Paul Arends
AI-modellen zijn zo goed als de gegevens waarop ze zijn getraind. Omdat kunstmatige intelligentiemodellen echt nuttig zijn, vereisen precisie, granulariteit en verschillende gegevensbronnen, zoals de manier waarop de kwaliteit van een foto afhangt van de scherpte en de duidelijkheid, het detailniveau en de informatie die het verzendt.
- Nauwkeurigheid Dit is hoe trouw aan het leven een beeld is: als het vervaagt of vervormd is, zijn de details misleidend.
- Korreligheid Het is het niveau van detail dat is vastgelegd: Zorato, je krijgt een groot overzicht; Maar vergroot, zie de dunne plots en tinten.
- Diversiteit Het verwijst naar de samenstelling van een afbeelding: is er een behoorlijk onderscheidend karakter in de inhoud van de afbeelding zodat de kijker het verhaal begrijpt dat de afbeelding probeert te vertellen?
Om netwerkexploitanten te laten vertrouwen op kunstmatige intelligentiemodellen om hen te helpen de belangrijkste oorzaak van netwerkproblemen te bepalen en fouten te voorspellen voordat ze zich voordoen, zijn deze modellen afhankelijk van nauwkeurige, gedetailleerde en verschillende bronnen van gegevens over de prestaties van het netwerk. Als het goed wordt gedaan, kunnen de AI-modellen de intuïtie mogelijk maken die nodig is om naar echt autonome netwerken te gaan.
Versterkt de garantie van netwerk dat klaar is voor de IA
We verlaten de manier waarop de granulariteit, nauwkeurigheid en diversiteit van gegevens van toepassing zijn op de prestaties van het netwerk en op de manier waarop ze zich vertalen in het waarborgen van de kwaliteit van het netwerk dat voorspellend is, in plaats van reactief.
1. Gegevens granulariteit: zie de meest fijne details van het netwerkgedrag
Stel je voor dat je een netwerk bewaakt met een kunstmatige intelligentiemodel die is getraind op gegevensmonsters die zijn genomen bij het ritme van slechts één seconde per minuut. Tijdens de resterende 59 seconden van die minuut kunnen de latentiepieken, korte onderbrekingen of congestie-explosies volledig worden gemist.
Zonder toegang tot gedetailleerde gegevens, kunnen kunstmatige intelligentiemodellen mogelijk geen kritieke gebeurtenissen detecteren en geen nuttige context missen. Dit leidt tot het onvermogen om de radicale oorzaak te analyseren en produceert onjuiste voorspellingen van de AI-modellen.
Aan de andere kant kan een netwerk van netwerk dat is getraind op zeer gedetailleerde gegevens tot het milliseconde-niveau netwerkgedrag identificeren dat de ervaring van de klant beïnvloedt. Met dit gedetailleerde gedetailleerde niveau kunnen de AI genuanceerde veranderingen interpreteren, zoals de eerste tekenen van netwerkcongestie of verlies van pakketten. Met fijne korrelgegevens bij de vorming van het AI-model voor netwerkprestaties kunnen het model kleine maar significante schema’s detecteren die helpen anticiperen op, identificeren en oplossen van problemen voordat ze intensiveren.
2. Gegevensnauwkeurigheid: garanderen betrouwbare en betrouwbare monitoring
Hoewel de granulariteit en het volume van de gegevens fundamenteel zijn voor modellen met hoge prestaties, is dit de nauwkeurigheid van dergelijke gegevens. Wanneer u naar een hoog-performance netwerk kijkt, of het nu een fronthaul 5G-verbinding is, een hoog-frequentie financieel handelsnetwerk of een productie-IoT-netwerk, tellen de microseconden. Lage precisiegegevens kunnen vervormingen of fouten in kunstmatige intelligentiemodellen introduceren, wat leidt tot onjuiste voorspellingen en risicovolle conclusies over de belangrijkste oorzaak van netwerkproblemen.
Een verkeerde voorspelling of een defecte conclusie kan onevenwichtige inactiviteitstijden met zich meebrengen. Een fabrikant van Europese auto’s meldt dat het niet-gerelateerde centrum ongeveer 2,3 miljoen dollar per uur kostte.
Zeer nauwkeurige gegevens helpen ervoor te zorgen dat het model tot de tijd de tijdelijke relatie omvat tussen de problemen die zich in het netwerk voordoen. Hoge precisiegegevens verbeteren de betrouwbaarheid van het monitoren van de AI-modelprestaties en het versterken van de garantie van het netwerk.
3. Gegevensdiversiteit: leren van een breed scala aan netwerkscenario’s
Als het gaat om AI-training, hebben verschillende gegevenssets over het algemeen nauwkeuriger uitgangen. De complexiteit van het netwerk betekent dat de pakketten anders worden behandeld: pakketgrootte, tag VLAN, DSCP-borden, hashing via ECMP enzovoort, ze kunnen op verschillende manieren invloed hebben op de prestaties.
Verschillende bronnen van gegevens garanderen dat de metingen worden uitgevoerd op een breed scala van mogelijke factoren die de prestaties van het netwerk kunnen beïnvloeden, zodat kunstmatige intelligentiemodellen rekening houden met elke belangrijke factor.
Met een diversiteit aan gegevensbronnen kunnen AI-modellen ook een vollediger beeld krijgen van alle soorten verkeer op het netwerk, wat leidt tot output die meer vertrouwen hebben in de belangrijkste oorzaak van de problemen in het netwerk.
Overstappen op volledig autonome netwerken
De granulariteit van de gegevens, de nauwkeurigheid en diversiteit helpen ervoor te zorgen dat kunstmatige intelligentiemodellen de basis hebben om complexe, ongelijksoortige en onvoorspelbare situaties te interpreteren die kunnen ontstaan in de uitvoering van het netwerk. Betrouwbare gegevens voor de prestaties van het netwerk en voorspellende informatie die nauwkeurig is van de modellen naar de analyse van de belangrijkste oorzaak en de voorspellende intuïties waarmee organisaties van reactieve netwerken naar de voorspellende naar volledig autonome netwerken kunnen gaan.
Autonome netwerken spelen een fundamentele rol in de uitbreiding van netwerken zonder ook de bedrijfskosten aanzienlijk te stijgen. Met betrouwbare modellen die autonome netwerken begeleiden, kunnen organisaties verborgen prestatieproblemen voorkomen die vertragingen van toepassingen veroorzaken en de productiviteit beïnvloeden, terwijl ongewenste inactiviteitstijden worden geëlimineerd die de winst beïnvloeden.
Deel:
