Künstliche Intelligenz für Netzwerke – was ist das?

Künstliche Intelligenz (KI) in Reinform ist Software, die eine Aufgabe genauso gut wie eine menschliche Fachkraft ausführt. KI spielt immer mehr eine entscheidende Rolle im Umgang mit der Komplexität wachsender IT-Netzwerke.

Durch die starke Zunahme der Menge an Geräten, Daten und betroffenen Personen sind IT-Infrastrukturen schwerer denn je zu verwalten. Bedenkt man, dass die IT-Budgets dabei meist gleich bleiben oder gekürzt werden, müssen Unternehmen nach Möglichkeiten suchen, mit dieser Komplexität umzugehen. Viele setzen dabei auf KI.

Wichtige KI-Technologien

Der erfolgreiche Einsatz von KI erfordert maschinelles Lernen (ML). Dabei werden Algorithmen verwendet, um Daten zu analysieren, daraus zu lernen und ohne ausdrückliche Anweisungen Entscheidungen oder Vorhersagen zu treffen. Durch die ständig wachsenden Rechen- und Speicherkapazitäten hat sich ML in der letzten Zeit zu Modellen mit komplexeren Strukturen weiterentwickelt. Zu ihnen gehört z. B. Deep Learning (DL) mit neuralen Netzwerken, die noch größeren Erkenntnisgewinn und mehr Automatisierungsmöglichkeiten bieten. In letzter Zeit sind die Fortschritte im KI-Bereich außerdem durch die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) begünstigt worden, insbesondere bei virtuellen Smarthome- und IT-Assistenten. NLP erleichtert durch Stimm- und Worterkennung den Umgang mit Maschinen über Hinweise und Nachfragen in natürlicher Sprache.

Die Rolle von KI in Netzwerkumgebungen.

Aufbau eines KI-Systems

Ohne eine geeignete KI-Strategie kann die IT nicht mit den stringenten Netzwerkanforderungen von heute Schritt halten. Dies sind einige unverzichtbare technologische Bestandteile für Ihre KI-Strategie.

Daten: Jede sinnvolle KI-Lösung beginnt mit gewaltigen Mengen qualitativ hochwertiger Daten. Die Intelligenz von KI entsteht im Laufe der Zeit durch Datenerfassung und -analyse. Je vielfältiger die erfassten Daten sind, desto intelligenter wird die KI-Lösung. Bei Echtzeitanwendungen mit hochgradig verteilten „Edge“-Geräten (z. B. IoT- und Mobilgeräte) ist es z. B. von entscheidender Bedeutung, die Daten von allen Edge-Geräten in Echtzeit zu erfassen und dann innerhalb kurzer Zeit lokal oder in der Nähe per Edge-Computer oder in der Cloud mit KI-Algorithmen zu verarbeiten.
Domain-spezifisches Know-how: Ob sie einem Arzt bei der Diagnose in einem Krebsverdachtsfall oder einem IT-Administrator bei der Diagnostizierung von Wireless-Problemen helfen – für KI-Lösungen benötigen Sie gekennzeichnete Daten, die auf Kenntnissen in dem jeweiligen Wissensbereich beruhen. Mit diesen „mundgerechten“ Metadaten kann die KI das Problem in kleine Segmente zerlegen, die zur Schulung der KI-Modelle dienen. Diese Aufgabe kann durch Metriken zur Gestaltungsabsicht („Design Intent“) gelöst werden. Hierbei handelt es sich um strukturierte Datenkategorien zur Klassifizierung und Überwachung des Wireless-Benutzererlebnisses.
Data Science-Toolbox: Sobald das Problem in für den jeweiligen Wissensbereich spezifische „Häppchen“ aus Metadaten zerlegt wurde, werden diese Metadaten in die mächtige Welt des ML und der Big Data eingespeist. Es werden verschiedene Techniken (z. B. überwachtes Lernen, unüberwachtes Lernen und neurale Netzwerke) verwendet, um die Daten zu analysieren und wertvolle Erkenntnisse zu gewinnen.
Virtueller Netzwerkassistent:Kollaborative Filterung ist eine vielen Menschen bekannte ML- Technik, beispielsweise wenn sie bei Netflix einen Film auswählen oder bei Amazon etwas kaufen und dann Empfehlungen für ähnliche Filme und Artikel erhalten. Sie kann außerdem zur Sortierung großer Datensätze dienen, um diejenigen zu ermitteln und zueinander in Beziehung zu setzen, die sich als KI-Lösung für ein bestimmtes Problem eignen.

