A los expertos de TI les preocupa que los datos de red se empleen en herramientas de IA

A medida que más organizaciones de TI aplican la inteligencia artificial (IA), el aprendizaje automático (ML) y la llamada tecnología AIOps a la gestión de redes, los datos de red se convierten en fundamentales para el éxito. La tecnología IA/ML requiere cada vez de más datos para aprender redes individuales, obtener información y ofrecer recomendaciones. Por desgracia, muchas organizaciones se encuentran con problemas a la hora de alimentar estas herramientas de inteligencia artificial con datos de red. En otras palabras, los equipos de red necesitan modernizar su enfoque de los datos antes de adoptar la tecnología de IA.

Enterprise Management Associates encuestó recientemente a 2050 profesionales del ámbito TI sobre su experiencia con soluciones de gestión de redes basadas en tecnologías IA/ML con el propósito de desarrollar posteriormente un informe que sería titulado AI-Driven Networks: Leveling up network management. Según el mismo, los problemas de datos son el segundo reto técnico que encuentran al aplicar la inteligencia artificial o el aprendizaje automático a la gestión de redes. Únicamente la complejidad de la red supone un problema técnico mucho mayor.

Siguiendo esta misma estela también se descubrió que el 90% de las organizaciones han encontrado, al menos, un problema grave con los datos de red al intentar utilizar sus soluciones de IA/ML. "AIOps necesita datos para impulsar sus flujos de trabajo", dijo recientemente un vicepresidente de TI con una compañía de servicios financieros de 9 mil millones de dólares. "Si no tienes datos, no tienes AIOps. Lo primero que hay que hacer [con un proyecto de IA] es preparar los datos. Mirarlos, entenderlos y ver dónde están las lagunas".

A continuación, las principales fuentes de problemas con los datos según los profesionales de TI encuestados.

Calidad de los datos

El problema número uno que afecta al 46% de las organizaciones es la calidad de los datos. Las organizaciones de TI descubren rápidamente que los datos basura producen información basura. Se enfrentan a errores, problemas de formato y datos no estándar. Esto puede ser especialmente problemático si una organización de TI está introduciendo datos de múltiples herramientas aisladas en una solución de AIOps de terceros. La organización de TI típica utiliza entre cuatro y quince herramientas para gestionar y supervisar su red. Cada herramienta mantiene su propia base de datos con distintos niveles de calidad. Cuando una solución de AIOps intenta correlacionar información entre esos conjuntos de datos, surgen los problemas.

Riesgos de seguridad

Casi el 39% respondió a la encuesta de EMA que está luchando con el riesgo de seguridad asociado a compartir datos de red con sistemas de IA/ML. Muchos proveedores ofrecen soluciones de red basadas en IA como ofertas basadas en la nube. Los equipos de TI deben enviar sus datos de red a la nube para su análisis. Sin embargo, algunos sectores como los servicios financieros son reacios a enviar datos de red a la nube. Prefieren mantenerlos en casa con una herramienta local. Por desgracia, muchos proveedores de redes no admiten una versión local de su lago de datos de IA porque necesitan escalabilidad en la nube para que funcione.

Algunos proveedores también combinan los datos anónimos de todos sus clientes para realizar un análisis global de las redes. Esto les permite ver tendencias geográficas, sectoriales y de otras variables. Pero algunos clientes se sienten incómodos con este aspecto respecto a las soluciones de IA/ML. No quieren que ni siquiera sus datos anónimos se utilicen de esta forma.

Sobrecarga de la red

El tercer mayor desafío relacionado con los datos es la sobrecarga de la red. Más del 36% de las organizaciones están preocupadas por el coste de red que supone trasladar grandes conjuntos de datos fuera de las instalaciones a un lago de datos basado en la nube. Esta transferencia de datos puede consumir a veces demasiado ancho de banda. Algunos proveedores mitigan este problema procesando los datos en el borde de la red con sondas locales que luego reenvían los metadatos a la nube de IA para su análisis. Las organizaciones que estén evaluando soluciones de red basadas en IA deben preguntar a los posibles proveedores cómo abordan este problema.

Granularidad de los datos

Por último, el 32% de las organizaciones aseguraron a EMA que sus datos carecen de granularidad. No pueden recopilar datos a intervalos lo suficientemente cortos como para proporcionar a sus soluciones de IA información suficiente sobre su red. Este problema puede surgir de varias formas. Algunos proveedores de SD-WAN limitan las tasas a las que recopilan telemetría de red porque el tráfico de telemetría puede afectar al rendimiento de la red.

Por otro lado, otras herramientas de supervisión limitan los intervalos a los que sondean las redes con SNMP porque una mayor frecuencia de sondeo puede desestabilizar la plataforma de supervisión.  Y algunos conmutadores y enrutadores de red están limitados en la frecuencia con la que pueden generar registros de flujo debido a los impactos en el rendimiento. Más recientemente, algunos proveedores de redes han empezado a utilizar conmutadores de silicio optimizados para generar datos más granulares que podrían ayudar a mitigar este problema, pero este hardware suele tener un coste elevado.

Evalúe los datos de red que ya recopila

Incluso si no tiene planes de adoptar soluciones de IA/ML para la gestión de redes, siempre es una buena idea revisar el estado de los datos de red en su organización. Los equipos de operaciones de red suelen coincidir en que su mayor reto en general es la calidad de los datos, independientemente de si la IA está en el horizonte. Por ejemplo, las organizaciones deben determinar si hay puntos ciegos en su red que puedan resultar evidentes cuando la IA empiece a analizar las cosas. Deben revisar la calidad de los datos que recopilan y conservan sus herramientas. ¿Son los datos recopilados propensos a errores? Los datos también deben cumplir las normas. Si las herramientas etiquetan los datos con metadatos, ¿podrá un tercero analizarlos? La normalización garantizará que otros sistemas puedan leerlos. Piense también en los intervalos de recogida de datos. Pueden ocurrir muchas cosas en los cinco o diez minutos que transcurren entre los intervalos de sondeo SNMP