¿Por qué todavía necesitamos gente que maneje redes empresariales?

• El uso de Inteligencia Artificial (IA) para la resolución de problemas de reconocimiento de voz e imágenes, procesamiento del lenguaje y en robótica ha incrementado en los últimos años.
• Las redes actuales generan grandes cantidades de datos a partir de las herramientas de análisis incluidas por default en relevadores, enrutadores y terminales.
• En una típica universidad pública de gran tamaño en países como Estados Unidos, se puede generar hasta 1 TB de datos a diario.

En los últimos años, hemos experimentado grandes avances en el uso de Inteligencia Artificial (IA) para la resolución de problemas de reconocimiento de voz e imágenes, procesamiento del lenguaje y en robótica. Estos avances fueron permitidos por el incremento masivo en el poder de computación (procesamiento, memoria, E/S) así como los avances algorítmicos. Muchos servicios muy conocidos y dirigidos al consumidor final, como los asistentes personales Alexa de Amazon o Siri de Apple, el reconocimiento facial automático de Facebook, el traductor en línea de Google y el automóvil sin conductor de Tesla son facilitados por potentes motores de inteligencia artificial.

La automatización siempre ha sido una prioridad en la industria de las redes, sin embargo el equipo que se usa, y el software que se desarrolla, se han quedado atrasados a la hora de aprovechar la tecnología de la IA para un diseño y operación automatizados. Como consecuencia, las redes sufren de varios problemas comunes, a pesar del impresionante número de tableros que los equipos de TI usan para gestionar su infraestructura de red.

En el día a día no hay una advertencia previa a un problema, y cuando se suscita alguno, siempre hay un equipo de TI luchando por obtener datos, analizarlos y usualmente, llegar a la conclusión que el problema no tenía nada que ver con la infraestructura de la red. Por esa misma razón, cualquier gran cambio en la configuración o una actualización del firmware se convierte en un proceso doloroso, ya que si algo sale mal, usualmente hay poca visibilidad, hasta el momento en que los usuarios se quejan, o experimentan un servicio con fallas parciales, o totales.

La transición de grandes aplicaciones empresariales como Microsoft Office a la nube, complican más la situación dado que las cargas de tráfico pueden cambiar rápidamente y de manera impredecible. Finalmente, está la amenaza latente de las decenas de millones de “cosas” del IoT, que se unirán a las redes. Ante esto, vale preguntarse ¿estamos al borde del abismo?

Afortunadamente, hay varias soluciones emergentes de analítica de redes que pueden ayudar con estos problemas. Las redes actuales generan grandes cantidades de datos a partir de las herramientas de análisis incluidas por default en relevadores, enrutadores y terminales. En una típica universidad pública de gran tamaño en países como Estados Unidos, se puede generar hasta 1 TB de datos a diario.

Es posible reutilizar el “big data” y las tecnologías de base de datos que fueron diseñadas para servicios basados en web, para que procesen incluso estas grandes cantidades de datos en tiempo real. De igual manera, técnicas de inteligencia artificial como el clustering, la construcción automática de modelos, y las redes neurales pueden ser usadas para caracterizar el comportamiento de la red y la experiencia de sus usuarios.

Esto ayuda a proveer visibilidad sobre los problemas de la red, y su impacto en la experiencia del usuario. Al usar estos modelos, también es posible comparar el desempeño y la experiencia del usuario entre varias redes. Hemos encontrado que esta capacidad es extremadamente útil, ya que provee la habilidad para predecir problemas antes de que sucedan, crea recomendaciones para resolverlos y sugiere mejores configuraciones.

El aprendizaje automatizado y el análisis de datos son técnicas muy eficaces, pero la clave para aplicarlas y usarlas propiamente para aplicaciones en red sigue siendo la inteligencia humana. Hay un enorme conocimiento empírico aún presente en la comunidad de TI que diariamente lidia con redes y su conectividad.

En nuestra experiencia, resolver los problemas reales a los que se enfrentan los departamentos de TI, requiere una mezcla de ese conocimiento empírico, con el apoyo del aprendizaje automatizado y el análisis de datos. En Aruba, hemos trabajado constantemente en desarrollar soluciones que se basen en estos ejes, y tenemos resultados iniciales muy prometedores.