In KI für Netzwerke kann der virtuelle Netzwerkassistent in einer Wireless-Umgebung als virtueller Wireless-Experte und Helfer bei der Lösung komplexer Probleme dienen. Stellen Sie sich einen virtuellen Netzwerkassistenten vor, der durch die Kombination von qualitativ hochwertigen Daten, entsprechendem Fachwissen und Syntax (Metriken, Klassifizierung, Ursachen und Ranking) vorausschauende Empfehlungen zur Vermeidung von Problemen ausspricht und umsetzbare Einblicke in mögliche Methoden zur Behebung vorhandener Probleme gewährt. Er macht sich mit den Feinheiten des Wireless-Netzwerks vertraut und kann auf Fragen wie „Was ist schiefgegangen?“ oder „Warum ist das passiert?“ antworten. Das sind die Automatisierungsfortschritte, die KI mit sich bringt.

Praktische Vorteile

Es gibt einen großen Hype um KI. Das kann verwirrend sein und falsche Erwartungen wecken. Doch KI für Netzwerke ist ausgesprochen real und schafft bereits erheblichen Mehrwert für Unternehmen in fast allen Branchen. Es gibt viele Beispiele, wie KI-gestützte Netzwerke in Ihrer Umgebung nutzbringend zum Einsatz kommen können.

Erkennung von Zeitreihenanomalien:Viele Geräte in den heutigen Netzwerken wurden vor 20 Jahren erfunden und unterstützen die heutigen Systemverwaltungsbenachrichtigungen nicht. KI erkennt Zeitreihenanomalien durch eine Korrelation, mit der Netzwerktechniker schnell Beziehungen zwischen Ereignissen finden, die selbst erfahrenen Netzwerkexperten keineswegs ins Auge springen würden.
Ereigniskorrelation und Ursachenanalyse:KI durchforstet mit verschiedenen Data-Mining-Techniken viele Terabyte an Daten innerhalb von wenigen Minuten. Dadurch kann die IT-Abteilung schnell herausfinden, welcher Aspekt (z. B. Betriebssystem, Gerätetyp, Access Point oder Switch) des Netzwerks am ehesten mit einem Netzwerkproblem zusammenhängt, und dieses dementsprechend schneller lösen.
Vorhersage des Benutzererlebnisses:Die Aufteilung der Bandbreite erfolgt heutzutage in erster Linie durch Kapazitätsplanung und manuelle Anpassungen. Schon bald wird KI jedoch die Internetleistung eines Benutzers vorhersagen können, damit das System die Bandbreitenkapazität jeweils dynamisch an die zu bestimmten Zeiten verwendeten Anwendungen anpasst. Die manuelle Planung wird vorausschauenden Analysen auf Grundlage historischer Trends und aktueller Kalenderdaten weichen.
Autonomie:Mit KI können IT-Systeme autonome Korrekturen vornehmen, um die Ausfallzeiten möglichst gering zu halten und Maßnahmen zur Behebung aufgetretener Probleme zu verordnen. Darüber hinaus können KI-gestützte Netzwerke bereits vor einem Netzwerkereignis oder -ausfall Daten erfassen, die bei der Fehlerbehebung äußerst hilfreich sind.

