Er machine learning stadig behov for folk?
Vijay Raghavan, executive vice president og chief technology officer Risiko-og Business Analytics for RELX Gruppe, samtaler med Tonya Hall om en balance mellem google analytics og intuition.
“Ar” og “den forfærdelige verden” er nogle af betegnelserne for netværket ledelse i henhold til en, der har været i skyttegravene.
Kailem Anderson var med Cisco Systems for 12 år før han kom til fiber-optik giant Ciena sidste år. Som vice president, portfolio og teknik til den Blå Planet, en software division i Ciena, forsøger han at hjælpe med at undgå en sådan smerte for dem, der skal holde netværk kører.
“Jeg lykkedes kundens netværk, og jeg brugte en masse tid på at leje analytikere til at se netværket, for at se alarmer, og at bygge store strenge regler,” netværk for overvågning, siger Anderson. Hans breezy Aussie accent giver en vis lethed til, hvad der lyder som en temmelig ynkelig affære.
På $26 millioner i indtægter i 2018, Blå Planet var en lille brøkdel af Ciena er omkring $200 millioner i software indtægter i 2018, og $3 millioner i samlede indtægter. Men det steg med en sund 66%, og det kan bringe en højere overskudsgrad end Ciena ‘ s optiske netværk udstyr til salg. Det giver også virksomheden en tilbagevendende indtægter stream, som er meget værdsat af Wall Street. De økonomiske aspekter, plus det faktum, at det kan være strategisk med design af kundernes netværk, gøre det til en vigtig del af, hvor Ciena ledes som en virksomhed.
Også: Er Google ‘ s Snorkel DryBell fremtiden for enterprise data management?
At finde ud af, hvad der er gået galt i et netværk involverer detektiv arbejde på flere niveauer i hvad der er kendt som “stak” af protokoller, Åbne Systemer, der Interagerer, eller “OSI.” Nogle oplysninger kommer fra bunden af stakken, hvis du vil, de “lag”, der består af det fysiske medie transmission. Der kunne for eksempel være, coax-kabler eller fiber-optiske forbindelser.
I det næste lag ovenstående, at de to lag, rå bits er pakket i bundter, såsom Ethernet-frames, og der er alle former for information for at blive forstået, om tilstanden af disse billeder af de data, som de bevæger sig gennem fibre og kabler af netværket. Det næste lag op er tre lag, hvor data er pakket som Internet-adresserbare pakker, igen, med masser af på grund af deres information for at blive forstået, såsom routing og switching oplysninger om, hvor de pakker, der er i gang.
Derfra kan man gå videre op til højere niveauer, lag, fire til syv, domain programmer, og få oplysninger om, hvem en individuel ansøgning er at placere sine data i disse internet-pakker, og om det har nogen problemer med at gøre det.
Vi tager et eksempel, hvor der er en transponder fejl på en af to optiske forbindelser. Det fører til en rute, ændre i multi-protocol label-system, eller MPLS. Netværket udstyr rapporter trafikpropper langs den IP-rute, som et link skuldre byrden af mere trafik, og en slutbruger oplevelser tunge forsinkelser, der bruger netværket. Alle disse er en del af det samme problem, Anderson forklarer, men at komme fra brugerens oplevelse at transponderen fiasko kan være et mysterium.
Traditionelt, en systems administrator, der ser de forskellige elementer i en uensartet måde, med signaler på hver af OSI-lag, der kommer fra forskellige telemetri systemer, såsom SNMP-skærme, systemer log, en tredje ting, der følger de “flyder”, og derefter oplysninger, der kommer fra et enkelt stykke udstyr, såsom oplysninger om en nylig konfigurationsændring, — ingen, som er koordineret.
Hvad der ligner dårlig bruger ydeevne fra én vinkel ligner en MPLS-routing problem eller en IP-båndbredde spørgsmål på et andet niveau, som fører til en alvorlig stykke detektiv arbejde for at finde synderen, den transponder fiasko.
Også: Google Hjernen, Microsoft lod de mysterier af netværk med AI
En billet, der bliver skabt, og det ping-pongs mellem holdene, og der er ingen hold, der har opnået synlighed i den anden side, siger Anderson. “I sidste ende de med at løse det, de har ingeniører inspicere sagen, men det er meget ineffektivt.”
Sys admins skal forsøge at konstruere systemer af regler med hensyn til, hvad alle mulige kombinationer af faktorer kan betyde. “De bruger 1,000 s timer opbygningen af disse regler,” siger Anderson. “Det er et nul sum spil til at bruge den tid på at identificere alle de forskellige scenarier.”
I stedet, den Blå Planet værktøjer kan træne netværket software ved hjælp af en kombination af mærket eksempler, kaldet overvåget indlæring og forstærkning af læring, hvor computeren udforsker forhold og mulige næste skridt.
Med denne kombination, kan softwaren være uddannet til at identificere mønstre “op og ned i stakken” det er svært at stykke sammen med i et regelbaseret system.
“Vi ønsker at få systemet til at lære at identificere de scenarier, at stort set hjælpe os med at komme til roden meget mere hurtigt, og at bruge denne information til at lukke løkken,” siger han, og så have en vejleder kommer ind i billedet kun én gang, der beskriver, er blevet bestemt.
Også: Intel-backed start Nyansa jagter den samlede problem i AI for overvågning af netværk
“I sidste ende, løsninger kunne være anderledes, hvis de er uddannet,” han tilbyder. Data kan føre til at strukturere tingene på en anden måde. “Normalt, har du et planlagt netværk tilstand, men så et virkeligt netværk tilstand; gennem læring, kan du finde den faktiske er mere optimal end planlagt, og derefter udføre en politik,” der er baseret på denne nye indsigt.
Der er nye grænser for at opnå, såsom at levere analyse af data på en “graf-database” – format, siger Anderson. “Vi er i operationer og netværk verden, og så du ønsker at visualisere alt dette i en net-graf koncept.” Nogle kunder ønsker at se det, bare ved hjælp af programmering, blive overført til nordgående systemer, som er på vej til at udnytte denne information, for at være i stand til at visualisere med en graf-database og har Api ‘ er til at sende, at nordgående oplysninger til BSS-lag.”
Den ene fange i øjeblikket i alt dette er, at systemer administratorer er endnu ikke klar til at lukke løkken, så at sige, og lad machine learning helt at tage over og automatisere både registrering og løsning af netværksproblemer.
“Dette er ikke en teknisk grænse, det er et kulturelt aspekt,” siger han. Machine learning-systemer er af probabilistisk, ikke deterministisk. Derfor, samtidig med at de kan opdage mange manglende spørgsmål, der er en modvilje mod at automatisere, hvad der kunne være en falsk positiv scenario. “Du behøver kun at skrue op .0001% af tiden, og det er et stort problem.”
“Jeg tror stadig, vi er en lille smule væk i form af lukning, the loop, og jeg synes, det er tilliden til teknologien. Det vil ske trinvist, hvor du kan lukke løkken om noget ikke-katastrofal, som ikke skaber en fiasko scenarie, hvor der er lav risiko, og derefter andre områder over tid
Kunstig Intelligens
LG til at udvikle robotter til restauranter
Skalering Agile, vedtagelse af AI: Hvordan Intel er ved at gøre DET til en strategisk del af forretningen
Uber vs. Lyft: Hvordan rivaler tilgang cloud, AI, machine learning
Google trækker stikket på AI etik gruppe kun et par uger efter starten
Game of Thrones: AI bestemmer hvem der lever og dør (CNET)
Hvordan til at gøre AI-etik til en prioritet på din virksomhed (TechRepublic)
Relaterede Emner:
Netværk
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software