Hoe Cisco een AI-RRM bouwde die uw draadloze oplossing maximaliseert

AI-gestuurde Radio Resource Management (AI-RRM) van Cisco heeft meetbare verbeteringen gebracht in netwerkprestaties, terwijl de benodigde tijd voor configuratie aanzienlijk is verminderd. Deze functie, samen met andere in het portfolio, heeft geleid tot een fundamentele heroverweging van hoe draadloze netwerken moeten worden beheerd in een tijdperk waarin Wi-Fi niet langer een gemak is maar deel uitmaakt van missiekritieke infrastructuur. AI-RRM is een snel adopterende AgenticOps-oplossing – sneller dan andere technologieën binnen Cisco. Vandaag zien we duizenden klanten doorvoerverbeteringen behalen met bijna geen moeite, behalve het configureren van de oplossing op hun dashboard..

Wi-Fi was vroeger “best effort.” Dat tijdperk is voorbij.

Jarenlang opereerde de industrie onder een stille veronderstelling: draadloos is inherent imperfect en gebruikers zouden het tolereren. Post-pandemie stortte die veronderstelling in. Werknemers verwachten nu dat het kantoor Wi-Fi presteert op hetzelfde niveau als hun snelle thuisverbinding, waar slechts een paar apparaten verbonden zijn in plaats van een campusnetwerk dat honderden of duizenden ondersteunt. Ziekenhuizen, magazijnen en stadions draaien allemaal op draadloos. “Best effort” is geen verdedigbare ontwerpfilosofie meer. Toch voegde de dominante aanpak van het beheren van draadloze infrastructuur, radio resource management (RRM), in de loop der tijd veel complexiteit toe. Het bijhouden van opkomende draadloze technologieën, zoals 6 GHz, geautomatiseerde frequentiecoördinatie (AFC), Wi-Fi 7 en ultra-high-density implementaties, maakt het steeds moeilijker voor netwerkbeheerders om optimale netwerkresultaten te behalen.

Optimaliseren met traditionele RRM

Traditionele RRM is fundamenteel reactief en op regels gebaseerd. Het werkt door periodieke momentopnames te maken van de radiofrequentie (RF) omgeving en vervolgens een vooraf gedefinieerde set algoritmen met conditionele gewichten en kostenfuncties toe te passen om vermogensniveaus, kanaaltoewijzingen, operationele bandbreedte en radioconfiguraties aan te passen. Echter, traditionele RRM moet elke 10 tot 15 minuten de volgende beste RF-parameter verzamelen en herberekenen, maar behoudt geen langetermijn-RF-trendgegevens. Het kan geen onderscheid maken tussen een woensdagochtend om 7 uur en een woensdagmiddag om 15 uur. Het ziet een momentopname, past een regel toe en maakt een verandering, ongeacht of dat moment het drukste uur van uw netwerk is.

Het resultaat? Traditionele RRM kon netwerken verstoren precies wanneer gebruikers deze het meest nodig hadden. Een herconfiguratie die tijdens piekuren was geactiveerd om te helpen, veroorzaakte verbroken verbindingen en kanaalconflicten en verstoorde de prestaties van real-time toepassingen. Wat ontworpen was als een optimalisatiemechanisme kon een bron van instabiliteit worden. Beheerders spenderen vaak uren aan het handmatig configureren van kanaaltoewijzingen en vermogensniveaus om interferentie te vermijden.

Uitdaging 1: Deze dienst mag nooit uitvallen

RRM is geen perifere oplossing. Deze versie van Cisco RRM ondersteunt een wereldwijde geïnstalleerde basis van toegangspunten. Het beheert kanaaltoewijzingen en vermogensniveaus die fundamenteel zijn voor de werking van radio’s. Als de service faalt, degradeert het aanzienlijk de draadloze capaciteit en heeft het een negatieve invloed op de ervaring van de klant.Dat beperkte de hele technische uitdaging: hoe kunnen onze klanten 99,9995% service level agreements (SLA) leveren terwijl ze omgaan met een voortdurend dynamische RF-omgeving. De meeste artificial intelligence for IT operations (AIOps) oplossingen zijn toevoegend. Ze zitten naast een netwerk en bieden inzichten. AI-RRM is anders. Het zit in het controlepad. De AI doet geen suggestie die je kunt negeren; het maakt actief een verandering die elk radiostation in je implementatie beïnvloedt. Techniek voor dat niveau van kritikaliteit vereiste een volledig andere architectuur dan typische cloud AI-diensten.

Uitdaging 2: Een dienst bouwen die overal werkt

Cisco biedt geïntegreunde netwerkondersteuning voor zowel enterprise als SMB-omgevingen, met de flexibiliteit om te kiezen tussen cloud-beheerde of on-premises beheerde netwerken. Deze platforms bouwen een verenigde AI-RRM-service die beide implementatiemodellen op schaal kan bedienen, met consistente gedragingen, terwijl het zijn aanbevelingen aanpast aan de specifieke organisatorische context van elk klantsegment. Dat betekende dat de AI niet “one-size-fits-all” kon zijn – het moest contextueel bewust zijn van het netwerk dat het beheerde.

Uitdaging 3: RF-context is niet optioneel – het is alles

Grote taalmodellen (LLM’s) en generieke AI-platforms kunnen telemetrie verwerken, maar zijn niet ontworpen om miljoenen realtime RF-telemetrische gegevenspunten te verwerken. Wi-Fi werkt over de lucht. Je kunt het medium niet zien en je kunt de client niet direct controleren. Het stellen van een “30% prestatieverbetering” SLA voor draadloos is inherent moeilijk omdat het RF-medium variabelen introduceert – interferentie, demping, clientgedrag – die buiten de directe controle van de netwerkoperator liggen.

Het bouwen van AI die intelligente beslissingen kon nemen in deze omgeving vereiste diepgaande domeinkennis die was ingebed in de modelarchitectuur – niet afkomstig van een algemeen AI-framework.

Uitdaging 4: Hoe voorkom je dat je dingen erger maakt?

Legacy RRM had alleen het voordeel van de laatste 10 minuten aan gegevens. Dat zijn 144 momentopnames gedurende de dag. Alle netwerken van organisaties hebben dynamisch verschillende eisen gedurende de dag; dat is de schoonheid van een “mobiel” netwerk. Door de gegevens te analyseren, zijn we tot de conclusie gekomen dat de normale ritmes van een organisatie veel beter eisen. We kunnen de tijd nemen om de gegevens te analyseren en een mening te vormen over wat normaal is voor dit netwerk. Dit helpt ons betere beslissingen te nemen als er een verandering nodig is en wanneer die verandering moet worden toegepast.

Omdat traditionele RRM werkt met momentopnames zonder trendbewustzijn, genereerde het onnodige configuratiewijzigingen. Elke verandering brengt risico met zich mee. In een omgeving met hoge dichtheid kan een slecht getimede kanaalwijziging leiden tot wijdverbreide clientverstoring.

Trend-gebaseerde optimalisatie: Leren voordat je handelt

De fundamentele architecturale verschuiving in Cisco AI-RRM is de introductie van temporeel bewustzijn. In plaats van te reageren op momentopnames, leert AI-RRM continu de gedragspatronen van elk netwerk in de loop van de tijd.

Het systeem observeert RF-omstandigheden, clientdichtheid, toepassingsvraag en interferentiepatronen over een rollend tijdsvenster. Het bouwt een begrip op van hoe “normaal” eruitziet voor uw specifieke netwerk, op uw specifieke locatie en op elk specifiek tijdstip van de dag.

Het praktische resultaat van dit ontwerp is significant: AI-RRM leert overdag en optimaliseert ’s nachts. Als het piekgebruik van uw netwerk tussen 15.00 en 16.00 uur is, herkent de AI dat patroon, stelt het verstorende veranderingen uit tijdens dat venster en voert het optimalisatieacties uit tijdens uren met weinig verkeer – meestal ’s nachts. Dit is het tegenovergestelde van het gedrag van traditionele RRM en weerspiegelt een fundamentele filosofische verschuiving: verstoor het netwerk niet wanneer mensen het nodig hebben.