Heutzutage kann KI durch die Konvergenz mehrerer unterschiedlicher Technologien die Netzwerkbranche mit Erkenntnissen und Automatisierung in ungekanntem Ausmaß auf den Kopf stellen. KI hilft bei der Senkung der IT-Kosten und unterstützt Unternehmen auf dem Weg zur bestmöglichen IT-Benutzerfreundlichkeit und zum optimalen Kundenerlebnis.

KI für Netzwerke – FAQs

Was sind Anwendungsbeispiele für KI im Netzwerk?

KI im Netzwerk kann unter anderem die Zahl der Trouble Tickets reduzieren und Probleme beheben, bevor diese von Kunden oder IT-Abteilungen überhaupt bemerkt werden. Ereigniskorrelation und Ursachenanalysen können verschiedene Data-Mining-Techniken nutzen, um die mit einem Problem verbundene Netzwerkentität rasch zu identifizieren oder das Netzwerk selbst vom Risiko zu entfernen. KI wird in Netzwerken auf der grünen Wiese auch für Onboarding, Bereitstellung und Fehlerbehebung in Campus-Fabrics eingesetzt. Dadurch wird der Betrieb von Tag 0 bis 2+ einfacher und weniger zeitraubend.

Wie verändert KI das Networking?

KI spielt eine immer wichtigere Rolle bei der Reduzierung von Komplexität in wachsenden IT-Netzwerken. KI ermöglicht eine schnelle Erkennung und Isolation von Problemen, da Anomalien mit historischen und Echtzeitdaten korreliert werden. So können IT-Teams höher skalieren und ihren Fokus auf strategischere und hochwertigere Aufgaben richten – weg von ressourcenintensivem Data-Mining, das zur Identifizierung und Behebung von winzigen, verborgenen Problemen erforderlich ist, die in Netzwerken immer wieder Ärger verursachen.

Welche Art von KI für Netzwerklösungen bietet Juniper an?

Der virtuelle Netzwerkassistent Marvis ist ein gutes Beispiel für die Verwendung von KI in Netzwerken. Marvis bietet Natural Language Processing (NLP), eine Konversationsschnittstelle, präskriptive Aktionen und Self-Driving Network™-Operationen zur Optimierung von Betriebsabläufen sowie Benutzererfahrungen – vom Client bis in die Cloud. Wired-, Wireless- und WAN-Assurance-Cloud-Services von Juniper Mist unterstützen in Campus-Umgebungen von Unternehmen automatisierte Betriebsabläufe und Service Level. ML-Algorithmen für maschinelles Lernen sorgen durch vereinfachtes Onboarding, Erkenntnisse und Kennzahlen zum Netzwerkstatus, Service Level Expectations (SLEs) für Wired, Wireless und WAN sowie KI-gestütztes Campus-Fabric-Management für eine bessere AIOps-Erfahrung.

Was ist KI für Networking und Sicherheit?

Angesichts der vielen Home-Office- und Pop-up-Netzwerkstandorte, die heute in Verwendung sind, ist ein bedrohungssensibles Netzwerk (Threat-aware) wichtiger denn je.Die Möglichkeit, kompromittierte Geräte schnell zu identifizieren und in Ordnung zu bringen, kompromittierte Geräte physisch zu lokalisieren und letztlich die Benutzererfahrung zu optimieren, sind nur einige Vorteile einer Nutzung von KI im Bereich Cybersicherheit. IT-Teams müssen ihre Netzwerke schützen, einschließlich Geräten, die sie zwar nicht direkt kontrollieren, denen sie aber Zugang gewähren müssen.Durch Erstellung von Risikoprofilen können IT-Teams ihre Infrastruktur schützen, indem sie für umfassende Netzwerkvisibilität und Richtliniendurchsetzung an jedem Verbindungspunkt im Netzwerk sorgen. Sicherheitstechnologien überwachen in einer Umgebung nicht nur kontinuierlich die Anwendungen und Benutzerverbindungen, sondern auch den Kontext des Verhaltens. So wird ermittelt, ob es sich um akzeptable oder potenziell anomale Nutzung handelt, und lassen sich bösartige Aktivitäten schnell identifizieren.