Paul Arends
Het oplossen van netwerkproblemen is een uitdagende taak. De versnipperde tools, institutionele kennis en toenemende complexiteit maken het een tijdrovende en riskante onderneming. Maar wat als we het hele proces kunnen heroverwegen met behulp van AI-agenten die redeneren, verifiëren en samenwerken als een team van deskundige ingenieurs?
Dit bericht markeert het begin van een driedelige serie over diepgaande netwerkprobleemoplossing, een innovatieve aanpak die kunstmatige intelligentie en diepgaande zoekprincipes toepast op netwerkdiagnostiek. In dit eerste deel introduceren we het concept en de architectuur. Vervolgens zullen we kijken naar hoe we de betrouwbaarheid kunnen waarborgen en hallucinaties kunnen minimaliseren. Het laatste artikel in de serie zal zich richten op transparantie en waarneembaarheid, die essentieel zijn voor het opbouwen van vertrouwen in door AI aangedreven operaties.
Laten we beginnen met het grote idee: wat gebeurt er als diepgaand onderzoek en diepgaande probleemoplossing samenkomen?
De AI van Agentic verandert nu al de manier waarop werk wordt gedaan in verschillende sectoren, en automatisering en netwerkactiviteiten vormen hierop geen uitzondering. Van alle gebieden waar het kan helpen, vallen probleemoplossing en diagnostiek op: ze zijn van hoge waarde, tijdgevoelig en notoir gefragmenteerd over tools, teams en institutionele kennis.
In dit bericht wil ik graag Deep Network Probleemoplossing introduceren, een AI-oplossing geïnspireerd door de deep search-agents die gepopulariseerd zijn door OpenAI, Anthropic en anderen en speciaal gebouwd voor netwerkdiagnostiek van meerdere leveranciers. Het combineert de autonomie van grote taalmodellen (LLM) met kennisgrafiek-redenering, domeinspecifieke tools en foutbeperkingstechnieken om de analyse van de hoofdoorzaken (RCA) te versnellen terwijl de mens de controle behoudt.
De afgelopen maanden hebben verschillende toonaangevende AI-laboratoria en -faciliteiten deep search-agentoplossingen geïntroduceerd. Hoewel er geen eenduidige definitie bestaat van wat diepgaand onderzoek is, kunnen we het definiëren als een gedisciplineerde, uit meerdere stappen bestaande aanpak voor het oplossen van complexe vragen: het plannen van het onderzoek, het doen van breed onderzoek, het controleren van de feiten en het verfijnen totdat het bewijsmateriaal op één lijn ligt. Zie het als een team van AI-agenten die samenwerken en informatie verzamelen, valideren en synthetiseren om snelle en betrouwbare antwoorden te bieden.
Als je de diepgaande zoekmogelijkheden van platforms als OpenAI nog niet hebt onderzocht, zijn ze de moeite van het bekijken waard. Deze mogelijkheden laten zien dat meerdere agenten samenwerken, hun begrip herhalen en verfijnen totdat ze tot een goed ondersteund antwoord komen.
Het is een krachtige aanpak voor het oplossen van complexe problemen. En als je het in actie ziet, rijst de vraag: waarom zouden we niet dezelfde methodologie toepassen bij het oplossen van netwerkproblemen?
Het oplossen van problemen is in wezen een gestructureerde onderzoekstaak:
1. Het begint met de symptomen (waarschuwingen, SLO-overtredingen, gebruikerstickets).
2. Hypotheses formuleren en bewijs verzamelen (telemetrie, logs, configuraties, topologie).
3. Herhaal: testen → weerleggen → verfijnen, totdat je tot een grondoorzaak en een veilige oplossing komt.
Deze cyclus past perfect bij multi-agentsystemen die snel en herhaaldelijk plannen, verzamelen, valideren en samenvatten, zonder moe of afgeleid te worden.
