Los profesionales de TI se preocupan de que los datos de la red se envíen a las herramientas de IA

Por Shamus McGillicuddy

Red Mundial |

A medida que más organizaciones de TI aplican inteligencia artificial (IA), aprendizaje automático (ML) y la llamada tecnología AIOps a la gestión de redes, los datos de la red son fundamentales para el éxito. La tecnología AI/ML requiere cada vez más datos para aprender redes individuales, obtener información y ofrecer recomendaciones. Desafortunadamente, muchas organizaciones encuentran problemas cuando intentan alimentar datos de red a estas herramientas de IA.

En otras palabras, los equipos de red deben modernizar su enfoque de los datos de red antes de adoptar la tecnología de inteligencia artificial.

Enterprise Management Associates encuestó recientemente a 250 profesionales de TI sobre su experiencia con las soluciones de gestión de red impulsadas por IA/ML para un informe, "Redes impulsadas por IA: nivelación de la gestión de red". Descubrió que los problemas de datos son el desafío técnico número dos que enfrentan al aplicar AI/ML a la administración de redes. Solo la complejidad de la red es un problema técnico mayor.

También descubrió que el 90 % de las organizaciones se han encontrado con al menos un desafío serio con los datos de la red al intentar usar sus soluciones de IA/ML.

"AIOps necesita datos para impulsar sus flujos de trabajo", dijo recientemente un vicepresidente de TI de una empresa de servicios financieros de $ 9 mil millones. "Si no tiene datos, no tiene AIOps. Lo primero que debe hacer [con un proyecto de IA] es preparar sus datos. Mírelos, entiéndalos y vea dónde están las brechas".

Estas son las principales fuentes de problemas con los datos, según los profesionales de TI encuestados.

El problema número uno, que afectaba al 46 % de las organizaciones, era la calidad de los datos. Las organizaciones de TI descubren rápidamente que los datos basura producen información basura. Están luchando con errores, problemas de formato y datos no estándar. Esto puede ser especialmente un problema si una organización de TI está alimentando datos de múltiples herramientas en silos a una solución AIOps de terceros. La organización típica de TI utiliza entre cuatro y 15 herramientas para administrar y monitorear su red. Cada herramienta mantiene su propia base de datos con diferentes niveles de calidad. Cuando una solución AIOps intenta correlacionar conocimientos entre esos conjuntos de datos, surgirán problemas.

Casi el 39% le dijo a EMA que están luchando con el riesgo de seguridad asociado con el intercambio de datos de red con sistemas AI/ML. Muchos proveedores ofrecen soluciones de red impulsadas por IA como ofertas basadas en la nube. Los equipos de TI deben enviar sus datos de red a la nube para su análisis. Algunas industrias, como los servicios financieros, son reacias a enviar datos de red a la nube. Prefieren mantenerlo internamente con una herramienta local. Desafortunadamente, muchos proveedores de redes no admitirán una versión local de su lago de datos de IA porque necesitan escalabilidad en la nube para que funcione.

Algunos proveedores también combinan los datos anónimos de todos sus clientes para un análisis global de las redes. Esto les permite ver tendencias a través de geografías, industrias y otras variables. Pero algunos clientes no se sienten cómodos con este aspecto de las soluciones de IA/ML. Ni siquiera quieren que sus datos anónimos se vean involucrados de esta manera.

El tercer mayor desafío relacionado con los datos es la sobrecarga de la red. Más del 36 % de las organizaciones están preocupadas por el costo de red de trasladar grandes conjuntos de datos fuera de las instalaciones a un lago de datos basado en la nube. Esta transferencia de datos a veces puede consumir demasiado ancho de banda. Algunos proveedores mitigan este problema al procesar datos en el perímetro de la red con sondas locales, que luego envían los metadatos a la nube de IA para su análisis. Las organizaciones que están evaluando soluciones de red impulsadas por IA deben preguntar a los proveedores potenciales cómo abordan este problema.

Finalmente, el 32% de las organizaciones le dijeron a EMA que sus datos carecen de granularidad. No pueden recopilar datos a intervalos lo suficientemente cortos como para proporcionar a sus soluciones de IA información suficiente sobre su red. Este problema puede surgir de varias maneras. Algunos proveedores de SD-WAN limitan las velocidades a las que recopilan telemetría de red porque el tráfico de telemetría puede afectar el rendimiento de la red.

Algunas herramientas de monitoreo limitan los intervalos en los que sondean las redes con SNMP porque las tasas de sondeo más altas pueden desestabilizar la plataforma de monitoreo. Y algunos conmutadores y enrutadores de red están limitados en cuanto a la frecuencia con la que pueden generar registros de flujo debido a los impactos en el rendimiento. Más recientemente, algunos proveedores de redes han comenzado a usar conmutadores de silicio que están optimizados para generar datos más granulares que podrían ayudar a mitigar este problema, pero este hardware a menudo tiene un costo elevado.

Incluso si no tiene planes de adoptar soluciones AI/ML para la administración de redes, siempre es una buena idea revisar el estado de los datos de red en su organización. Los equipos de operaciones de red a menudo le dicen a EMA que su mayor desafío en general es la calidad de los datos, independientemente de si la IA está en el horizonte.

Por ejemplo, las organizaciones deben determinar si hay puntos ciegos en su red que pueden volverse evidentes cuando la IA comienza a observar las cosas. Deben revisar la calidad de los datos que sus herramientas recopilan y retienen. ¿Estos datos recopilados son propensos a errores? Los datos también deben cumplir con los estándares. Si las herramientas etiquetan datos con metadatos, ¿podrá un tercero analizarlos? La estandarización garantizará que sea legible por otros sistemas. Además, piense en los intervalos de recopilación de datos. Pueden pasar muchas cosas en los cinco o diez minutos entre los intervalos de sondeo de SNMP.

(Más información sobre cómo AI/ML puede optimizar las operaciones de red está disponible en el seminario web gratuito de EMA sobre su última investigación).

A continuación, lea esto: