Os profissionais de TI se preocupam com a alimentação de dados de rede para ferramentas de IA

Por Shamus McGillicuddy

Rede Mundial |

À medida que mais organizações de TI aplicam inteligência artificial (IA), aprendizado de máquina (ML) e a chamada tecnologia AIOps ao gerenciamento de rede, os dados da rede são essenciais para o sucesso. A tecnologia AI/ML requer cada vez mais dados para aprender redes individuais, obter insights e oferecer recomendações. Infelizmente, muitas organizações encontram problemas ao tentar fornecer dados de rede para essas ferramentas de IA.

Em outras palavras, as equipes de rede precisam modernizar sua abordagem aos dados de rede antes de adotar a tecnologia de IA.

A Enterprise Management Associates entrevistou recentemente 250 profissionais de TI sobre sua experiência com soluções de gerenciamento de rede orientadas por IA/ML para um relatório, "Redes orientadas por IA: nivelando o gerenciamento de rede". Ele descobriu que os problemas de dados são o segundo desafio técnico que eles encontram ao aplicar IA/ML ao gerenciamento de rede. Apenas a complexidade da rede é um problema técnico maior.

Ele também descobriu que 90% das organizações encontraram pelo menos um desafio sério com dados de rede ao tentar usar suas soluções de IA/ML.

"AIOps precisa de dados para orientar seus fluxos de trabalho", disse recentemente um vice-presidente de TI de uma empresa de serviços financeiros de US$ 9 bilhões. "Se você não tem dados, não tem AIOps. A primeira coisa que você precisa fazer [com um projeto de IA] é preparar seus dados. Olhe para eles, entenda-os e veja onde estão as lacunas."

Aqui estão as principais fontes de problemas de dados, de acordo com os profissionais de TI pesquisados.

O problema número um, afetando 46% das organizações, era a qualidade dos dados. As organizações de TI descobrem rapidamente que dados inúteis produzem insights inúteis. Eles estão lutando com erros, problemas de formatação e dados fora do padrão. Isso pode ser um problema especialmente se uma organização de TI estiver alimentando dados de várias ferramentas isoladas em uma solução AIOps de terceiros. A organização de TI típica usa de quatro a 15 ferramentas para gerenciar e monitorar sua rede. Cada ferramenta mantém seu próprio banco de dados com níveis variados de qualidade. Quando uma solução AIOps tenta correlacionar insights entre esses conjuntos de dados, surgem problemas.

Quase 39% disseram à EMA que estão enfrentando o risco de segurança associado ao compartilhamento de dados de rede com sistemas AI/ML. Muitos fornecedores oferecem soluções de rede orientadas por IA como ofertas baseadas em nuvem. As equipes de TI devem enviar seus dados de rede para a nuvem para análise. Alguns setores, como serviços financeiros, são avessos ao envio de dados de rede para a nuvem. Eles preferem mantê-lo internamente com uma ferramenta local. Infelizmente, muitos fornecedores de rede não oferecem suporte a uma versão local de seu data lake de IA porque precisam de escalabilidade em nuvem para fazê-lo funcionar.

Alguns fornecedores também combinam os dados anônimos de todos os seus clientes para análise global de redes. Isso permite que eles vejam tendências em regiões geográficas, setores e outras variáveis. Mas alguns clientes estão inquietos com esse aspecto das soluções AI/ML. Eles não querem nem mesmo seus dados anônimos envolvidos dessa maneira.

O terceiro maior desafio relacionado a dados é a sobrecarga da rede. Mais de 36% das organizações estão preocupadas com o custo de rede de mover grandes conjuntos de dados fora do local para um data lake baseado em nuvem. Às vezes, essa transferência de dados pode consumir muita largura de banda. Alguns fornecedores atenuam esse problema processando dados na borda da rede com sondas locais, que encaminham os metadados para a nuvem de IA para análise. As organizações que estão avaliando soluções de rede orientadas por IA devem perguntar aos fornecedores em potencial como eles lidam com esse problema.

Finalmente, 32% das organizações disseram à EMA que seus dados carecem de granularidade. Eles são incapazes de coletar dados em intervalos curtos o suficiente para fornecer às suas soluções de IA informações suficientes sobre sua rede. Esta questão pode surgir de várias maneiras. Alguns fornecedores de SD-WAN limitam as taxas nas quais coletam telemetria de rede porque o tráfego de telemetria pode afetar o desempenho da rede.