随着越来越多的IT组织应用人工智能(AI),机器学习(ML),和所谓的AIOps技术网络管理,网络数据是成功的关键。AI /毫升技术要求越来越多的数据个体网络学习,获得的见解,并提供建议。不幸的是,许多组织试图满足网络数据时遇到问题这些人工智能工具。
换句话说,网络团队需要现代化方法网络数据之前他们拥抱的人工智能技术。
企业管理协会最近调查了250名IT专业人士对他们的经验与AI / ML-driven网络管理解决方案报告,“AI-Driven网络:网络管理水准。“它发现数据是第二技术挑战他们遇到的问题当AI /毫升在网络管理中的应用。只有网络复杂性是一个更大的技术问题。
它还发现,发现90%的组织至少遇到一个严重的挑战与网络数据在使用他们的AI /毫升的解决方案。
“AIOps需要数据来驱动其工作流程,IT与90亿美元的金融服务公司副总裁最近说。“如果你没有数据,你没有AIOps。你需要做的第一件事(与一个人工智能项目)是准备好您的数据。看着它,理解它,看看差距在哪里。”
这是麻烦的数据主要来源,根据这些调查的优点。
数据质量
一个问题,影响46%的组织,是数据质量。IT组织很快发现垃圾数据产生垃圾的见解。他们在错误,格式问题,非标准数据。这尤其是个问题如果一个IT组织数据从多个孤立的工具提供给第三方AIOps解决方案。典型的IT组织使用4到15工具来管理和监控其网络。每个工具维护自己的数据库不同等级的品质。当一个AIOps解决方案试图在这些数据集关联的见解,问题会出现。
安全风险
近39%告诉教育津贴,他们正艰难应对相关的安全风险与AI /毫升共享网络数据系统。许多供应商提供AI-driven网络解决方案的云服务。IT团队必须把网络数据到云计算进行分析。一些行业,如金融服务、反对网络数据发送到云。他们宁愿让它内部有一个本地的工具。不幸的是,许多网络供应商不支持本地版本的湖,因为他们需要人工智能数据云可伸缩性,让它工作。
一些厂商也将匿名数据的客户为全球网络的分析。这允许他们看到趋势跨地域、行业和其他变量。但是有些客户对这方面感到不安的AI /毫升的解决方案。他们甚至不希望他们的匿名数据参与这种方式。
网络开销
第三大数据相关的挑战是网络开销。超过36%的组织关心的是移动的网络成本巨大的数据集远程到基于云的数据湖。这种数据传输有时消耗过多带宽。有些供应商减轻这个问题通过处理数据在网络边缘与当地探针,然后提出元数据到人工智能云进行分析。组织评估AI-driven网络解决方案应该问潜在供应商他们如何解决这个问题。
数据的粒度
最后,32%的组织告诉教育津贴,他们缺乏粒度的数据。他们无法收集数据在足够短的时间间隔为其人工智能解决方案提供足够的洞察他们的网络。这个问题可以用不同的方法出现。一些SD-WAN供应商限制利率他们收集网络遥测因为遥测流量会影响网络性能。
一些监视工具限制的间隔,他们与SNMP轮询网络因为更高的轮询利率可以破坏监控平台。和一些网络交换机和路由器是有限的频率可以生成流记录由于性能影响。最近,一些网络厂商已经开始使用硅开关优化生成更细粒度的数据,可以帮助缓解这个问题,但是这个硬件通常是溢价成本。
你已经收集评估网络数据
即使你不打算采用AI /毫升的网络管理解决方案,它总是一个好主意审查网络数据在你的组织的状态。网络运营团队经常告诉教育津贴,他们一般来说最大的挑战是数据质量,无论人工智能是在地平线上。
例如,组织应确定是否有任何盲点在他们的网络,可能会变得异常明显的人工智能开始看待事物。他们应该审查数据的质量工具收集和保留。这是收集的数据容易出错吗?的数据也应该遵循标准。如果标记数据和元数据的工具,一个第三方能够解析吗?其他系统标准化将确保它是可读的。同时,考虑数据收集时间间隔。很多可以发生在SNMP轮询间隔之间的五到十分钟。
(更多关于AI /毫升可以优化网络运营是可用的教育津贴是免费的网络研讨会对其最新研究)。