La tecnología de red predictiva promete encontrar y solucionar problemas más rápido
Mediante la ayuda de la inteligencia artificial y el aprendizaje automático, la tecnología de red predictiva alerta a los administradores sobre posibles problemas en la infraestructura lo antes posible.
Con la ayuda de la inteligencia artificial (IA) y el aprendizaje automático (ML), la tecnología de red predictiva alerta a los administradores sobre posibles problemas en la infraestructura brindando, además, soluciones alternativas. Los algoritmos de IA y ML utilizados en la tecnología de red predictiva se han vuelto críticos, dice Bob Hersch, director de Deloitte Consulting y líder de EE.UU para Plataformas e Infraestructura. "La tecnología de red predictiva aprovecha las redes neuronales artificiales y utiliza modelos para analizar datos, aprender patrones y hacer predicciones". En este sentido, continúa, “la IA y el ML mejoran significativamente la observabilidad, la visibilidad de las aplicaciones y la capacidad de responder a la red y otros problemas".
Aunque la tecnología de redes predictivas ha logrado avances impresionantes en los últimos años, muchos desarrolladores y observadores confían en que lo mejor está por venir. "Las herramientas y los sistemas están disponibles ahora, pero como la mayoría de las evoluciones significativas en tecnología, existen riesgos para los primeros usuarios, ya que el desarrollo e incluso cómo evaluar la efectividad de un cambio están en vuelo", defiende David Lessin, director de Investigación tecnológica en la firma asesora ISG.
El análisis predictivo ya no sirve solo para predecir interrupciones de la red y manejar de manera proactiva los problemas de rendimiento de la aplicación y el ancho de banda, infiere Yaakov Shapiro, CTO del proveedor de software y servicios de telecomunicaciones Tangoe. "El análisis predictivo ahora se está aplicando a los problemas que rodean la red y ayuda a abordar las desventajas de SD-WAN, sobre todo el problema de la expansión descontrolada de proveedores y la necesidad de una gestión de servicios de operador más amplia y optimización de costes de telecomunicaciones". Estos, prosigue, “se han convertido en problemas más importantes en la era del intercambio de MPLS (servicios de uno y dos operadores) por servicios de banda ancha que comprenden potencialmente cientos de proveedores de servicios de Internet".
Avance de las redes predictivas
La evolución más reciente de la IA está relacionada con el desarrollo más importante en la tecnología de redes predictivas. "Las tecnologías de inteligencia artificial basadas en la nube pueden mejorar la calidad y la velocidad de la información que se entrega a los técnicos de red y, al mismo tiempo, brindarles una herramienta valiosa para investigar interrupciones y otros problemas", dice Patrick MeLampy, miembro de Juniper Networks. "La IA puede detectar anomalías más rápido que los humanos e incluso puede analizar la causa raíz de una anomalía, lo que ayuda a guiar a un técnico para que comprenda y repare el problema más rápido que antes".
La integración de herramientas de IA en la tecnología de red predictiva también tiene el potencial de ser un cambio de juego económico. "Con herramientas maduras de IA y ML a su disposición, los proveedores de servicios y las organizaciones pueden reducir los costos de detección y resolución de problemas", comenta MeLampy. Además de los beneficios económicos finales, la IA ayuda a simplificar la gestión, ya sea dentro de una empresa o en la cartera de un proveedor de servicios. "Se reduce el tiempo medio de reparación, lo que también mejora la satisfacción del usuario final".
Bryan Woodworth, estratega principal de Soluciones de la firma de tecnología de red multinube Aviatrix, considera que la tecnología de red predictiva avanzará rápidamente en los próximos años. Ya ayuda a resolver problemas de red de manera rápida y eficiente. "La IA puede correlacionar alertas y condiciones de error en muchos sistemas dispares, descubriendo patrones relacionados en minutos o incluso segundos, algo que a los humanos les llevaría horas o días". La tecnología de red predictiva también puede reducir drásticamente la cantidad de falsos positivos incluidos en los análisis de errores y registros, lo que genera alertas más inteligentes y útiles, dice Woodworth. "No puedes curarte de algo que no detectas". Por ejemplo, añade, “antes de cambiar la red para enrutar un problema, debe saber dónde está ese problema". Las redes de recuperación automática basadas en IA y ML brindan mejores recomendaciones sobre cómo recuperarse de errores y evitar interrupciones.
Funciona mejor en centros de datos
El análisis del comportamiento de la red examina los datos de la red, como puertos, protocolos, rendimiento y datos de geo-IP, para alertar cuando haya un cambio significativo en el comportamiento de la red que pueda indicar una amenaza. "En el futuro, estos datos pueden incorporarse a un modelo de IA que puede ayudar a confirmar si la amenaza es real y luego hacer sugerencias sobre cómo remediar el problema cambiando la red", dice Woodworth. "Este tipo de modelado predictivo funciona mejor dentro de las redes privadas, como el centro de datos, porque [ahí es donde] los humanos tienen control total sobre todos los componentes de la red y los datos que generan".
