* Por Hilmar Becker
Nos últimos anos, houve grandes avanços no uso da inteligência artificial (IA) para resolver problemas de reconhecimento facial e de voz, processamento de linguagem natural e robótica. Esses avanços foram possibilitados por aumentos maciços no poder de computação (processamento, memória, I/O) e avanços algorítmicos. Muitos serviços ao consumidor já conhecidos, como os assistentes pessoais Alexa da Amazon e Siri da Apple, o reconhecimento facial automatizado do Facebook, a tradução online do Google e os carros autônomos da Tesla, usam mecanismos de IA.
A automação sempre foi uma grande prioridade das redes. Porém, os equipamentos de rede e os fornecedores de software ficaram para trás no uso de técnicas avançadas de IA para o desenvolvimento e operação de rede. Consequentemente, as redes sofrem vários problemas, apesar das equipes de TI usarem uma série de painéis para operar a infraestrutura da rede. Eles não avisam quando vão ocorrer, e quando acontecem, a equipe de TI começa uma correria para reunir e analisar dados relevantes, levando muitas vezes à conclusão de que o problema não teve nada a ver com a infraestrutura da rede.
Pela mesma razão, qualquer alteração importante na configuração ou atualização de firmware é um procedimento doloroso – se algo der errado, geralmente há pouca visibilidade até que algum usuário se queixe de uma interrupção ou serviço prejudicado. A migração para a nuvem de aplicativos de grandes empresas, como o Microsoft Office, complica ainda mais as coisas, pois as cargas de tráfego podem mudar de forma rápida e imprevisível. Por fim, existe a ameaça iminente de dezenas de milhões de dispositivos de IoT conectados à rede. Estamos à beira de um abismo?
Felizmente, existem soluções de “análise de rede” que podem ajudar. As redes atuais geram grandes quantidades de dados de instrumentação integrada em switches, roteadores, servidores e dispositivos de usuários. Por exemplo, em uma grande universidade pública nos Estados Unidos, são gerados cerca de 1 terabyte de dados diariamente. É possível reutilizar tecnologias de computação e bancos de dados de “big data”, desenvolvidas para serviços baseados na web, para processar essa grande quantidade de dados em tempo real. Da mesma forma, técnicas de inteligência de máquina, como clustering, construção automatizada de modelos e redes neurais, podem ser usadas para caracterizar o comportamento da rede e a experiência de seus usuários. Isso ajuda a fornecer visibilidade de problemas na rede e seu impacto na experiência do usuário.
Capacidades
Com esses modelos, também é possível comparar o desempenho da rede e a experiência do usuário nas redes. Esta é uma capacidade muito poderosa, pois possibilita prever problemas, recomendar resoluções e sugerir melhores configurações da rede.
As técnicas de aprendizado de máquina e ciência de dados são muito poderosas, mas a base para aplicá-las e usá-las criteriosamente na rede é a inteligência humana. Existe um conhecimento tribal enorme presente na comunidade de redes. E a resolução de problemas do mundo real requer a associação desta expertise com os elementos fornecidos pela aprendizagem de máquina e ciência de dados. É partir dessa associação que é possível obter resultados muito promissores.
* country manager da Aruba Networks no Brasil
Acesse os outros sites da VideoPress
Portal Vida Moderna – www.vidamoderna.com.br
Radar Nacional – www.radarnacional.com.br
–
