SaaS e degrada l’esperienza dell’utente. Con l’IA, i problemi possono essere identificati e affrontati in tempo quasi reale, riducendo l’attrito nell’esperienza utente e diminuendo la fatica di risoluzione dei problemi tra i team operativi.

Problemi di prestazioni che l’ottimizzazione della rete AI affronta

Il traffico instradato attraverso Internet pubblico può subire vari problemi a causa dell’affidabilità di questi collegamenti di rete. I sintomi comuni includono:

• la latenza.
• Jitter
• perdite di pacchetti.
• Interruzioni intermittenti
• Congestione presso gli scambi Internet condivisi
• Prestazioni SaaS incoerenti.

Gli strumenti di IA sono abili nell’identificazione dei modelli, consentendo loro di identificare problemi comuni, come la congestione in determinati orari o collegamenti specifici che subiscono interruzioni ricorrenti. Basandosi su questa analisi e sulla conoscenza dei collegamenti disponibili, l’IA può suggerire percorsi alternativi o applicare automaticamente queste modifiche.

Sfide operative che l’IA aiuta a ridurre

I team operativi affrontano sfide significative quando tentano di diagnosticare e affrontare problemi relativi alle prestazioni della rete. La crescente distribuzione degli ambienti aziendali significa che il traffico di rete aziendale può attraversare più ISP e piattaforme cloud. Di conseguenza, è difficile e richiede tempo individuare la causa principale di un problema.

L’IA aiuta a ridurre i costi generali e il tempo medio di rilevamento eseguendo un’analisi automatica della causa principale per gli incidenti, offrendo approfondimenti sulle probabili cause principali. Automatizzando il processo di indagine e triage, questi strumenti riducono il carico sugli operatori umani e consentono a team più piccoli di prendere decisioni rapidamente e implementare cambiamenti per migliorare le prestazioni di reti complesse e distribuite.

Quali dati e telemetria alimentano l’ottimizzazione della rete AI?

I sistemi di IA sono buoni solo quanto i dati a cui hanno accesso. Nel caso degli strumenti di ottimizzazione della rete AI, hanno bisogno di telemetria di alta qualità che fornisca visibilità sull’intera rete aziendale e approfondimenti sugli obiettivi chiave, come le prestazioni della rete, la sicurezza e l’esperienza utente.

Gli strumenti di ottimizzazione della rete AI sono comunemente implementati come parte delle piattaforme SASE e SD-WAN, che già raccolgono i tipi di dati sul flusso di rete, utente, applicazione e sicurezza di cui gli strumenti di IA hanno bisogno. Portare queste informazioni in un unico lago di dati centralizzato facilita l’accesso e l’analisi di queste informazioni da parte degli strumenti di IA.

Metriche della rete e del livello di trasporto

Le metriche della rete e del livello di trasporto si concentrano sul miglioramento delle prestazioni e dell’affidabilità dell’infrastruttura di rete di un’organizzazione. Le metriche chiave includono:

• la latenza.
• Jitter
• perdite di pacchetti.
• Velocità di trasmissione
• Utilizzo del collegamento
• Tassi di errore
• Cambiamenti di rotta.

I modelli di intelligenza artificiale possono utilizzare queste metriche per classificare la salute dei vari collegamenti di rete e prevedere le prestazioni future. Ad esempio, un particolare collegamento di rete può registrare un aumento dell’uso in determinati momenti a causa del comportamento degli utenti o di un’attività o lavoro programmato. Uno strumento di intelligenza artificiale che identifica questo modello può fornire raccomandazioni per instradare il traffico verso altri collegamenti durante questi momenti per ridurre la congestione e la latenza.

Le spine dorsali SASE globali sono particolarmente adatte a questo tipo di analisi grazie alla loro capacità di raccogliere telemetria e confrontare le prestazioni tra più edge e ISP. Questo campo di visione più ampio arricchisce i dati di addestramento disponibili per i modelli di intelligenza artificiale e migliora la selezione dei percorsi attraverso la dorsale.

Metriche dell’applicazione e dell’esperienza utente

Il monitoraggio dell’esperienza digitale (DEM) cerca di migliorare l’esperienza dell’utente tracciando metriche come:

• Telemetria dei dispositivi degli utenti
• Tempi di risposta delle applicazioni
• Tassi di successo e di errore delle transazioni
• Risultati delle transazioni sintetiche

Con la visibilità nell’infrastruttura di rete e nelle metriche del livello applicativo, gli strumenti di ottimizzazione della rete AI possono correlare il degrado delle metriche DEM con le condizioni a livello di rete. Questo consente loro di identificare potenziali cambiamenti e ottimizzazioni a livello di rete che avrebbero un impatto positivo anche sull’esperienza dell’utente.

Ad esempio, le segnalazioni degli utenti di tempi di caricamento lenti per una particolare applicazione SaaS potrebbero richiedere un’indagine su quell’app per identificare potenziali miglioramenti. Tuttavia, un’indagine più ampia potrebbe rivelare che il traffico verso quell’app e altre app SaaS scorre su un collegamento che è comunemente sovraccarico. Aggiornamenti di instradamento che riducono la pressione su questo collegamento influenzerebbero positivamente l’esperienza dell’utente su tutte le app SaaS, piuttosto che affrontare i sintomi all’interno di un’unica app.

Come Migliora la Predizione dell’Intasamento AI le Prestazioni?

La predizione dell’intasamento AI utilizza modelli predittivi per prevedere quando e dove è probabile che si verifichi un’intasamento basato su dati storici e telemetria in tempo reale. Con l’AI, le organizzazioni possono andare oltre semplici avvisi basati su soglie per identificare schemi che indicano un potenziale intasamento. Questo è sempre più importante per le reti aziendali poiché i dipendenti diventano sempre più dipendenti da strumenti vocali e video e altre app SaaS sensibili alla latenza.

