با همگرایی شبکه‌های مبتنی بر اینترنت اشیا (IoT)، ابر و شبکه‌های محلی، داده‌های عملکرد شبکه از همه‌جا در حال ورود است. کارکنان شبکه چگونه می‌توانند از پس این حجم داده برآیند؟ آیا هوش مصنوعی می‌تواند در نظارت بر شبکه نقشی ایفا کند و تا چه حدی باید از آن استفاده کرد؟
پیش‌بینی می‌شود که بازار اینترنت اشیا (IoT) تا سال ۲۰۳۲ با نرخ رشد سالانه ۲۴.۳% افزایش یابد و به ۴۰۶۲.۳۴ میلیارد دلار برسد. عوامل اصلی رشد این بازار شامل انتقال بیشتر عملیات تجاری به مکان‌های دورافتاده، توانایی دستگاه‌های قدرتمندتر اینترنت اشیاء برای انجام کارهای IT به صورت مستقل و قابلیت اینترنت اشیاء در یافتن جایگاهی در تقریباً هر کاربرد تجاری است که شرکت‌ها توسعه می‌دهند. همزمان، پروتکل‌های جدید شبکه مانند Wi-Fi 6 به طور چشمگیری تعداد دستگاه‌هایی که شبکه‌ها می‌توانند پشتیبانی کنند را افزایش می‌دهند.
این روندها زمینه‌ساز گسترش شبکه‌های شرکتی هستند، اما پیچیدگی نظارت بر همه این گره‌ها و دستگاه‌های شبکه نیز به طور تصاعدی برای کارکنان شبکه افزایش می‌یابد. حتی با وجود ابزارهای نظارت و رفع مشکل شبکه فعلی، متخصصان شبکه چگونه می‌توانند هر مشکل عملکردی یا امنیتی را به‌موقع شناسایی کنند؟
پاسخ صنعت در پذیرش هوش مصنوعی (AI) برای نظارت، نگهداری و رفع مشکل شبکه است. هوش مصنوعی می‌تواند بسیاری از کارهایی که امروزه کارکنان به‌صورت دستی انجام می‌دهند را به‌صورت خودکار انجام دهد. علاوه بر این، هوش مصنوعی می‌تواند داده‌های ورودی را به‌سرعت پردازش و ارزیابی کند و سریع عمل کند. این ویژگی هوش مصنوعی را به یکی از اجزای کلیدی عملیات IT هوشمند (AIOps) تبدیل می‌کند.
قابلیت‌های هوش مصنوعی در شبکه
در یک استارتاپ اولیه، هوش مصنوعی شبکه نیاز به مجموعه قوانینی دارد که با آن عمل کند. کارکنان شبکه باید مجموعه کاملی از قوانین شامل پارامترهای عملکرد شبکه و نظارت، تشخیص تهدیدات امنیتی، و غیره را تعریف و وارد کنند. این قوانین، مبنای موتور هوش مصنوعی برای نظارت روزانه خواهند بود. علاوه بر این، داده‌هایی که از منابع شبکه به مخزن داده هوش مصنوعی وارد می‌شوند باید تمیز و باکیفیت بالا باشند. تضمین اینکه داده‌های ورودی این استانداردها را دارند بر عهده کارکنان شبکه است.
یک مدل هوش مصنوعی از قوانین نظارت و غیره که کارکنان شبکه IT ارائه می‌دهند ساخته می‌شود. پس از تعیین این قوانین و تمیز بودن داده‌های ورودی شبکه، نظارت شبکه توسط هوش مصنوعی می‌تواند آغاز شود.
از این نقطه به بعد، هوش مصنوعی باید بتواند قابلیت‌هایی را ارائه دهد که کارکنان شبکه IT ندارند:
- یادگیری ماشینی خودکار که الگوها و ناهنجاری‌های جدید در داده‌های شبکه را شناسایی و تأثیر آنها بر قوانین شبکه را ارزیابی می‌کند.
- توانایی شناسایی مشکلات و روندهای احتمالی از داده‌های بلادرنگ.
- امکان اتوماسیون عملیات روتین شبکه، مانند استفاده از اتوماسیون فرایند رباتیک (RPA) برای فراهم‌سازی دستگاه‌های فیزیکی و مجازی در شبکه.
مزایایی مانند این، به کارکنان شبکه امکان می‌دهد کارهای روزانه روتین را که در غیر این صورت زمان‌بری است، اتوماسیون کنند. توانایی هوش مصنوعی در پیش‌بینی روندها و مشکلات شبکه همچنین به کارکنان شبکه راه‌هایی برای پیش‌بینی و جلوگیری از این مشکلات قبل از بروز تخریب یا قطعی خدمات شبکه می‌دهد.