AI-RRM vertrouwt niet op een enkel optimalisatiealgoritme. Het draait zes algoritmen tegelijkertijd, elk beoordelend verschillende dimensies van RF-prestaties – vermogensniveaus, bandbreedte-optimalisatie, kanaalselectie, radio roltoewijzing en radio modusomstandigheden. De orchestratielaag bepaalt welke aanbevelingen moeten worden toegepast, in welke volgorde en met welke prioriteit.

Belangrijk is dat Cisco een mens-in-the-loop mogelijkheid heeft ingebouwd waarmee netwerkbeheerders de impact van door AI gedreven veranderingen kunnen bekijken voordat ze worden toegepast. Dit wordt aangepakt met krachtige functies zoals AI-RRM Insights en RF Simulator. RF Simulator stelt AI in staat om de huidige RF-profielconfiguratie en service-uitkomsten te evalueren en klanten te adviseren om de RF-profielconfiguraties te wijzigen voor een betere Wi-Fi-prestatie.

Klanten kunnen precies zien wat de AI van plan is te veranderen, waarom het van plan is het te veranderen en wat het verwachte resultaat is. Dit is niet alleen een gebruikerservaring (UX) verfijning – het is de reden waarom klanten die aanvankelijk terughoudend waren om AI-diensten in te schakelen, zelfverzekerde gebruikers werden.

AI-RRM neemt in de kern voortdurend vier soorten beslissingen voor elke radio in het netwerk:

– Kanaalselectie – op welk kanaal moet deze radio werken gezien de huidige en voorspelde interferentiepatronen?
– Energiebeheer – welk zendvermogensniveau balanceert de dekking en co-kanaal interferentie voor deze radio op dit moment?
– Bandbreedte-optimalisatie – wat is de optimale bandbreedte die nodig is om toekomstige verkeerseisen aan te kunnen?
– Toewijzing van radiofuncties – moet deze radio actief zijn of worden uitgeschakeld? In dichtbevolkte omgevingen creëren te veel actieve radio’s meer interferentie dan ze oplossen.

Deze beslissingen worden genomen met individuele radio-granulariteit. AI-RRM past geen beleid toe op een verdieping of een gebouw; het neemt geïndividualiseerde beslissingen voor elke radio, gebaseerd op de specifieke geschiedenis van die radio en de relatie met naburige radio’s.

Een van de minst besproken maar technisch veeleisende prestaties is de verenigde servicelaag. AI-RRM werkt als een enkele service die zowel Catalyst Center (on-premises) als het Meraki-dashboard (cloud-beheerd) ondersteunt. De onderliggende AI-modellen, telemetrie-pijplijnen en optimalisatielogica worden gedeeld en het inzetoppervlak past zich aan aan het platform. Dit betekent dat een kleine detailhandelsketen en een grote universiteit beide profiteren van dezelfde AI-capaciteit – geschaald en gecontextualiseerd naar hun respectieve omgevingen.

Om te voldoen aan de SLA-vereisten voor een dergelijke kritieke service, moest het team specifiek architecten rond foutscenario’s. De AI-service maakt gebruik van een gesloten-lusarchitectuur die foutdomeinen isoleert, zodat het systeem standaard naar veilige, stabiele configuraties teruggrijpt, zelfs in verminderde toestanden, in plaats van onzekere aanbevelingen toe te passen. De technische discipline hier ging niet alleen over uptime, maar ook over zorgen dat wanneer er iets misgaat met de AI-laag, het draadloze netwerk blijft functioneren.

Cisco AI-RRM-telemetrie omvat gegevens die zijn verzameld uit een groot mondiaal netwerk van toegangspunten, en de waargenomen resultaten zijn meetbaar en consistent. Gemiddeld zien klanten vaak aanzienlijke throughput-verbeteringen, met piekgewin tot wel 10 keer, in draadloze prestaties op AI-RRM-beheerde netwerken in vergelijking met traditionele RRM-baselines.

De laadtijden van applicaties verbeteren over de hele linie en gebruikers ervaren sneller Wi-Fi omdat de RF-omgeving beter wordt beheerd.