Modelli Predittivi per l’Intasamento e i Blackout

L’AI e il ML possono sfruttare modelli di serie temporali e rilevamento delle anomalie per identificare finestre di intasamento probabili su percorsi di rete specifici o PoP. Ad esempio, uno strumento AI con accesso sufficiente ai dati storici potrebbe notare tendenze, come la propensione dei dipendenti a controllare la propria email al ritorno da una pausa pranzo programmata o il fatto che gli sviluppatori e il personale IT programmino determinate attività per essere eseguite in orari specifici. Con la conoscenza di queste tendenze, l’AI può raccomandare percorsi di rete che evitano l’intasamento di rete che queste attività potrebbero causare su determinati collegamenti di rete.

Sebbene queste fonti di intasamento siano interne a un’azienda, gli strumenti AI ospitati su un backbone SASE multi-tenant hanno una visibilità molto più ampia. Con accesso ai dati sul comportamento aggregato di molti clienti e geografie, possono identificare schemi e ottimizzare a un livello più globale.

Azioni di Instradamento e QoS Guidate dalla Predizione

L’AI offre la possibilità di prevedere potenziali blackout e intasamenti, consentendo all’organizzazione di intraprendere azioni per mitigare i loro effetti. Ad esempio, un sistema AI può instradare il traffico critico verso percorsi alternativi in anticipo rispetto a un blackout o regolare le regole QoS per garantire che le applicazioni in tempo reale sensibili alla latenza siano prioritarie durante i periodi di traffico intenso.

La capacità di questi sistemi di adattarsi ai cambiamenti dipende dal livello di coinvolgimento umano nel processo. Nel caso di problemi frequenti e prevedibili, l’AI può prevedere l’incidente in tempo affinché gli esseri umani possano approvare le modifiche. Tuttavia, l’AI che identifica segni di un’interruzione imprevedibile e imminente potrebbe richiedere un intervento automatico per minimizzare l’impatto. Le organizzazioni dovrebbero implementare controlli di policy che stabiliscano quali decisioni possono essere automatizzate e quali raccomandazioni richiedono revisione e approvazione umana.

Domande Frequenti sull’Ottimizzazione della Rete AI

L’ottimizzazione della rete AI sostituisce gli strumenti tradizionali di ottimizzazione WAN?

No, l’ottimizzazione della rete AI integra gli strumenti tradizionali di ottimizzazione WAN, come la memorizzazione nella cache, la compressione e la regolazione del TCP. L’AI aggiunge un livello di intelligenza e adattabilità, consentendo di modificare configurazioni e politiche in risposta ai cambiamenti nell’infrastruttura di rete e nell’uso. Molte soluzioni moderne SD-WAN e SASE includono quegli strumenti tradizionali di ottimizzazione WAN che hanno senso nel contesto, espandendo anche le capacità integrando l’AI.

Quanto sono mature oggi le capacità di ottimizzazione della rete AI?

Le capacità di ottimizzazione della rete assistite dall’AI sono comuni in SD-WAN, SASE e soluzioni per l’esperienza digitale, ma la loro efficacia può variare. Quando si considerano le soluzioni, chiedere come vengono utilizzate le funzionalità AI in produzione, inclusi casi d’uso documentati, come la selezione dinamica del percorso, la riduzione del rumore negli avvisi e le intuizioni predittive.

Come interagisce l’ottimizzazione della rete AI con le politiche di sicurezza?

Gli strumenti di ottimizzazione della rete AI hanno la capacità di reindirizzare il traffico di rete, ma ciò non avviene a scapito della sicurezza. Gli strumenti devono garantire che il traffico venga comunque ispezionato o controllato, ma possono fare raccomandazioni o scelte tra più percorsi sicuri e conformi alle politiche, e possono dare priorità a determinati tipi di traffico all’interno di un percorso. Alcune piattaforme possono anche utilizzare l’AI per analizzare le politiche di sicurezza e le regole di instradamento per identificare potenziali margini di miglioramento, come affrontare ridondanze o configurazioni errate che hanno un impatto negativo sulle prestazioni della rete.

Quali competenze devono avere i team per ottenere valore dall’ottimizzazione della rete AI?

Per gestire efficacemente una strategia di ottimizzazione della rete AI, i team devono avere competenze nella gestione dei dati, nell’AI e nell’ottimizzazione, oltre alle loro basi nel networking, nell’instradamento e nella sicurezza. Gli operatori dovrebbero comprendere quali dati fornire al sistema AI, come interpretare i suoi risultati e come decidere quali casi d’uso possono essere completamente automatizzati e quali richiedono un intervento umano.

Le imprese hanno bisogno di automazione completa, o l’ottimizzazione della rete AI può rimanere con un intervento umano?

L’ottimizzazione della rete AI può essere implementata in vari modi, che vanno dall’automazione completa a un ruolo più consultivo, in cui gli esseri umani rimangono coinvolti. Spesso, questa opzione consultiva è un buon punto di partenza per le aziende che implementano la tecnologia, consentendo loro di testare la visibilità e la qualità delle raccomandazioni dell’AI prima di permetterle di apportare autonomamente modifiche a basso rischio all’instradamento della rete. Nel tempo, le imprese si spostano comunemente verso una modalità ibrida, in cui le modifiche di routine e ripetitive sono gestite dall’AI, mentre gli esseri umani rimangono in controllo delle decisioni ad alto impatto. In ogni caso, tutte le raccomandazioni e le modifiche dovrebbero essere registrate in modo che possano essere esaminate e annullate se necessario.