Künstliche Intelligenz im Netzwerk-Umfeld Netzwerkverwaltung und IT-Manage­ment mit KI

Anbieter zum Thema

ALE Deutschland GmbH

Vitel GmbH

KI hier – KI dort – und auch im Bereich der Netzwerke wird der Künstlichen Intelligenz ein großes Potenzial zugesprochen. Wo steht die Technik aktuell, auf welchen Grundlagen basiert sie und wie sieht das Zusammenspiel aus?

Künstliche Intelligenz (KI) ist in der IT allgegenwärtig und spielt erwartungsgemäß auch im Bereich der Netzwerkverwaltung eine immer größere Rolle. Während Automatisierung im Netzwerkmanagement sinnvoll ist, wird das KI-Netzwerk jedoch nicht wirklich „denken“ können. Dennoch bieten KI-Techniken IT-Administratoren und Netzwerkexperten zahlreiche Vorteile, insbesondere in den Bereichen Automatisierung, Richtliniendurchsetzung und Sicherheitsverbesserung.

Fast alle bedeutenden Anbieter von Netzwerklösungen haben mittlerweile Software mit KI-Funktionalitäten in ihrem Portfolio. Diese Techniken umfassen Big Data, Machine Learning (ML) und AIOps (Artificial Intelligence for IT Operations). AIOps bezieht sich auf den Einsatz von KI im IT-Betrieb, beispielsweise beim Monitoring oder zur Erkennung von Angriffen. KI-Networking hingegen ist speziell auf kabelgebundene, drahtlose und SD-WAN-Fragen ausgerichtet. Beide Ansätze nutzen KI-Funktionen wie die Verarbeitung natürlicher Sprache und maschinelles Lernen zur Automatisierung und Straffung betrieblicher Workflows.

Der Einsatz von KI in Netzwerken ermöglicht, so das Versprechen der Hersteller, die Automatisierung komplexer und zeitaufwändiger Workflows und Aufgaben. Die zunehmende Komplexität der Unternehmensnetzwerke erfordert innovative Lösungen, insbesondere, wenn die Sicherheit ein möglichst hohes Maß erreichen muss. KI, und hier besonders ML, verwendet Algorithmen zur Datenanalyse und Erkenntnisgewinnung. Aber auch Techniken wie Deep Learning, natürliche Sprachverarbeitung (NLU und NLG) und generative KI (GenAI) finden zunehmend ihren Eingang ihre Anwendung im Bereich des Netzwerkmanagements.

Aussichten, Herausforderungen und Bedenken

KI kann den Netzwerkbetrieb in verschiedenen Bereichen verbessern:

• Optimierung der Effizienz: Automatisierung des Konfigurationsmanagements

• Verbesserung der Sicherheit: Automatisierung und Durchsetzung von Netzwerk-Richtlinien

• Erhöhung der Zuverlässigkeit: Verbesserung der Ursachenanalyse bei Fehlerbehebungen

Die Einführung von KI-gestützten Netzwerkmanagementsystemen stellt IT-Administratoren jedoch vor eine Vielzahl von Herausforderungen – sowohl technischer als auch organisatorischer Natur. Einerseits bieten diese Systeme zwar die Möglichkeit, Netzwerke effizienter zu verwalten, andererseits erfordern sie jedoch ein Umdenken in der Rolle des Administrators. Die Bedenken der IT-Administratoren sind dabei vielfältig: Sie umfassen unter anderem die Sorge, die Kontrolle über das Netzwerk zu verlieren, sowie die Befürchtung, dass ihre Fähigkeiten durch Automatisierung obsolet werden könnten.

In standardisierten und gut dokumentierten Netzwerkumgebungen könnte der Einsatz von KI-Systemen dennoch bereits heute sehr sinnvoll sein. Allerdings sollten Administratoren in Bereichen, die hohe Flexibilität erfordern oder in denen menschliche Intuition wichtig ist, weiterhin eine gesunde Vorsicht walten lassen, da die KI noch nicht alle Feinheiten menschlicher Entscheidungsfindung nachbilden kann.

KI is here to stay!

Auch wenn ein KI-basiertes Netzwerkmanagement noch nicht sofort zum Einsatz kommt, bleibt klar: „KI kam, um zu bleiben“. IT-Administratoren müssen sich daher intensiv mit diesen Entwicklungen auseinandersetzen. Die Einführung von KI-Systemen sollte als Erweiterung ihrer Werkzeuge und nicht als Ersatz gesehen werden. Durch die Zusammenarbeit mit KI können Administratoren ihre Effizienz steigern und gleichzeitig sicherstellen, dass menschliche Überlegungen und Anpassungsfähigkeit im Netzwerkmanagement erhalten bleiben. Programmierer lassen sich zunehmend beim „Coding“ unterstützen – dies können auch Netzwerkadministratoren tun. Beispielsweise bei der Identifikation passender Befehlssyntax oder der Abschätzung der Auswirkungen von Kommandos auf die Netzwerkstruktur. KI ist hierbei ein überaus leistungsstarker Assistent.