Op LLM gebaseerde agenten lokken een behoorlijke hoeveelheid scepticisme uit: hallucinaties, oppervlakkig redeneren, lage betrouwbaarheid. De sleutel is om ze te beperken en te vergroten:
– Gereedschapsgericht ontwerp: agenten ‘raden’ nooit de status van het apparaat; ze halen het op via geauthenticeerde tools (CLI/NETCONF/REST, NMS/API, zoeken in logs, pakketopnamen).
– Aarden in een kennisgrafiek: Netwerkentiteiten en -relaties (apparaten, interfaces, virtuele routering en doorsturing, Border Gateway Protocol-sessies, diensten) bieden context en beperkingen, waardoor redeneringen leidend zijn en afleidingsmanoeuvres worden verminderd.
– Verificatiecycli: Agenten vergelijken claims met telemetrie en regels; verdachte conclusies moeten worden bekrachtigd door onafhankelijke signalen.
– Deterministische vangrails: Beleid, draaiboeken en beveiligingscontroles minimaliseren het risico van het aanbrengen van wijzigingen, tenzij een mens het goedkeurt.
– Geheugen en herkomst: Elke stap wordt vastgelegd met bewijs en oorsprong, zodat ingenieurs een conclusie kunnen verifiëren, reproduceren of betwisten.
Wanneer je filosofische debatten opzij zet en de technologie implementeert met een doordachte aanpak, zijn de resultaten overtuigend.
Agenten voor diepgaand onderzoek blinken uit door meerdere specialisten te orkestreren die:
1. Plan een onderzoekslijn
2. Verzamel en synthetiseer bewijsmateriaal
3. Herhaal dit totdat de veiligheid is bereikt
Door diepgaande probleemoplossing voor netwerken wordt dit model aangepast aan netwerken.
Om ervoor te zorgen dat alles soepel en snel verloopt, kunnen moderne netwerken vertrouwen op een mix van intelligente AI-agents, die elk een specifiek deel van het oplossen van problemen afhandelen. Dit zijn enkele van de belangrijkste factoren die deze nieuwe aanpak aandrijven:
– Uitgebreide probleemoplossingsagent: Interpreteer het probleem en identificeer de hypothese.
– Hypothesetesters: Evalueer de geldigheid van de hypothese.
– Queryagenten: Denk na over een verzoek en ontwikkel een plan hoe hiermee om te gaan. Deel dit op in kleinere stappen die vervolgens zelfstandig worden uitgevoerd.
– RCA-synthesizer: Verzamel een duidelijke hoofdoorzaak met bewijs, bijwerkingen en veiligheid.
– Rapporteur voor advies over de terugvordering: Stelt veilige acties en herstelplannen voor; wegen naar goedkeuring.
Elke agent is gebaseerd op LLM, gebaseerd op de kennisgrafiek en werkt met ingebouwde beveiligings- en betrouwbaarheidsmechanismen.
Laten we eens nader kijken naar de belangrijkste elementen die diepgaande netwerkprobleemoplossing slim en veilig maken. Ze variëren van kennisgrafieken en LLM’s tot de tools, waarborgen en menselijk toezicht die alles op de grond houden.
– Kennisgrafiek: Een voortdurend bijgewerkte KG modelleert apparaten, koppelingen, protocollen, services, beleid en hun tijdelijke veranderingen. Biedt:
– Redeneren over het pad en de explosieradius (wie wordt getroffen en waarom)
– Politieke beperkingen (wat betekent ‘goed’)
– Ondubbelzinnig maken van entiteiten (bijvoorbeeld eth1/1 versus Gi0/1) en normalisatie van meerdere leveranciers.
– Geweldige taalmodellen: LLM Ik ben het brein van A tussenpersoon en bepalen de agent’S vermogen om te redeneren, plannen, en communiceren met de kennisgrafiek en hulpmiddelen, voor bereiken DE doelen.
