许多采用云和AI等先进技术的企业仍依赖人工方式管理和维护网络基础设施。这些举措使网络运营团队的工作变得愈发困难,因为网络的复杂性和规模不断增长。
具有讽刺意味的是,这正是网络自动化价值闪耀的地方。它能减少人为错误、增强安全性、提高生产力并节约成本。
从战略角度看,自动化是驱动智能体网络运营的引擎,将网络管理从被动的人工流程转变为主动、智能和自主的功能。
当你将智能体AI视为由经验丰富工程师指导的实习生团队时,它能够加速网络运营任务执行,因为它永不疲倦。但AI需要数据和智能来启动,而这些不能仅存在于工程师的头脑中。如果你还没有将备份和恢复变成一键式流程,并且在手动补丁和升级方面疲于应付,那么智能体AI将无法提供帮助。
相关:AI并非魔法:需要纪律才能获得商业价值
自动化举措首先要建立单一数据源。这提供了对网络基础设施的实时可见性。关键详细信息包括设备性能和配置、是否安全合规、何时进行备份以及存在哪些漏洞。
有了网络和安全设备的可信、可靠数据配置文件,你就能有效利用AI。AI使用高质量数据执行简单搜索、识别异常并提出建议。
为了进一步增强对AI的信任,网络工程师的角色转变为提供专家监督。网络工程师审查发现、验证和权衡建议的影响,并为AI创建护栏。培训智能体网络运营变得可信是比重复执行mundane任务更有价值的技能组合。
网络自动化的价值显而易见:自动化你日常执行或需要更频繁、更可靠执行的简单网络运营任务,然后启用智能体网络运营。那么,为什么三分之二的企业网络活动仍然手动执行?
根据我与网络基础设施负责人的讨论,自动化没有如预期发展有几个原因。
相关:绘制自主企业之路
随着多厂商环境和软件定义网络复杂性的加剧,网络运营团队的工作变得愈发困难。网络运营团队难以保持对所有网络和安全设备的可见性以进行管理、优化和保护。这正是需要自动化的原因。然而,团队很难在专注于"保持运转"工作和不断变化的业务需求的同时战略性地实施自动化。
相关:AI的自动化替代方案
代替自动化,公司往往投入人力来解决问题,希望他们的智囊团不会退休或跳槽到其他公司。对于网络基础设施负责人来说,这种情况已经到了关键时刻,他们越来越多地被问及如何使用AI来减少人员或用现有员工做更多工作。如果他们还没有开始自动化网络活动,就很难自信地回答。
网络自动化的常见陷阱源于难以扩展和成本高昂的传统观念。这些误解阻碍了组织发展。最近,自动化已经发展到无需编码即可轻松入门,适合日益异构环境的现实。现代方法使自动化的使用民主化,进而推广智能体网络运营。
当你从自动化开始时,向智能体网络运营的转变是变革性的。这并不困难。自动化可以将网络工程师转变为实习生管理者,底层有可信的自动化框架。这就是领导者如何继续扩展以支持业务日益复杂和扩展的基础设施,并高效有效地做到这一点,拥有包括AI在内的制胜组合。
Q&A
Q1:什么是智能体网络运营?它与传统网络管理有什么区别?
A:智能体网络运营是一种将网络管理从被动的人工流程转变为主动、智能和自主功能的技术。它利用AI技术自动化网络运营任务,就像由经验丰富工程师指导的实习生团队,能够不知疲倦地加速任务执行,而传统网络管理主要依赖人工操作。
Q2:为什么三分之二的企业网络活动仍然手动执行?
A:主要原因包括:多厂商环境和软件定义网络的复杂性使网络运营团队工作困难;团队难以在专注"保持运转"工作的同时战略性实施自动化;传统观念认为自动化难以扩展且成本高昂;公司往往选择投入更多人力而非实施自动化解决问题。
Q3:网络自动化需要哪些前提条件才能有效支持AI?
A:首先需要建立单一数据源,提供网络基础设施的实时可见性,包括设备性能、配置、安全合规状态、备份时间和漏洞信息。其次要有可信、可靠的网络和安全设备数据配置文件。最后需要将备份恢复变成一键式流程,确保补丁和升级流程自动化,为AI提供高质量的数据基础。
好文章,需要你的鼓励
本期《Quick Charge》播客涵盖多个热点话题:特斯拉疑似试图删除FSD欺诈相关证据以规避巨额赔付;卡特彼勒持续推进建筑领域电气化布局;住宅太阳能30%税收抵免即将到期。此外,嘉宾Tom Pacheco就高压系统与电池技术培训展开探讨,强调电动车技术人才培养的紧迫性。节目同时提醒有意安装太阳能的用户尽快行动,可通过EnergySage平台比较多家安装商报价。
LongLive-RAG由英伟达、USC与MIT联合提出,通过让AI检索自身生成的历史视频片段作为参考,解决长视频生成中的角色漂移和画面不一致问题。
Cloudflare联合创始人兼CEO马修·普林斯近日表示,AI智能体产生的网络流量已首次超越人类用户,这一里程碑比多数人预期的更早到来。普林斯原本预测该转折点将出现在2027年底或2027年初,但AI智能体流量增长之迅猛远超预期。这一现象也为"死亡互联网"理论提供了新的佐证——该理论认为互联网上的大部分内容和活动已由机器人主导。
马里兰大学提出无需训练奖励模型的数学推理方案,用大模型实时为小模型的分块生成过程打分选优,效果媲美专用过程奖励模型。