KI als Herzstück des Netzwerks

Unternehmen sehen eine steigende Anzahl mobiler und IoT-Geräte sowie einen Ansturm auf neue Apps in ihrem drahtlosen Netzwerk. Es ist daher an der Zeit für Innovationen, die der IT dabei helfen, die Skalierbarkeit zu erhöhen und diese neuen Anforderungen zu erfüllen. Glücklicherweise entwickeln sich KI und moderne Cloud-Plattformen mit Mikroservices weiter, um diese Anforderungen zu erfüllen.

Eine wachsende Anzahl von Unternehmen erkennen außerdem, dass künstliche Intelligenz (KI) eine wichtige Komponente ist und ein lernendes WLAN ermöglicht. 

Dank KI lässt sich die Effizienz erhöhen und Kosteneinsparungen dank Automatisierung erzielen. Gleichzeitig erhalten Unternehmen detaillierte Einblicke in die User Experience oder Service Level Enforcement (SLE). Es kann auch neue Location-based Services ermöglichen, die Unternehmen und Nutzern einen enormen Mehrwert liefern.

Im Kern des lernenden WAN ist die KI-Engine, die Automatisierungs- und Analysefunktionen bietet. Dazu gehören Wi-Fi-Assurance, Natural Language Processing (NLP)-basierte virtuelle Netzwerk-Assistenten, Asset-Lokalisierung, User Engagement und Standortanalysen.

Es gibt vier wichtige Komponenten für den Aufbau einer KI-Engine für ein WLAN: Daten, Strukturieren & Klassifizieren, Data Science und Erkenntnisse. Hier sind einige Details zu allen vier Elementen.

Daten

Die KI-Engine ist nur so gut wie die Daten, die es aus Netzwerk, Anwendungen, Geräten sowie von den Anwendern erhält. Um eine gute KI-Plattform aufzubauen, benötigt die Engine also Daten – und zwar eine Menge. 

Damit dies Realität wird, sind spezielle Access Points notwendig, die die Prä- und Post-Verbindungszustände jedes drahtlosen Geräts erfassen. Sie müssen außerdem sowohl synchrone als auch asynchrone Daten sammeln. Synchrone Daten sind die typischen Daten anderer Systeme, zum Beispiel der Netzwerkstatus. Asynchrone Daten sind ebenfalls kritisch, da sie dem Benutzer Informationen über den Benutzerstatus liefern. Sie sind notwendig, um User Service Levels zu erstellen und Anomalien am Rand zu erkennen. Diese Informationen oder Metadaten werden an die Cloud gesendet, wo die KI-Engine sie strukturiert und klassifiziert. 

KI-Primitives

Als nächstes strukturiert die KI-Engine die von den Netzwerk-Elementen empfangenen Metadaten mit einer Reihe von KI-Primitives. Dafür muss sie von Entwicklern mit wireless Netzwerk-Domänen-Wissen programmiert werden. Nur so lassen sich die strukturierten Metadaten für die Analyse durch die Data Science Toolbox klassifizieren – und letztlich Einblicke in das Netzwerk liefern. 

Eine Reihe unterschiedlicher KI-Primitives, die als Metriken oder Klassifikatoren strukturiert sind, tracken die End-to-End-Nutzererfahrung für wichtige Bereiche wie Verbindungszeit, Durchsatz, Abdeckung, Kapazität und Roaming. Die Nachverfolgung, wann diese Elemente erfolgreich sind, fehlschlagen oder starten, in welche Richtung sie tendieren und aus welchem Grund, gibt der KI-Engine die notwendige Transparenz, um Service Levels festzulegen. Sie kann diese darüber hinaus entsprechend kontrollieren und durchsetzen. 

Datenwissenschaften

Sobald die Daten gesammelt, gemessen und klassifiziert wurden, kann die Data Science starten. Hier wird es dann interessant. Der Grund dafür: Es gibt eine Reihe unterschiedlicher Techniken, die sich verwenden lassen. Dazu gehören überwachtes und unbeaufsichtigtes Machine Learning, Data Mining, Deep Learning sowie die gegenseitige Information. Sie werden angewendet, um Funktionen wie Baselining, Anomalie-Erkennung, Ereignis-Korrelation und Vorhersage-Empfehlungen durchzuführen.

Beispiele

So werden beispielsweise Zeitreihendaten als Baseline festgelegt und zur Erkennung von Anomalien verwendet. Kombiniert mit einer Ereignis-Korrelation bestimmen sie schnell die Ursache für wireless, kabelgebundene und Geräteprobleme. Durch die Kombination dieser Techniken sind Netzwerkadministratoren in der Lage, die MTTR (Mean Time to Repair)-Probleme zu reduzieren. Sie sparen somit Zeit und senken die Kosten. Gleichzeitig steigt die Zufriedenheit der Nutzer.

Ein gegenseitiger Informationsaustausch wird auch auf Wi-Fi-Service-Level angewendet, um den Erfolg des Netzwerks vorherzusagen. Genauer gesagt: Unstrukturierte Daten werden von der wireless Edge genommen und in domänenspezifische Kennzahlen wie Verbindungszeit, Durchsatz und Roaming umgewandelt. Diese werden auf die SLE-Metriken angewendet. So lässt sich feststellen, welche Netzwerkfunktionen am ehesten zu Erfolg oder Misserfolg führen – und wie umfangreich die Auswirkungen sind.

Darüber hinaus lässt sich unbeaufsichtigtes Machine Learning für eine hochgenaue Lokalisierung im Innenbereich einsetzen. Für Standortlösungen auf der Basis von Empfangssignalstärke-Indikatoren (Received Signal Strength Indicator, RSSI) wird ein Modell benötigt, das RSSI auf Entfernung abbildet. Diese wird oft auch als RF-Pfadverlustmodell bezeichnet. Typischerweise wird dieses Modell durch die manuelle Daten-Erfassung erlernt, dem sogenannten Fingerprinting. Dank KI ist es jedoch möglich, den Wegverlust durch Machine Learning in Echtzeit zu berechnen. Hierbei werden RSSI-Daten von direktionalen BLE-Antennen verwendet. Das Ergebnis ist eine hochpräzise Position, die keine manuelle Kalibrierung oder umfangreiche Standortbestimmungen erfordert.

KI-gesteuerte virtuelle Assistenten

Die letzte der vier Komponenten der KI-Engine ist ein virtueller Assistent, der dem IT-Administrator Einblicke liefert und diese in das Netzwerk selbst einspeist. So lässt sich die Problemlösung automatisieren. Das Ergebnis ist letztlich ein „selbstheilendes Netzwerk“. 

Ein natürlicher Sprachprozessor ist enorm wichtig, um den Prozess für Administratoren zu vereinfachen, Erkenntnisse aus der KI-Engine zu extrahieren – und zwar ohne die Dashboards oder Befehle des Common Language Interpreters (CLI) durchsuchen zu müssen. Dies ist bei Legacy-Systemen ohne KI der Fall. Dies kann die Produktivität der IT-Teams steigern und gewährleistet gleichzeitig eine bessere Benutzerfreundlichkeit für Mitarbeiter und Kunden.

Drahtlose Netzwerke sind geschäftskritischer denn je, ein Troubleshooting wird jedoch aufgrund der zunehmenden Anzahl unterschiedlicher Geräte, Betriebssysteme und Anwendungen jeden Tag schwieriger und komplexer. KI-Engines sind daher mittlerweile ein Muss für Unternehmen, da sie mit der steigenden Anzahl neuer Geräte, Dinge und Anwendungen in der heutigen vernetzten Welt Schritt halten können.