Les professionnels de l'informatique s'inquiètent du fait que les données du réseau soient transmises aux outils d'IA

Par Shamus McGillicuddy

Réseau mondial |

Alors que de plus en plus d'organisations informatiques appliquent l'intelligence artificielle (IA), l'apprentissage automatique (ML) et la technologie dite AIOps à la gestion du réseau, les données du réseau sont essentielles au succès. La technologie AI/ML nécessite de plus en plus de données pour apprendre les réseaux individuels, en tirer des informations et proposer des recommandations. Malheureusement, de nombreuses organisations rencontrent des problèmes lorsqu'elles tentent d'alimenter ces outils d'IA en données réseau.

En d'autres termes, les équipes réseau doivent moderniser leur approche des données réseau avant d'adopter la technologie de l'IA.

Enterprise Management Associates a récemment interrogé 250 professionnels de l'informatique sur leur expérience avec les solutions de gestion de réseau basées sur l'IA/ML pour un rapport, "AI-Driven Networks : Leveling up Network Management". Il a constaté que les problèmes de données sont le deuxième défi technique auquel ils sont confrontés lors de l'application de l'IA/ML à la gestion du réseau. Seule la complexité du réseau est un problème technique plus important.

Il a également constaté que 90 % des organisations ont rencontré au moins un problème sérieux avec les données réseau lorsqu'elles ont essayé d'utiliser leurs solutions d'IA/ML.

"AIOps a besoin de données pour piloter ses flux de travail", a récemment déclaré un vice-président informatique d'une société de services financiers de 9 milliards de dollars. "Si vous n'avez pas de données, vous n'avez pas d'AIOps. La première chose que vous devez faire [avec un projet d'IA] est de préparer vos données. Regardez-les, comprenez-les et voyez où se trouvent les lacunes."

Voici les principales sources de problèmes de données, selon les professionnels de l'informatique interrogés.

Le problème numéro un, touchant 46 % des organisations, était la qualité des données. Les organisations informatiques découvrent rapidement que les données de déchets produisent des informations sur les déchets. Ils sont aux prises avec des erreurs, des problèmes de formatage et des données non standard. Cela peut particulièrement être un problème si une organisation informatique alimente les données de plusieurs outils en silos dans une solution AIOps tierce. L'organisation informatique typique utilise entre quatre et 15 outils pour gérer et surveiller son réseau. Chaque outil maintient sa propre base de données avec différents niveaux de qualité. Lorsqu'une solution AIOps tente de corréler les informations entre ces ensembles de données, des problèmes surgissent.

Près de 39 % ont déclaré à l'EMA qu'ils étaient confrontés au risque de sécurité associé au partage de données réseau avec des systèmes d'IA/ML. De nombreux fournisseurs proposent des solutions de mise en réseau basées sur l'IA en tant qu'offres basées sur le cloud. Les équipes informatiques doivent envoyer leurs données réseau dans le cloud pour analyse. Certaines industries, comme les services financiers, sont réticentes à envoyer des données réseau dans le cloud. Ils préfèrent le garder en interne avec un outil sur site. Malheureusement, de nombreux fournisseurs de réseaux ne prennent pas en charge une version sur site de leur lac de données d'IA, car ils ont besoin d'une évolutivité cloud pour le faire fonctionner.

Certains fournisseurs combinent également les données anonymisées de tous leurs clients pour une analyse globale des réseaux. Cela leur permet de voir les tendances à travers les zones géographiques, les industries et d'autres variables. Mais certains clients sont mal à l'aise avec cet aspect des solutions AI/ML. Ils ne veulent même pas que leurs données anonymisées soient impliquées de cette manière.

Le troisième plus grand défi lié aux données est la surcharge du réseau. Plus de 36 % des organisations s'inquiètent du coût du réseau lié au déplacement de vastes ensembles de données hors site vers un lac de données basé sur le cloud. Ce transfert de données peut parfois consommer trop de bande passante. Certains fournisseurs atténuent ce problème en traitant les données à la périphérie du réseau avec des sondes locales, qui transfèrent ensuite les métadonnées dans le cloud AI pour analyse. Les organisations qui évaluent des solutions de mise en réseau basées sur l'IA doivent demander aux fournisseurs potentiels comment ils résolvent ce problème.

Enfin, 32 % des organisations ont déclaré à l'EMA que leurs données manquaient de granularité. Ils ne sont pas en mesure de collecter des données à des intervalles suffisamment courts pour fournir à leurs solutions d'IA un aperçu suffisant de leur réseau. Ce problème peut apparaître de différentes manières. Certains fournisseurs de SD-WAN limitent les débits auxquels ils collectent la télémétrie réseau car le trafic de télémétrie peut avoir un impact sur les performances du réseau.

Certains outils de surveillance limitent les intervalles auxquels ils interrogent les réseaux avec SNMP, car des taux d'interrogation plus élevés peuvent déstabiliser la plate-forme de surveillance. Et certains commutateurs et routeurs réseau sont limités dans la fréquence à laquelle ils peuvent générer des enregistrements de flux en raison des impacts sur les performances. Plus récemment, certains fournisseurs de réseaux ont commencé à utiliser du silicium de commutateur optimisé pour générer des données plus granulaires qui pourraient aider à atténuer ce problème, mais ce matériel a souvent un coût élevé.

Même si vous n'envisagez pas d'adopter des solutions d'IA/ML pour la gestion du réseau, il est toujours judicieux d'examiner l'état des données du réseau dans votre organisation. Les équipes d'exploitation du réseau disent souvent à l'EMA que leur plus grand défi en général est la qualité des données, que l'IA soit ou non à l'horizon.

Par exemple, les organisations doivent déterminer s'il existe des angles morts dans leur réseau qui peuvent devenir flagrants lorsque l'IA commence à regarder les choses. Ils doivent revoir la qualité des données que leurs outils collectent et conservent. Ces données collectées sont-elles sujettes à des erreurs ? Les données doivent également respecter les normes. Si des outils balisent des données avec des métadonnées, un tiers pourra-t-il les analyser ? La normalisation garantira qu'il est lisible par d'autres systèmes. Pensez également aux intervalles de collecte des données. Beaucoup de choses peuvent se produire dans les cinq ou dix minutes entre les intervalles d'interrogation SNMP.

(Pour en savoir plus sur la façon dont l'IA/ML peut optimiser les opérations du réseau, consultez le webinaire gratuit de l'EMA sur ses dernières recherches.)

Lisez ensuite ceci :