Machine learning en artificial intelligence (ai) zijn de nieuwste hypes op netwerkgebied. De meest gehoorde boodschap is dat algoritmes het netwerkgedrag zullen gaan aansturen. Voor leveranciers van netwerkoplossingen is het een logisch vervolgstap van automatisering.
Hoewel het waar is dat algoritmes (aanvankelijk in ieder geval) leveranciers in staat zullen stellen om betere netwerkoplossingen te ontwikkelen, zijn het zeker niet het enige lucratieve aspect van de overstap naar een geautomatiseerd netwerk.
Waarde van machine learning
Machine learning is gebaseerd op het idee dat systemen zichzelf nieuw gedrag kunnen aanleren zonder dat een engineer hen vertelt hoe dit gedrag eruit moet zien. Het gedrag wordt uitgedrukt in modellen die zelf het resultaat zijn van gegevensanalyse. Datawetenschappers, die je waarschijnlijk overal op LinkedIn ziet opduiken, zullen degenen zijn die manieren vinden om data en gegevenspatronen tot uitdrukking brengen via algoritmes.
Het meest voor de hand liggende is dat de waarde in de algoritmen schuilt. Simpel gezegd; iedereen die waarde uit ‘de zee van data’ weet te putten kan daar munt uit slaan.
Welbeschouwd zijn organisaties in twee categorieën onder te verdelen; zij die de algoritmes inzetten met het oog op concurrentievoordeel en zij voor wie machine learning louter een instrument is om kostenbesparingen te realiseren. De waarde van machine learning is dus afhankelijk van de categorie die het beste bij de desbetreffende organisatie aansluit.
Iedereen begrijpt intuïtief het belang van verbeterde zoek- en tagging-algoritmes. Ze stellen Google bijvoorbeeld in staat om zijn zoekresultaten te verfijnen, content op de doelgroep af te stemmen en geld te verdienen met online advertenties. De meeste mensen begrijpen ook dat algoritmes grote winkelketens kunnen helpen om consumenten passende aanbevelingen te doen en de prijzen te tweaken met het oog op winstmaximalisatie. Verder zijn sommige mensen zich ervan bewust dat gamefabrikanten het speel- en aankoopbedrag van hun klanten bewaken door een beroep te doen op machine learning om spelers aan te zetten tot de aanschaf van items binnen games.
Bij sommige toepassingsscenario’s is er echter geen sprake van een rechtstreeks verband tussen de bedrijfsactiviteiten en algoritmes. Voor de overgrote meerderheid van bedrijven en gebruikersscenario’s is machine learning eerder een instrument dan een kerncompetentie.
In de praktijk
Bedrijven die machine learning een ondersteunende rol toebedelen, hoeven geen inzicht in de algoritmes te verwerven. In plaats daarvan kunnen ze een oplossing aanschaffen waar algoritmes onderdeel van uitmaken. En als die goed in elkaar steekt, hebben de algoritmes veel weg van de broncode van software; een belangrijke component, maar een die je maar beter uit het zicht van de eindgebruiker kunt houden. Als de oplossing maar naar wens functioneert.
Uiteraard zijn algoritmes niet bepalend voor de uiteindelijke netwerkoplossing. De modellen die de algoritmes genereren, worden ingezet om de gegeneraliseerde regels met contextuele data te voeden om bij te dragen aan effectievere gedragspatronen.
Als machine learning, in een netwerkomgeving, wordt ingezet voor het automatiseren van workflows zoals (configuratie) aanpassingen of voorspellende processen, dan vormen de gegeneraliseerde algoritmes simpelweg bouwstenen. Workflows zijn niet alomtegenwoordig. Ze zijn sterk aan een context gebonden. Dat betekent dat de gegeneraliseerde bouwstenen waarschijnlijk slechts 80 procent van de gehele oplossing vertegenwoordigen.
Data is ook van waarde
Hoe kun je een algoritme nu precies bewust maken van de context? In het geval van machine learning train je die. Dat is waar data om de hoek komt kijken. Als het gedrag waarop wordt getraind identiek is voor veel of zelfs alle omgevingen, kan data van verschillende locaties worden verzameld in het kader van de netwerkoplossing. Echter, als het gedrag is gebaseerd op een specifieke omgeving (zowel de apparaten als de omringende infrastructuur, applicaties en tools), moeten de gegeneraliseerde algoritmes worden gevoed met data met een sterk contextueel gehalte.
In dit geval is de data bijna net zo belangrijk als het algoritme. Bedrijven die geen datastrategie hebben, zullen merken dat er vaak meer om de hoek komt kijken. Stel je voor dat je draagvlak probeert te creëren voor netwerkbrede automatisering met behulp van machine learning en er dan achter komt dat daar ingrijpende vervangingen van de infrastructuur voor nodig is. Dit maakt het voorstel waarschijnlijk niet erg populair bij het management.
Alles is een sensor en moet data streamen
De afgelopen jaren is er sprake geweest van een sterke vraag naar het streamen van informatie in netwerkomgevingen. Initiatieven rond gRPC en message buses (Rabbit, ZMQ enzovoort) zijn redelijk populair in DevOps omgevingen. En het blijkt dat het oplossen van problemen rond de fragmentatie van data van cruciaal belang is voor de overstap naar een door gebeurtenissen aangestuurde infrastructuur.
Veel van deze activiteiten laten zich gemakkelijk vertalen naar een omgeving waarin machine learning een rol speelt. Er zullen manieren nodig zijn om trainingdata te verzamelen. Dat zal geen eenmalig proces zijn. Als modellen niet worden bijgewerkt naarmate de infrastructuur zich verder ontwikkelt, zal je merken dat zaken als automatisering alleen maar helpen om sneller in de eigen vingers te snijden.
Moraal van het verhaal
Als men zich aangetrokken voelt tot de voordelen van machine learning, maar verder niet nadenkt over manieren om de komende jaren op dynamische wijze data te verzamelen en benutten, levert dat teleurstellende resultaten op. En als men zich vastklampt aan de hoop dat de door gebeurtenissen gestuurde tussenstap in het automatiseringstraject vermeden kunnen worden, bestaat de kans dat men in de toekomst niet in staat is om de waarde van data te gebruiken.
Het staat vast dat algoritmes een belangrijke rol gaan spelen, maar ook dat ze het werk niet zelf doen. Ze vertegenwoordigen niets meer dan een instrument. Het is nu tijd om plannen op te stellen voor het voeden van meer gegeneraliseerde regels met contextuele informatie.
Slimme organisaties realiseren zich dat de werkelijke waarde in de data schuilt. Zij benutten dit op manieren die tot dusver niet met traditionele netwerken mogelijk waren.
