Cómo la IA permite a las organizaciones pasar del monitoreo de red a la observabilidad proactiva

0
5
Cómo la IA permite a las organizaciones pasar del monitoreo de red a la observabilidad proactiva

En el mundo actual, el volumen de datos y los requisitos de ancho de banda de la red crecen lentamente. Están sucediendo muchas cosas en tiempo real a medida que las empresas se adaptan y avanzan para volverse más digitales, lo que significa que el estado de la red está en constante evolución. Mientras tanto, los usuarios tienen grandes expectativas en torno a las aplicaciones: tiempos de carga rápidos, aspecto visualmente avanzado, contenido rico en funciones, transmisión de video y capacidades multimedia: todo esto devora el ancho de banda de la red.

Con millones de usuarios accediendo a aplicaciones y aplicaciones móviles desde múltiples dispositivos, la mayoría de las empresas hoy en día generan volúmenes aparentemente inmanejables de datos y tráfico en sus redes.

Las redes se ocupan de volúmenes de datos inmanejables

En este entorno siempre activo, las redes están completamente sobrecargadas, pero las organizaciones aún necesitan brindar el máximo rendimiento de su red a los usuarios sin degradación del servicio. Pero los volúmenes de tráfico están creciendo, y esto está reventando las redes en las horas pico, similar a la M25; no importa cuántos carriles se agreguen a la autopista, siempre habrá problemas de congestión durante los períodos de mayor actividad.

Como ejemplo, estamos viendo una creciente necesidad de que las redes de operadores ferroviarios manejen secuencias de video de cámaras corporales para reducir el comportamiento antisocial en trenes y estaciones. Sin embargo, esto afecta directamente a la red, con cargas diarias de cientos de archivos de video que consumen ancho de banda a un ritmo fenomenal, sin embargo, los operadores aún necesitan realizar sus operaciones diarias mientras se cargan y procesan innumerables horas de secuencias de video.

Este es un buen ejemplo de dónde AI y ML pueden y están ayudando a las organizaciones a adoptar una postura proactiva sobre la capacidad y analizar si las redes han superado ciertos umbrales. Estas tecnologías permiten a las organizaciones ‘aprender’ la estacionalidad y comprender cuándo habrá horas pico, implementando umbrales dinámicos basados ​​en la hora del día, el día de la semana, etc., como resultado. AI ayuda a detectar actividad anormal en la red, pero ahora este uso tradicional de AI/ML está comenzando a avanzar de ‘monitoreo’ a ‘observabilidad’.

Entonces, ¿cuál es la diferencia entre los dos?

El seguimiento tiene un enfoque más lineal. El monitoreo informa a las organizaciones cuando se alcanzan los umbrales o las capacidades, lo que les permite determinar si las redes necesitan una actualización. Mientras que la observabilidad se trata más de la correlación de múltiples aspectos y la recopilación de contexto y el análisis del comportamiento.

Por ejemplo, donde una organización puede monitorear 20 aspectos diferentes de una aplicación para que funcione de manera más eficiente y efectiva; la observabilidad tomará esas 20 señales diferentes y analizará los datos haciendo diagnósticos con varios escenarios presentados. Aprovechará la rica telemetría de la red y generará visualizaciones contextualizadas, iniciando automáticamente playbooks predefinidos para minimizar las interrupciones del usuario y garantizar una rápida restauración del servicio. Esto significa que el ingeniero no está esperando una llamada de un cliente que informe que una aplicación funciona con lentitud. Del mismo modo, el ingeniero no necesita iniciar sesión y ejecutar una gran cantidad de pruebas, y examinar minuciosamente cientos de informes, sino que puede clasificar rápidamente el problema. También significa que los ingenieros de redes pueden explorar de manera proactiva diferentes dimensiones de estas anomalías en lugar de atascarse en tareas mundanas y repetitivas.

Esto brinda claros beneficios para el negocio al reducir el tiempo que los equipos dedican a filtrar y analizar manualmente los reinos de datos y alertas. Conduce a una depuración más rápida, más tiempo de actividad, servicios de mejor rendimiento, más tiempo para la innovación y, en última instancia, ingenieros de red, usuarios finales y clientes satisfechos. La correlación de observabilidad de múltiples actividades permite que las aplicaciones operen de manera más eficiente e identifiquen cuándo las operaciones de un sitio no son óptimas con este contexto entregado al ingeniero adecuado en el momento adecuado. Esto significa que un gran volumen de alertas se transforma en un pequeño volumen de información procesable.

Máquinas sobre humanos

Automatizar este proceso y usar una máquina en lugar de un ser humano es mucho más preciso porque a las máquinas no les importa cuántos conjuntos de datos deben correlacionar. Las máquinas construyen jerarquías, y cuando algo en esa jerarquía impacta en otra cosa, la máquina detecta ciertos comportamientos y encuentra estas fallas. Cuantos más conjuntos de datos se agreguen, más imagen comenzará a generarse para los ingenieros, quienes luego podrán determinar si se requiere alguna acción adicional.

Veamos otro ejemplo de la vida real. Actualmente estamos en conversaciones con una gran empresa de gestión que posee y gestiona las explanadas de las gasolineras. Tienen 40 000 estaciones de servicio y cada explanada tiene aproximadamente 10 surtidores, lo que equivale a 400 000 surtidores de gasolina en los EE. UU. Su problema actual es la falta de visibilidad de los surtidores de gasolina y los cargadores de vehículos eléctricos conectados a la red. Como resultado, cuando una bomba o un cargador no funcionan, es posible que solo se den cuenta después de una queja del cliente, lo cual está lejos de ser lo ideal.

La telemetría de red que estamos recopilando y ese análisis de comportamiento significa que estamos desarrollando conocimientos comerciales, no solo conocimientos de red. Podemos ver si una bomba de gasolina deja de crear tráfico, lo que activa una solicitud de mantenimiento para ir a reparar la bomba. Esto no es un problema de la red, pero el tráfico de la red se puede aprovechar para buscar el problema empresarial. Este es un caso de uso para bombas de combustible y cargadores de vehículos eléctricos, pero imagine cuántos otros dispositivos conectados a la red hay en fábricas o instalaciones de producción en todo el mundo que podrían usarse de manera similar.

Obtener información procesable rápidamente

Aquí es donde nuestra solución AIOps, Martina, predice y corrige las fallas de la red y las infracciones de seguridad antes de que ocurran. Además, ayuda a automatizar tareas repetitivas y mundanas mientras lleva proactivamente un problema a una organización de una manera contextualizada y significativa en lugar de simplemente enviarlo al cliente para que lo resuelva. Martina descubre problemas con recomendaciones para abordar el problema, asegurando que las organizaciones siempre tengan redes resilientes de alto rendimiento. En esencia, esencialmente hace que la red sea invisible para los usuarios al proporcionarles una conectividad segura, confiable y eficaz que funciona. Proporciona una vista única de múltiples fuentes de datos e informes fácilmente configurables para que las organizaciones puedan obtener información rápidamente.

Los ejecutivos y las juntas quieren que sus equipos de red sean proactivos. No tolerarán un rendimiento deficiente de la red y querrán que cualquier degradación del servicio, por leve que sea, se resuelva rápidamente. Esto significa que los equipos deben actuar sobre anomalías, no umbrales, para comprender el comportamiento para predecir y actuar con anticipación. Necesitan MTTD y MTTR rápidos porque las redes de bajo rendimiento y el tiempo de inactividad afectan la reputación de la marca y, en última instancia, cuestan dinero. Aquí es donde la observabilidad proactiva de AI/ML realmente se destaca.

Autor de la foto: Fotonphoto/Shutterstock

Stephen Amstutz es Director de Estrategia e Innovación, Xalient.

LEAVE A REPLY

Please enter your comment!
Please enter your name here