BlueTree Bloggartikkel

Utviklet AI-program for å finne årsaken tilnettverksfeil

BlueTree jobber ikke kun med nettverk, noe Trond har vært aktivt involvert i å utvikle. BlueTreeer et innovativt selskap som i lengre tid har utforsket mulighetene innen AI og maskinlæring, for å forbedre og effektivisere design og drift av nettverk. I den forbindelse kom Trond inn til oss fraUniversitetet i Sørøst-Norge, for å skrive sin master-oppgave om hvordan man kan finnerotårsak til nettverksfeil ved hjelp av AI.

Når Trond først kom til BlueTree, var vi i gang med et prosjekt der vi ville se om maskinlæringkunne brukes til å identifisere hva som var årsaken til en nettverksfeil. En feil i et datanettverkkan føre til driftsstans, noe som kan lede til tap av tid og penger for selskapet som bruker det.Prosessen for å identifisere kilden til en feil i et nettverk, også kjent som «Root Cause Analysis»kan være en betydelig utfordring i mange store datanettverk. Dagens løsning for å finneårsaken til feilen krever at en kvalifisert nettverksekspert ser gjennom systemet for å finnefeilen. Dette kan være en tidkrevende og kostbar oppgave som også er utsatt for menneskeligefeil.

Det beste med å starte opp i BlueTree var at jeg raskt fikk ansvar. Jeg fikk mulighet til å jobbemed ting jeg virkelig likte, og medarbeiderne mine ga meg tillit til å utforske fra første stund. Detbetydde mye for meg.

Det første han gjorde var å utforske laben hvor nettverksdataene lå. I laben fant han ledetråderom hvor feilene kunne ha oppstått. Han innså raskt at det å gjennomgå data manuelt på denmåten tok for mye tid. Derfor utviklet Trond et AI-program som identifiserte feilene og ga forslagtil mulige løsninger. Under prosjektet hjalp alle til med å lage scenarier av nettverksfeil, slik atTrond kodet inn variasjonene.

Videre ville vi utforske mer hvilke nettverksdata som kunne hentes inn og hva dette kunnebrukes til. Dette vil gi en bedre oversikt av nettverket og brukes til andre AI-applikasjoner sliksom anomalideteksjon og «Deep Learning». Konklusjonen ble å «Streame» all nettverksdata isanntid. Samtidig som man gjør aggregering og filtrering, slik at sluttresultatet kan brukesdirekte til maskinlæring, eller andre lignende applikasjoner.

Mye av tiden til Trond blir brukt på å forske frem ny teknologi som brukes til å analysere data inettverkene. I likhet med resten av gjengen på kontoret fordyper han seg i blogger, ulike forumog forhører seg med ressursene «in-house» for å lære nye ting.

Vi har et åpent miljø der vi spør hverandre om råd. Teknologi er i kontinuerlig endring. Detfinnes ikke bare en løsning, men flere tilnærminger. Under prosjektarbeid stiller jeg meg hele tiden spørsmål som: "Er dette den beste løsningen?" og "Finnes det noe som passer bedre?"

Alle som følger med på trender i teknologi vet at deter data science som skal føre oss inn i fremtiden. Data trenger å være i bevegelse og ikke bortglemt iisolerte databaser. Når data er i siloer blir det umuligå se det store bildet, trekke ut intelligens fra dataenog bruke den for å automatisere endringer. For å koble sammen ulike datakilder av ulik format og typer, kan vi benytte «Streaming-tilnærmingen» som Trond utvikler.

Share:
...

SISTE innlegg