– Domeintools en adapters: Het oplossen van diepgaande netwerkproblemen is afhankelijk van een breed scala aan tools en domeinadapters, zoals connectoren voor CLI, NETCONF, RESTCONF, streaming-telemetrie, SNMP, syslog, NMS/ITSM, CMDB, pakketmakelaars en cloud-API’s, om ervoor te zorgen dat agenten alleen handelen op basis van feiten die ze rechtstreeks kunnen verifiëren vanuit vertrouwde bronnen.
– Technieken voor het beperken van fouten: Er worden meerdere technieken parallel gebruikt om de kans op fouten te minimaliseren. (Blijf ons volgen voor meer informatie detailS hierover In DE volgende aflevering hiervan serie.)
– Menselijke veiligheid in het circuit: De agenten zijn Rsterven; de voorgestelde wijzigingen zijn gestructureerd als reparatieconcepten met verschillen, impactanalyse en terugdraaiing.
Dit is ontwrichtend, transformatief en misschien zelfs beangstigend. Maar het vergroot de netwerkbeheerteams veel verder dan wat welke andere technologie dan ook mogelijk heeft gemaakt.
Netwerken zijn heterogeen, multi-vendor, dynamisch, en of we het nu leuk vinden of niet, een aanzienlijk deel van de gegevens die nodig zijn om problemen op te lossen is ongestructureerd. In een opstelling als deze kunnen AI-agenten echt een stap verder gaan en netwerkingenieurs helpen meer te doen: sneller, slimmer en met minder handmatig werk.
Als er iets kapot gaat, zou je willen dat je tien ingenieurs had om de oorzaak op te sporen. En zeker, misschien wel, als je deel uitmaakt van een grote organisatie. Maar met AI-agenten heb je geen tien mensen nodig; je kunt tien of zelfs honderd agenten creëren, die allemaal parallel werken onder leiding van één enkele ingenieur. Dat is het mooie van software: het stelt ons in staat opnieuw na te denken over de manier waarop we problemen benaderen, bijvoorbeeld door tientallen hypothesen tegelijk te evalueren om vast te stellen waar het probleem werkelijk begon. De gevolgen hiervan zijn tastbaar:
– Snelste MTTR: Agenten comprimeren de zoekruimte en automatiseren de zoekopdracht.
– Betere signaal-ruisverhouding: De resultaten zijn verankerd in verifieerbaar bewijsmateriaal en een grafische context.
– Hendel van de ingenieur: Focus mensen op nieuwe zaken met een hoog oordeel; routinetaken delegeren.
– Consistentie over de hele vloot: Gebruik altijd hetzelfde methodische onderzoek voor alle leveranciers.
Het oplossen van diepgaande netwerkproblemen is een voorbeeld van onze investering in veilige, praktische AI voor echte netwerken. Het is ontworpen voor omgevingen met meerdere leveranciers en gebouwd om te voldoen aan netwerkteams, waar ze zich ook bevinden: bestaande tools, geconsolideerde wijzigingscontrole en duidelijke auditbehoeften. Het vertegenwoordigt een toonaangevende innovatie op het gebied van netwerkdiagnostiek en, voor zover wij weten, de eerste agentoplossing in de sector met deze breedte van toepasbaarheid in contexten van meerdere leveranciers, en zal verschijnen als onderdeel van onze Automatisering tussen netwerken oplossing.
Als u onderzoekt hoe u op een veilige en geloofwaardige manier meer diagnostiek aan software kunt delegeren, komen we graag met u in contact. Dankzij diepgaande probleemoplossing voor netwerken kunnen teams sneller werken, vermoeidheid verminderen en elk incident een beetje minder…ongelukken maken. Wilt u meer weten? Laten we verbinding maken, plezier hebben met het verkennen van deze technologie en samen geweldige dingen laten gebeuren. Sluit je alsjeblieft bij ons aan. Neem deel aan het gesprek bij de Gemeenschap.
BRON
