KI-natives Networking läutet die Netzwerkzukunft ein

Artificial Intelligence (AI) ist der größte Technologiesprung seit dem Siegeszug des Internets. Der Einfluss auf Industrie und Wirtschaft, Handel und Dienstleistungen kann gar nicht hoch genug eingeschätzt werden.

Unternehmen nutzen die Automatisierungspotenziale von AI nicht nur für die Prozess-, Zeit- und Kostenoptimierung, sie verbessern auch die Nutzererfahrungen.

Das Ziel von KI-nativem Networking ist klar definiert: Durch den Einsatz von Artificial Intelligence auf alle Ebenen der Netzwerkumgebung sollen Störungen, Ausfälle und Trouble Tickets der Vergangenheit angehören. Dabei müssen grundsätzlich zwei unterschiedliche Aspekte oder Use Cases unterschieden werden: „AI for Networking“ und „Networking for AI“. Bei „AI for Networking“ wird Artificial Intelligence dafür genutzt, das Netzwerk und die Netzwerkerfahrungen für alle Nutzer und Beteiligten zu optimieren. Es wird für den IT-Betrieb (AIOps) eingesetzt, um Muster zu identifizieren, das Netzwerkverhalten vorherzusagen, Anomalien zu erkennen, proaktive Vorschläge zu machen oder selbst Korrekturen vorzunehmen, um die Benutzererfahrung zu optimieren. So wird sichergestellt, dass jede Verbindung innerhalb einer Netzwerkumgebung für jedes Gerät, jeden Benutzer, jede Anwendung und jedes vom Endbenutzer verwendete Asset zuverlässig, messbar und sicher ist. Im zweiten Fall unterstützen Datacenter-Networks das AI-Training und AI-Workloads. Diese Umgebungen erfordern Agilität, eine extrem schnelle und zuverlässige GPU-Verbindung sowie einen geringen Stromverbrauch. Ein solches Netzwerk kann für den Erfolg von KI-Initiativen entscheidend sein.

AI for Networking automatisiert den Netzwerkbetrieb

Wenn wir uns auf AIOps konzentrieren geht es in erster Linie darum, Konfigurationsfehler zu minimieren, Workflows zu automatisieren und das Netzwerk stabiler, produktiver und skalierbarer zu gestalten. Die Bereitstellung und Skalierung neuer Netzwerke ist sehr komplex. Daher verwundert es nicht, dass Konfigurationsprobleme häufig auf menschliche Fehler zurückzuführen sind. KI kann hier auf ganz unterschiedlichen Ebenen helfen. So ermöglicht es eine KI-native Netzwerkplattform, Probleme proaktiv selbstständig zu erkennen und zu beheben, bevor händisches Eingreifen notwendig wird. Diese Entlastung von Störfall-Aktivitäten kann beispielsweise dafür genutzt werden, dass sich die IT-Teams anderen Aufgaben wie der Entwicklung und Bereitstellung von digitalen Diensten widmen können. Automatisierung spielt auch eine wichtige Rolle bei der Netzwerkskalierung. Wenn höheres Verkehrsaufkommen, geringeres Budget und knappe Ressourcen zusammenkommen, müssen mehr operative Aufgaben automatisiert werden. Genau hier setzt KI-natives Networking an. Es ermöglicht den Betreibern, die gewonnen Erkenntnisse zu implementieren, ohne dass menschliches Eingreifen erforderlich ist. So können qualitativ hochwertige Verbindungen für jeden Benutzer bereitgestellt werden, auch wenn die Arbeitsbelastung steigt. Die Benutzer können darauf vertrauen, dass die Konnektivität unabhängig von Umfang und Komplexität nahtlos und sicher funktioniert. KI-natives Networking minimiert Netzwerkrisiken so bis zur Geräte- und Applikationsebene.

AIOps brauchen für exzellente Nutzerfahrungen einen hohen Automatisierungsgrad, (Quelle: Juniper)

Virtual Network Assistants verbessern die Nutzererfahrungen

Die vielleicht plakativste Anwendung von AI im Netzwerkumfeld sind die sogenannten Virtual Network Assistants (VNA). Sie sind dafür konzipiert, IT-Experten wie Netzwerkadministratoren, Site Reliability Engineers (SREs) oder Spezialisten in Netzwerkbetriebszentren (NOCs) zu unterstützen. Komplexe Netzwerkprobleme können dabei durch einfache Sprachabfragen über eine Dialogschnittstelle gelöst werden. Möglich wird das durch die Fähigkeit zur Verarbeitung natürlicher Sprache (NLP) und das Verstehen natürlicher Sprache (NLU) durch generative KI (GenAI). VNAs verbessern die Fähigkeit des Netzes, automatisch Lösungen zu generieren, potenzielle Probleme vorherzusagen und die Leistung des Netzes automatisch zu konfigurieren und zu optimieren. Sie tragen damit dazu bei, den Automatisierungsgrad, die Skalierbarkeit und die Benutzerfreundlichkeit zu erhöhen, die Arbeitslasten zu verringern und nicht zuletzt Antworten in Echtzeit liefern zu können.

Mittlerweile sind bereits VNAs verfügbar, die kontinuierlich aus den von Anwendungen und Geräten bereitgestellten Daten lernen, ihre Effizienz erhöhen und ihr Wissensspektrum verbreitern. Dadurch können Herausforderungen schneller und exakter gelöst werden. Das maximiert die Erfahrungen von Benutzern und Betreibern und senkt gleichzeitig die IT-Kosten. Schlüsselfunktion eines VNAs ist die Fähigkeit, die Fehlerbehebung zu automatisieren. Netzwerkprobleme werden dadurch schneller identifiziert und diagnostiziert, sowie die Arbeitsbelastung im Zusammenhang mit der Lösung von Netzwerkproblemen verringert. Ein weiterer wichtiger Aspekt ist das proaktive Netzwerkmanagement. Dabei wird die Netzwerkumgebung laufend überwacht, um potenzielle Störungen, die von Fehlkonfigurationen bis hin zu Sicherheitsschwachstellen reichen können, präventiv zu entschärfen.

KI-natives Networking eröffnet neue Optionen

Mit KI-natives Networking wird es möglich, Netzwerkprobleme vorausschauend zu identifizieren, noch bevor sie sich negativ auf die Benutzererfahrung auswirken können. Besonders wertvoll ist dies beispielsweise bei kritischen Infrastrukturen (KRITIS) wie Gesundheitswesen, Logistik oder Energieversorgung. Gleichzeitig wird das Netzwerk-Management mit einer KI-nativen Netzwerklösung aktiv statt reaktiv. Mit ihren Fähigkeiten, Netzwerkausfälle abzumildern, die Fehlerbehebung zu beschleunigen und die Downtime von Anwendungen erheblich zu mindern eröffnen sie eine neue Evolutionsstufe digitaler Konnektivität. Durch den Einsatz von KI bieten sie ein noch nie dagewesenes Maß an Automatisierung, Intelligenz und Zuverlässigkeit.