alotofpeople - stock.adobe.com
Administration réseau : une étude montre l’inefficacité de l’IA
Selon une étude du cabinet EMA, seulement 44 % des administrateurs réseau estiment pouvoir confier à une IA les métriques collectées par leurs infrastructures pour analyse. Car ces métriques sont de mauvaise qualité.
Les modèles d'IA doivent avoir accès à des données de haute qualité pour l'entraînement et l'inférence. Mais lorsque les entreprises appliquent l'IA à l'infrastructure réseau et à ses opérations d’administration, elles constatent que leurs attentes sont ruinées par des métriques sources de mauvaise qualité.
Le cabinet Enterprises Management Associates (EMA) a récemment chiffré ce constat. Sur 458 ingénieurs informatiques interrogés à propos de leurs efforts pour appliquer l'IA aux opérations réseau, seuls 44 % d'entre eux pensaient livrer à leur IA des données susceptibles de soutenir leurs efforts. Ce manque de confiance ne doit pas être ignoré.
Les services informatiques conservent généralement une grande variété de données sur leurs réseaux. Mais d'après l’étude, ces bases de données sont généralement désorganisées. Elles sont cloisonnées, souvent propriétaires et parfois de qualité douteuse. Certaines catégories posent des enjeux particuliers dans les ambitions d’administration automatisées : les paquets et les données de configuration.
En clair, une approche axée sur les données de configuration et les paquets conduit à l'échec. Il en ressort que les entreprises doivent améliorer leur méthode d'acquisition, de gestion et d'utilisation de ces données.
Aller au-delà de la capture de paquets
De nombreuses entreprises adoptent une approche ponctuelle de la capture de paquets. Elles ne collectent des paquets qu'en réaction à des événements qui nécessitent une analyse approfondie. Cette capture de données peut être déclenchée par un événement, ou faite manuellement. Dans les deux cas, cela conduit à un enregistrement incomplet du trafic.
La capture continue de paquets est une meilleure approche. Elle doit également être effectuée de manière systématique, les paquets étant collectés à partir de points stratégiques sur les réseaux.
Par ailleurs, les équipes réseau devraient envisager d'utiliser les métadonnées dérivées de ces paquets. Les outils d'IA ont besoin d'accéder aux paquets bruts pour effectuer des analyses approfondies, mais les métadonnées des paquets sont précieuses dans divers cas d'utilisation. Il faudrait donc que les équipes réseau utilisent des outils de visibilité des paquets capables de générer des métadonnées enrichies.
La mise en place d'un bon stockage des données de configuration est un projet long et fastidieux, mais il est indispensable si les données de configuration sont stratégiques pour confier les opérations d’administration à des agents d’IA.
Les étapes pour obtenir une IA compétente en administration réseau
Le problème des métriques de qualité a une cause : la diversité des équipementiers présents sur le réseau conduit à une multiplication des outils d’administration, donc à des silos potentiellement étanches de diverses métriques.
Il ressort de l'enquête EMA cinq étapes que les professionnels des réseaux peuvent suivre pour corriger le tir.
1/ Sachez pourquoi vous adoptez l'IA. Les données EMA montrent une corrélation claire entre la compréhension de la valeur commerciale des NetOps basés sur l'IA et la confiance dans les données réseau. Sachez pourquoi vous faites cela. Obtenez l'adhésion des propriétaires des données et assurez-vous que celles-ci sont correctes.
2/ Investissez. Les contraintes budgétaires sont étroitement liées à l'incertitude des données. Votre entreprise devra investir dans des outils et des compétences pour découvrir, auditer, nettoyer et organiser ces données.
3/ Créez ou collaborez avec un centre d'excellence en IA. Savoir évaluer les outils d'IA est essentiel pour réussir, et la confiance dans les capacités d'évaluation est étroitement liée à la confiance dans les données. En évaluant les outils, vous verrez comment ils fonctionnent avec les données réseau.
4/ Exigez de la transparence, le respect des normes industrielles et une intégration approfondie de la part des fournisseurs. Les problèmes de qualité des données restent souvent cachés. Les intégrations et les normes ouvertes permettent de les mettre en lumière.
5/ Demandez aux fournisseurs d'IA de proposer des outils permettant d'auditer et de vérifier en permanence les résultats de l'IA. Cela renforce la confiance dans les outils d'IA, mais devrait également vous aider à identifier toute dérive de la qualité des données.