Und es gibt weitere Herausforderungen und Bedenken, die gegen den Einsatz von KI im Netzwerkmanagement sprechen könnten: Die Implementierung von KI-basierten Lösungen ist derzeit noch komplex und kostspielig. In kleineren Umgebungen ist es möglicherweise nicht zielführend, sich darauf zu fokussieren. KI-Algorithmen sind stark von der Qualität und Verfügbarkeit großer Datenmengen abhängig. Unzureichende oder fehlerhafte Daten können zu ungenauen Ergebnissen und Fehlentscheidungen führen. Zwar soll die KI das Netzwerkmanagement optimieren, beschleunigen und sicherer machen, jedoch ergibt sich damit auch ein neues Sicherheitsrisiko: Wie gut ist die KI selbst gesichert? Falls das KI-System kontinuierlich auf Internetressourcen zugreift, besteht das Risiko, dass es durch Angreifer gestört oder manipuliert wird. Lokal wirkende und vorab trainierte KI-Systeme sind immun, aber nur bedingt lernfähig.

Methoden des KI-Trainings

Die Hauptmethoden beim KI-Training sind Supervised Learning, Unsupervised Learning und Reinforcement Learning. Supervised Learning, auf Deutsch Überwachtes Lernen, ist ein zentraler Ansatz im Bereich des maschinellen Lernens, bei dem Algorithmen mit Hilfe von Daten trainiert werden, die bereits markierte Antworten (Labels) enthalten. Diese Methode ermöglicht es Maschinen, Muster und Beziehungen in den Daten zu erkennen und zu lernen, wie sie auf neue, unbekannte Daten die richtigen Vorhersagen übertragen können.

Im Wesentlichen besteht der Prozess aus einem Trainingsteil, in dem der Algorithmus lernt, welche Eingabedaten zu welchen Ausgabewerten führen und einem Anwendungsteil, in dem das trainierte Modell auf neue Daten angewendet wird, um Vorhersagen zu treffen oder Daten in Kategorien einzuteilen. Supervised Learning wird in vielen Bereichen eingesetzt, darunter Bild- und Spracherkennung, medizinische Diagnose und Finanzprognosen.

Unsupervised Learning, oder unüberwachtes Lernen, bezieht sich auf Methoden, bei denen Algorithmen selbstständig Muster und Strukturen in nicht kategorisierten Daten erkennen, ohne dass ihnen explizite Anweisungen gegeben werden.

Reinforcement Learning, zu Deutsch in etwa verstärkendes Lernen, basiert wiederum auf dem Prinzip von Versuch und Irrtum, wobei das Modell durch Interaktion mit einer Umgebung lernt – dies scheint nicht unbedingt ein geeignetes Verfahren für das eigene Netzwerktraining zu sein, wird aber bei der Optimierung von Netzwerkressourcen oder der Steuerung von Netzwerkverkehr in Echtzeit genutzt.

eBook

Netzwerkmanagement in Zeiten von KI

Erstes herstellerübergreifendes Ops4AI-Lab

Im September 2024 hat Juniper Networks das erste branchenweite Ops4AI-Lab in Betrieb genommen. Der Hersteller hat damit ein Multivendor-Lab für die Validierung von automatisierten End-to-End-Lösungen für KI-Rechenzentren eingerichtet. Automatisierte Switching-, Routing-, Storage- und Compute-Lösungen von Partnern sowie neue validierte Designs sollen die Time-to-Value verkürzen. Daran beteiligt ist das Partner-Ökosystem von Juniper inklusive Broadcom, Intel, Nvidia und Weka. Das Lab in der Unternehmenszentrale von Juniper in Sunnyvale (Kalifornien) steht qualifizierten Kunden und Partnern offen, die ihre eigenen KI-Workloads testen möchten.

Diese Entwicklung zeigt, dass der Einsatz von KI-gestützten Systemen in kritischen Umgebungen noch nicht so weit fortgeschritten ist wie mancher KI-Befürworter suggerieren mag. Die Zuverlässigkeit muss angesichts der Komplexität genauer betrachtet werden. Der sichere Einsatz von KI-Systemen im Netzwerkmanagement hängt dabei von verschiedenen Faktoren ab, einschließlich der Komplexität der Algorithmen, der Qualität der verwendeten Daten und der Robustheit der Implementierung. Es ist wichtig, die KI-Systeme gründlich zu testen und die Protokolle bei unerwarteten Entscheidungen zu sichten. Die Initiative von Juniper zeigt, dass solche Tests nun herstellerübergreifend durchgeführt werden.

(ID:50243583)