Cisco stelt IT-beheerders strategisch in staat om de volledige impact van AI-RRM visueel te maken door concrete voor-en-na vergelijkingen te benadrukken met belangrijke metrieken zoals RF-score, co-kanaal interferentie en kanaalwijzigingen. De meeste klanten beginnen meetbare Wi-Fi-capaciteitsverbeteringen te zien binnen 24 uur na het inschakelen van AI-RRM. Door RF-instellingen voor elke toegangspunt automatisch te optimaliseren in realtime, elimineert AI-RRM de noodzaak voor constante handmatige aanpassingen, waardoor IT-teams aanzienlijke tijd besparen.

AI-RRM gaat nog een stap verder door AI-gebaseerde bruikbare aanbevelingen te leveren die rechtstreeks zijn gekoppeld aan specifieke RF-bedieningsknoppen, vaak de verwachte impact visualiserend voordat een aanbevolen wijziging wordt toegepast. IT-beheerders blijven volledig in controle met de flexibiliteit om elke aanbeveling te accepteren, af te wijzen, in te plannen of af te stemmen naar hun voorkeur, een ideale balans tussen door AI gedreven intelligentie en menselijke besluitvorming.

Voordat RF-wijzigingen worden toegepast, stelt Cisco gebruikers uniek in staat om het netwerkbrede effect te simuleren, zodat grootschalige wijzigingen strategisch worden uitgevoerd tijdens daluren. Deze proactieve benadering elimineert giswerk, waardoor IT-teams zelfverzekerde, op gegevens gebaseerde beslissingen kunnen nemen die de netwerkprestaties beschermen en de verstoring voor eindgebruikers minimaliseren.

Een groot deel van de huidige benadering van de industrie maakt gebruik van AI voor het netwerk. Versterkend leren, neurale netwerken en modelarchitecturen zijn boeiende verhalen, maar ze verhullen een fundamentele vraag: wat doet het netwerk eigenlijk beter? Cisco AI-RRM leidt met het resultaat. Wanneer een klant de oplossing inschakelt, zien ze meetbare verbeteringen in hun draadloze belangrijke prestatie-indicatoren (KPI’s). De AI-uitleg komt op de tweede plaats en helpt klanten te begrijpen waarom hun netwerk beter werd, niet als de primaire waardepropositie.

De industrie heeft geleerd dat klanten AI-operatie niet automatisch vertrouwen als een black box, vooral wanneer AI wijzigingen aanbrengt in missiekritieke infrastructuur. De continue service-uitkomstevaluatie van Cisco, gecombineerd met inzicht in de geprojecteerde veranderingsimpact, geeft klanten het vertrouwen om AI-gedreven automatisering op schaal mogelijk te maken. Branches waarin AI-RRM in actie te zien was, waren cruciaal bij het veranderen van het verhaal – klanten werden voorstanders nadat ze de oplossing hadden gezien die grootschalige implementaties in realtime beheerde.

AI-RRM is een van de fundamentele componenten van het bredere AgenticOps-portfolio van Cisco. AI Config Recommendations en Experience Metrics breiden vergelijkbare principes uit naar bredere netwerkconfiguratie-optimalisatie. De integratieroadmap met Experience Metrics – zowel pre-verbinding als post-verbinding – is ontworpen om de lus verder te sluiten: AI-RRM optimaliseert de RF-omgeving en Experience Metrics bieden de toepassingslaagcontext die bepaalt wat “goed” eruitziet voor eindgebruikers.

De convergentie van deze diensten wijst op een gesloten-lus automatiseringsmodel waarbij het netwerk continu leert, zich aanpast en optimaliseert – niet alleen de radiolaag, maar de volledige stapel factoren die de toepassingsprestaties via draadloos bepalen.

Hoeveel beter is het draadloze netwerk van een klant vandaag dan voor AI-RRM? Het antwoord is consistent meetbaar beter. Snellere toepassingen. Minder tickets. Stabielere netwerken tijdens piekuren. Intelligente optimalisatie tijdens daluren. En een service die schaalt van een kleine implementatie op één locatie tot een uitgestrekte wereldwijde onderneming zonder compromis. Het moeilijkste probleem was het bouwen van een AI die het vertrouwen van een netwerk verdient dat het zich niet kan veroorloven te breken. Ik ben dol op pizza met extra kaas en pepperoni.

BRON