El número de casos de uso de la IA en la gestión de redes empresariales es cada vez mayor.
Impulsadas por las presiones competitivas para aumentar el rendimiento y reducir los costes asociados a sus redes, tanto de TI como de OT, las empresas están aprovechando al máximo el poder de la IA y el ML en sus organizaciones.
La IA generativa ya no es solo una cuestión secundaria.
Cada vez está más integrada en el funcionamiento de las redes, desde la resolución de problemas en lenguaje natural hasta la síntesis de configuraciones y la telemetría multimodal.
Sin embargo, el rápido crecimiento de sus capacidades y la multiplicación de sus casos de uso son solo una parte del panorama.
Para las redes empresariales especializadas, el valor de una gestión de IA igual de especializada se está volviendo clave si quieren mantenerse por delante de la competencia.
Estamos en un momento clave en el camino hacia la adopción total de la IA en la gestión de redes.
Las soluciones de IA personalizadas, entrenadas para abordar los KPI únicos de una red y priorizar las principales preocupaciones de la empresa, pueden mejorar el rendimiento de la red y reducir los costes.
Hasta tal punto que su adopción no es realmente una cuestión de preferencia, sino de supervivencia comercial.
Las organizaciones que no adopten un enfoque especializado se quedarán atrás. Y les resultará más difícil recuperar el terreno perdido.
La solución 80/20 para el entrenamiento de IA
Todas las redes empresariales comparten algunas características generales en sus aplicaciones de IA.
Esta flexibilidad es, en gran parte, responsable de la disminución de las barreras de costo de las soluciones basadas en IA.
Estos modelos generalizados y listos para usar suelen ofrecer alrededor de un 80% de utilidad para funciones básicas, como:
- Detección de incidentes y anomalías en la red
- Priorización de incidentes, análisis de las causas fundamentales y automatización de algunos de los procesos que requieren esos esfuerzos
- Análisis de la red que garantizan el cumplimiento de los KPI y minimizan el impacto de los incidentes
Sin embargo, si se tienen en cuenta todos los diferentes tipos de redes empresariales que operan en la actualidad, únicas no solo en sus mercados, sino también en tamaño, escala y madurez, añadir el 20% restante de utilidad se vuelve aún más crítico.
Este subconjunto especializado de capacidades refleja las necesidades únicas de la red.
Aporta datos reales del dominio para que se adapten a las prioridades de la empresa, tanto tecnológicas como operativas.
En la mayoría de los casos, una red empresarial no es algo homogéneo. Suele estar compuesta por tecnologías de red integradas en una infraestructura de plataforma común.
Esto permite conectar empleados, clientes, proveedores, dispositivos y back-ends de centros de datos.
Cuando una empresa utiliza puntos de acceso wifi 7 para empleados o clientes, 5G privado para la comunicación en un patio de suministros o campus, conectividad Zigbee para dispositivos IoT y Bluetooth para dispositivos audiovisuales, además de la infraestructura física de cableado y conmutación de la red cableada, la complejidad supera la capacidad de administración eficaz solo con la vista y las manos humanas.
Y todo esto sin tener en cuenta la necesaria supervisión del estado de la red cableada.
Esto incluye utilización de puertos, autenticación y seguridad, gestión térmica y utilización de PoE.
Los modelos de IA en casos de uso de redes empresariales deben satisfacer todas estas necesidades.
También deben proporcionar una precisión y coherencia de las que carecen los modelos estándar. Ahí es donde el 20% cobra una importancia fundamental.
Se hacen necesarios modelos personalizados con lógica de validación adicional. Sin embargo, estos pueden aumentar la latencia en los tiempos de respuesta y los costes.
A medida que las implementaciones se amplían, el coste continuo no se centra en la formación. Se centra en la inferencia. Es decir, en responder a millones de consultas en tiempo real de asistentes y agentes.
Esto forma parte del logro de ese grado de especialización.
Vemos que los costes disminuyen hasta alcanzar una puntuación de referencia determinada.
Esto está impulsado por la eficiencia algorítmica y el silicio especializado.
Los directores de informática deben presupuestar los DSLM, modelos de lenguaje específicos de dominio. También deben dimensionar correctamente las pilas de inferencia. Esto incluye cuantificación, procesamiento por lotes y almacenamiento en caché.
Además, deben considerar el hardware alineado con la carga de trabajo. Por ejemplo, GPU frente a TPU o ASIC.
El objetivo es seguir reduciendo el coste total de propiedad.
El caso OT para la IA especializada
Además de esta compleja red de diferentes tecnologías de conectividad, el creciente número de aplicaciones de IoT en el lado de la tecnología operativa también exige un enfoque especializado para la gestión de la IA.
No existe un modelo único para las instalaciones físicas de una empresa. Ni siquiera para aquellas que pertenecen al mismo sector vertical.
Las características únicas de escala, ocupación y operación requieren un profundo conocimiento del ámbito.
Ese conocimiento no suele venir con la utilidad del 80% de una implementación de IA con formación general. Al menos no si se busca obtener el máximo efecto posible.
Una solución de gestión de IA especializada puede, si se entrena adecuadamente, buscar, sugerir, cuantificar y ejecutar cambios operativos.
El objetivo es maximizar el valor de la gestión de OT.
Además de las ventajas generales de la IA, como la reducción del tiempo de reacción ante incidentes, la detección de anomalías y la documentación de los cambios de configuración, una solución de gestión de IA especializada puede tomar medidas proactivas.
Estas medidas pueden mejorar la eficiencia general de la planta física. También pueden ofrecer ventajas en términos de reducción de costes, riesgos e impacto medioambiental.
Por ejemplo, la red de un hotel resort puede correlacionar automáticamente la información de las reservas con la conectividad wifi de las habitaciones.
También puede correlacionarla con la iluminación y los recursos de climatización. De esta forma se desactivan los servicios hasta que sean necesarios.
Otro ejemplo sería un edificio escolar con un alumnado altamente conectado a dispositivos móviles.
Este entorno exige una gestión reactiva de los canales wifi y de la energía de un periodo a otro. Son tareas demasiado complejas e impredecibles para que las realice un administrador de TI humano.
El acceso a ese 20% de formación especializada en IA puede permitir estas eficiencias a medida.
Esto es válido independientemente del sector.
