IA explicable
Comprenda la lógica detrás de Mist AI de Juniper
La IA explicable es la capacidad de los humanos de comprender las decisiones, predicciones o acciones realizadas por una IA. Esta explicabilidad es clave a la hora de generar la confianza necesaria para la adopción generalizada de IA y AIOps, de modo que se puedan aprovechar sus beneficios.
Descubra cómo Mist AI de Juniper resuelve los desafíos comunes de las redes con el siguiente conjunto de ejemplos de IA explicable.
Encontrar cables defectuosos
Un cable defectuoso es un excelente ejemplo de un problema de red difícil de detectar: requiere mucho tiempo y es difícil identificar manualmente un cable defectuoso.
Algoritmo de árbol de decisión
Con el uso de un algoritmo de árbol de decisión, los datos de cables, como los errores de trama y el tráfico unidireccional, se analizan para determinar si un cable, ya sea de cobre u óptico, presenta una calidad deficiente que probablemente afecte la experiencia del usuario final.
RRM (gestión de recursos de radio) automática
A pesar de la planificación inicial, el rendimiento de Wi-Fi cambia con el tiempo debido a cambios en las características de la RF (radiofrecuencia) de un sitio. El ajuste manual de los recursos de radio puede ser engorroso y difícil.
Aprendizaje de refuerzo
El algoritmo de aprendizaje por refuerzo optimiza de manera inteligente y dinámica la radiofrecuencia en tiempo real para obtener la mejor cobertura, capacidad y conectividad Wi-Fi posibles. Este enfoque, que se puede personalizar por sitio, supera con creces la dependencia de la configuración manual o los algoritmos fijos tradicionales.
Métricas de las previsiones de nivel de servicio (SLE)
Puede ser un desafío obtener información procesable detallada sobre el estado y el comportamiento de una red, así como la manera en que afecta las experiencias del usuario final, por no mencionar el desafío de identificar condiciones anómalas como problemas de conexión del cliente después de, por ejemplo, una actualización OTA del software de Android.
Información mutua
Las SLE son una herramienta clave y representan cómo sus usuarios experimentan el servicio de red, ya sea que estén conectados de forma inalámbrica, por cable o incluso fuera del sitio a través de la WAN. El algoritmo de información mutua ayuda a determinar qué funciones de red tienen el mayor impacto en el fracaso o el éxito de sus SLE.
Interfaz conversacional de Marvis
Con la proliferación de usuarios, dispositivos, aplicaciones y la nube, todo junto con la creciente complejidad de conectar y asegurar los sitios, se está volviendo imposible operar redes a través de enfoques tradicionales. Las operaciones manuales que requieren iniciar sesión en la CLI (interfaz de línea de comandos) de un dispositivo individual o buscar en los archivos de registro no pueden ir a la par. La clave para escalar es cambiar a AIOps y aprovechar un asistente de red virtual (VNA). Por lo tanto, un VNA debe traducir el lenguaje humano a las operaciones de la red.
Procesamiento del lenguaje natural (NLP)
El NLP permite a Marvis interpretar el lenguaje. Simplemente pregúntele a Marvis sobre el estado de la red, los usuarios insatisfechos o la solución de problemas de un sitio, y recibirá información procesable.