Para las redes públicas, incluidas las conectadas a Internet, la tarea se vuelve más desafiante. Los modelos de aprendizaje deben diseñarse para compensar los sistemas que no están bajo control directo o que proporcionan conjuntos de datos incompletos. Esto significa que los modelos de aprendizaje harán predicciones menos precisas y es posible que los humanos deban ajustarlos para compensar los datos faltantes, detalla la misma fuente.
Para ser completamente efectivos, los modelos avanzados de IA y ML deben ejecutarse a nivel de producción y escalar para la corrección de errores, relata Smith. "Los encargados de tomar decisiones deben confiar en los resultados del modelo y los patrocinadores de tecnología deben ejecutar las operaciones de manera eficiente". Mientras tanto, los avances continuos en la tecnología de la nube y las unidades de procesamiento de gráficos (GPU) están llevando el modelado a nuevos niveles. "Los marcos comerciales y de código abierto están ayudando a las organizaciones a implementar operaciones de ML rápidamente y a escala con menos riesgo asociado con el tiempo y la complejidad necesarios para configurar la nube y los sistemas de código abierto para IA", dice Maggie Smith, directora general de Inteligencia aplicada en consultoría de Accenture Federal Services.
En este sentido Smith defiende que varios de los principales proveedores de la nube ya han implementado características de gestión y optimización del modelo de IA. La tecnología se puede encontrar en herramientas como Amazon SageMaker, Google AI Platform y Azure Machine Learning Studio. "Los marcos de código abierto como TensorRT y Hugging Face vuelven a entrenar oportunidades adicionales para el monitoreo y la eficiencia del modelo".
Análisis de las cargas de trabajo
"Al comprender las cargas de trabajo (el tráfico de red que generan, los requisitos de latencia y quién consume datos, cómo y dónde), se pueden identificar los datos de alta fidelidad necesarios para la creación de redes predictivas para respaldar la adaptación automática de nubes privadas virtuales (VPC)", dice Curt Aubley, director gerente de Asesoría financiera y de riesgos, y líder de detección y respuesta cibernética de EE.UU en Deloitte. La microsegmentación, los balanceadores de carga y los moldeadores de tráfico ayudan a optimizar la entrega. "Los mismos datos de alta fidelidad utilizados para la IA centrada en la red también se pueden usar para complementar los lagos de datos consolidados de detección y respuesta extendida de los equipos de seguridad cibernética para el análisis de seguridad", dice Aubley. Los modelos de IA se usan para detectar anomalías, incógnitas desconocidas, y movimiento lateral."Usar los mismos datos de alta fidelidad de cargas de trabajo, redes y puntos finales en la nube para diferentes casos de uso puede ayudar a garantizar la confidencialidad, la integridad y la disponibilidad de las aplicaciones necesarias para la gestión de riesgos cibernéticos comerciales o gubernamentales".
Los enrutadores, las aplicaciones inalámbricas, los conmutadores y otros equipos generales de red no suelen recopilar datos específicos del usuario. Si bien las herramientas de monitoreo del rendimiento de las aplicaciones miden los datos del usuario, no pueden correlacionar los resultados con acciones de red proactivas. "Las redes deben ser conscientes de los usuarios y las aplicaciones para recopilar los tipos de datos necesarios para construir modelos procesables para el uso de IA y tecnologías predictivas", dice MeLampy. "Si una solución no mide la experiencia por usuario, no tendrá éxito".
Es el futuro
El campo emergente de la computación neuromórfica, basado en una arquitectura de chip diseñada para imitar la estructura del cerebro humano, promete proporcionar ML altamente efectivo en dispositivos periféricos. "La tecnología de red predictiva es tan poderosa debido a su capacidad para recibir señales y hacer predicciones precisas sobre fallas en los equipos para optimizar el mantenimiento", dice Gil Dror, CTO del proveedor de tecnología de monitoreo SmartSense. Así, comenta que la computación neuromórfica se volverá aún más poderosa cuando pase del análisis predictivo al prescriptivo, que recomienda lo que se debe hacer para garantizar resultados futuros. Y es que la arquitectura de chip de la computación neuromórfica está orientada a tomar decisiones inteligentes en los propios dispositivos de borde. “La combinación de estas dos tecnologías hará que el campo de la tecnología de redes predictivas sea mucho más poderoso".
Organizaciones como IBM, Intel y Qualcomm están desarrollando tecnologías informáticas neuromórficas. "Algunas empresas han lanzado chips informáticos neuromórficos con fines de investigación y desarrollo, como el chip TrueNorth de IBM y el chip Loihi de Intel", dice Dror. Estos chips aún no están disponibles para uso comercial en general, y es probable que pasen al menos varios años más de intensa investigación y desarrollo antes de que la computación neuromórfica se convierta en una tecnología convencional. "Una vez que sea viable, el impacto será masivo", predice.
