説明可能なAI

ユーザー、デバイス、アプリケーション、クラウドの増加に加え、ネットワークの複雑さが急増する中、従来のアプローチを使用してネットワークを運用することは不可能になりつあります。ジュニパーが、自然言語処理（NLP）を使用して、ネットワークの問題を数日ではなく数分で解決する方法をご覧ください。

ケーブルの故障は、発見が極めて困難で時間がかかる典型的なネットワーク問題の例です。ジュニパーが、どのように決定木アルゴリズムを使用して、フレームエラーや一方向トラフィックなどのケーブルデータを分析し、エンドユーザーエクスペリエンスに影響を与えうる低品質の兆候があるかどうかを判断しているかをご覧ください。

どれだけ事前に計画しても、現場のRF（無線周波）特性が変化すれば、Wi-Fiのパフォーマンスも時間とともに変化することになります。ジュニパーは、強化学習を使用して、最大限のWi-Fiカバレッジ、容量、接続性を可能にするために、RFをインテリジェントかつ動的に最適化します。

ネットワークの状態と動作について、実用的な深い洞察を得ることは難しい場合があります。ジュニパーは、相互情報アルゴリズムを使用して、SLE（Service Level Expectation）メトリックの失敗または成功に与える影響が最も大きいネットワーク機能を決定します。

ネットワーク遅延、帯域幅管理、および接続の問題のトラブルシューティングは、ZoomやMicrosoft Teamsなどのアプリケーションで一般的なものです。ネットワーク管理に使用されるAIモデルに対する明確で解釈可能なインサイトを提供するSHAPが、アプリケーションエクスペリエンスを向上させるIT運用チームの取り組みにどのように役立つのかをご覧ください。

ネットワークエンジニア、アーキテクト、NetOpsの担当者は、日常的な活動を完了するために、ドキュメントを参照する必要が生じる場合があります。Marvisが、LLMとRAG（retrieval augmented generation）を使用して、ネットワーク技術者が必要とする実用的な情報を迅速に抽出する方法をご覧ください。

ジュニパーの大規模エクスペリエンスモデル（LEM）が数十億のデータポイントを活用して、ZoomやTeamsなどのアプリケーションにおけるパフォーマンスの問題をほぼ即座に予測する方法をご覧ください。

ジュニパーの仮想ネットワークアシスタントであるMarvisが、RAGなどの技術を活用して、どのようにして外部ソースからの新しい情報を組み込み、正確性と関連性を確保しているのかについて説明します。 

Juniper Mistが、さまざまなAIと機械学習技術を使用して、ネットワークパフォーマンスを最適化し、ユーザーエクスペリエンスを向上させる様子をご覧ください。