Los desafíos del aprendizaje automático en la gestión de redes

Como parte de la tendencia hacia una mayor automatización e inteligencia en las redes empresariales, la Inteligencia Artificial (IA) y el aprendizaje automático (ML) son cada vez más demandados, porque la capacidad de identificar programáticamente los problemas de la red y proporcionar un diagnóstico instantáneo de problemas complejos es muy poderosa.

La aplicación de la Inteligencia Artificial y el aprendizaje automático a la gestión de redes pueden permitir la consolidación de la información procedente de múltiples plataformas de gestión para el análisis central. En lugar de que el personal de TI peine manualmente los informes de diversos dispositivos y aplicaciones, el aprendizaje de la máquina puede hacer diagnósticos rápidos y automatizados de los problemas.

El director senior y analista de Gartner, Josh Chessman, expuso el problema para el trabajador de TI que el aprendizaje automático está diseñado para resolver: "Tengo todas estas herramientas de monitoreo, y todas me dicen que algo está mal, pero no me dicen dónde está. La mayor fortaleza de este material hoy en día es que puede identificar 'tienes 26 eventos de siete herramientas diferentes, y todos ellos son sobre un problema de red".

Es difícil decir con qué rapidez las empresas están comprando sistemas de IA y ML, pero los analistas admiten que la adopción está en las primeras etapas.

Un punto de fricción es la confusión sobre lo que significan exactamente la IA y el ML. Aquellos que se imaginan que la IA es capaz de identificar sin esfuerzo los intentos de intrusión y de analizar y optimizar los flujos de tráfico, se sentirán decepcionados.

Asimismo, no hay una definición rígida entre los dos términos. En general, ambos describen el mismo concepto: algoritmos que pueden leer datos de múltiples fuentes y ajustar sus resultados en consecuencia. Según los expertos, la IA se aplica con mayor precisión a expresiones más sólidas de esa idea que a un sistema que puede identificar la fuente de un problema específico en una red informática empresarial.

"Probablemente estamos utilizando demasiado el término IA, porque algunas de estas cosas, como el mantenimiento predictivo, ya llevan un tiempo en el campo", dijo Jagjeet Gill, un director de la práctica de estrategia de Deloitte.

Otro punto de fricción para muchos sistemas de ML es la compatibilidad cruzada. Gran parte de lo que hay en el mercado actualmente toma la forma de un proveedor que añade una nueva característica a uno de sus productos existentes.

Hay sistemas de ML agnósticos para la administración de la red. Moogsoft y BigPanda son dos de los nombres más grandes en el campo, pero es más común encontrar características de ML que se combinan con productos de vendedores específicos. "Así que toma Netscout. Tiene algo de ML, y hace un buen trabajo, pero se centra en los [productos] de Netscout", dijo Chessman.

Independientemente de los obstáculos que la tecnología tiene que superar, el ML probablemente hará el trabajo de muchos profesionales de la tecnología de la información mucho más fácil, según Peter Suh, el jefe de la práctica de redes de Accenture en América del Norte. "Tener ese tipo de herramientas y soluciones va a ser bueno", dijo. "Te ayudará a caminar a través de lo que está pasando en la red en un momento dado".

Aunque también es un paso potencial en la dirección de la automatización completa de la red, también podría resultar en la pérdida de puestos de trabajo para el personal de TI, eso no es probable que suceda en el futuro inmediato, según Chessman, de Gartner. Lo que es más probable es que el ML ayude a liberar al personal de TI para que trabaje en actividades más generadoras de ingresos, en lugar de apagar incendios, dijo. "La automatización completa está todavía a años y años de distancia".