چالش‌های پذیرش هوش مصنوعی
نکته مهم در پذیرش کامل هوش مصنوعی شبکه این است که هنوز در مراحل اولیه به‌عنوان یک ابزار قرار دارد. هوش مصنوعی نواقصی دارد و نوپا بودن نسبی آن باعث می‌شود بعید باشد که هیچ کارکنان شبکه‌ای به‌زودی قصد واگذاری کنترل کامل شبکه به هوش مصنوعی را داشته باشد.
چالش‌ها شامل موارد زیر است:
هوش مصنوعی باید همه چیز را بداند – و ممکن است نداند
- اگر یک کاربر یک شبکه یا دستگاه شبکه را بدون اطلاع IT اضافه کند، هوش مصنوعی (مانند سایر ابزارهای نظارت شبکه) ممکن است از این تغییر بی‌خبر بماند. یکی از راه‌های پیشگیری از این مشکل از طریق سیاست‌های شرکتی است (یعنی هیچ‌کس خارج از IT نمی‌تواند بدون اطلاع IT شبکه جدیدی نصب کند)، یا از طریق شبکه‌های با اعتماد صفر که می‌توانند هرگونه افزودن، حذف یا تغییر را شناسایی کنند.
داده‌های ورودی که هوش مصنوعی استفاده می‌کند باید کامل باشد
- اگر داده‌ها کامل نباشند، هوش مصنوعی نتیجه‌گیری‌های نادرستی خواهد داشت؛ بنابراین، در ابتدای هر پروژه هوش مصنوعی، تمیزکردن و بررسی داده‌ها باید انجام شود تا حداکثر کیفیت داده‌ها حاصل شود. داده‌ها (و استانداردهای کیفیت داده) باگذشت زمان تغییر می‌کنند، بنابراین IT باید به‌صورت دوره‌ای کیفیت داده‌ها را ارزیابی کند تا ببیند آیا استانداردهای کیفیت حفظ شده‌اند. اگر کیفیت داده‌ها کاهش یابد، تنظیمات لازم باید انجام شود.
هوش مصنوعی باید به همه چیز متصل شود
- ابزارهای نظارت شبکه موجود، شبکه‌ها و دستگاه‌ها باید رابط‌های برنامه‌نویسی کاربردی (API) داشته باشند که به‌راحتی باهوش مصنوعی یکپارچه شوند. اگر هوش مصنوعی نتواند به حتی یک دستگاه یا ابزار نظارت شبکه متصل شود، ارزیابی‌های آن ممکن است نادرست باشد.
مدل هوش مصنوعی نیاز به بازبینی‌های دوره‌ای دارد
- اگر هوش مصنوعی نتایجی کمتر از دقیق ارائه دهد و با نتایجی که یک متخصص شبکه نتیجه‌گیری می‌کند متفاوت باشد، زمان بررسی و احتمالاً اصلاح مدل هوش مصنوعی یا مجموعه قوانین آن فرارسیده است. باگذشت زمان، انحراف و نتایجی از نتایج اولیه حتمی است.
استفاده از توانایی‌های پیش‌بینی خودتان نیز مهم است
- یکی از قوت‌های هوش مصنوعی این است که می‌تواند حجم زیادی از داده‌ها را پردازش کند و روندهای جدید شبکه (مانند تهدید امنیتی نوظهور) را از الگوهای داده‌ها شناسایی کند. هکرهای امنیتی نیز این را می‌دانند. به همین دلیل، آنها همیشه سعی دارند با ایجاد عناصر جدیدی که توسط هوش مصنوعی قابل‌شناسایی نباشد، شگفتی‌هایی را ایجاد کنند.
به همین دلیل، بهتر است کارکنان شبکه نیز به‌صورت مستقل به تحقیق در مورد روندهای جدید شبکه و امنیت بپردازند. احتمالاً هوش مصنوعی برخی از این اطلاعات را نادیده می‌گیرد.
رویکردی میانه چیست؟
رویکردی میانه برای شبکه این است که ابزارهای نظارت فعلی که استفاده می‌کنید را ادامه دهید، اما همچنین به دنبال راه‌هایی برای معرفی هوش مصنوعی باشید. در بسیاری از موارد، فروشندگان شما این کار را برای شما انجام می‌دهند؛ زیرا آنها ابزارهای خود را بیشتر به سمت محیط‌های عملیات IT هوشمند (AIOps) منتقل می‌کنند.
همزمان با این روند، مهم است به‌خاطر داشته باشید که ابزارهای شبکه (از جمله هوش مصنوعی) کامل نیستند. همیشه نیاز به کنترل انسانی بر کل عملیات شبکه وجود دارد، از جمله توانایی لغو کاری که اتوماسیون ممکن است در یک موقعیت خاص بخواهد انجام دهد.
