En una encuesta reciente cubriendo a 7,000 participantes, se mostró claramente la importancia de proporcionar una experiencia digital positiva en el lugar de trabajo. Las organizaciones que implementan un lugar de trabajo habilitado digitalmente obtienen una ventaja competitiva. Las ventajas de desplegar tecnologías nuevas que colocan primero a la movilidad van más allá de mejorar la productividad de los empleados. También proporcionan una satisfacción de trabajo mayor, así como un mejor compromiso de clientes y empleados.

Para entregar una experiencia digital inteligente y personalizada, la infraestructura Wi-Fi de la actualidad debe evolucionar. Se requiere una red autónoma que auto aprende y se auto ajusta para mantener el paso con el crecimiento de movilidad e IoT – una red que esté basada en Machine Learning (ML), una rama de inteligencia artificial. Este documento resalta ejemplos de cómo Aruba está utilizando ML para optimizar las redes inalámbricas para entregar experiencias de usuario mejoradas.

INTRODUCIENDO MOVILIDAD DE ARUBA IMPULSADA POR AI

La Movilidad de Aruba impulsada por AI está basada en optimizar tres áreas clave del ambiente inalámbrico. Primero, la calidad de la experiencia del usuario, segundo, el rendimiento de radiofrecuencia (RF) de una red inalámbrica y finalmente, las operaciones de red de TI. Las métricas de conectividad de los usuarios, la itinerancia y el rendimiento de aplicaciones se monitorean continuamente y se establece una línea base para asegurar que los usuarios tengan una conexión inalámbrica consistente y de alto rendimiento.

Se recolectan datos y se analizan mediante modelos de Machine Learning supervisados y no supervisados. Las implementaciones de Movilidad de Aruba impulsada por AI monitorean, entienden y actualizan automáticamente los parámetros de RF y de la red para asegurar que todos los usuarios reciban una experiencia Wi-Fi óptima – una que sea confiable y que los mantenga productivos.

DESCRIPCIÓN GENERAL DE LA SOLUCIÓN

MOVILIDAD DE ARUBA IMPULSADA POR AIOperación autónoma de red para experiencias digitales inteligentes

¿QUÉ ES MACHINE LEARNING?

Machine Learning (Machine Learning - ML) es una rama avanzada de inteligencia artificial que utiliza algoritmos matemáticos (modelos) para aprender y para efectuar juicios informados de los datos, sin estar explícitamente programado para cada situación. Al ser presentado con nuevas entradas, ML entonces utiliza estos datos para proporcionar perspectivas inteligentes o para predecir un resultado específico. Aplicado correctamente, ML está particularmente bien adaptado para manejar problemas complejos, como optimización Wi-Fi o para detección de ataques desde adentro de una organización.

Figura 1. Los tres componentes de la solución de Movilidad de Aruba impulsada por AI

1 The Right Technologies Unlock the Potential of the Digital Workplace, June 2018

figure 1.0_082818_aimobility-soa

MOVILIDAD IMPULSADA POR AI

RENDIMIENTO WI-FI

EXPERIENCIA DE USUARIO

OPERACIONES DE RED

DESCRIPCIÓN GENERAL DE LA SOLUCIÓN MOVILIDAD DE ARUBA IMPULSADA POR AI

Al liderar la revolución móvil y aprovechando nuestra experiencia de dominio en tecnologías Wi-Fi, Aruba puede utilizar la ciencia de datos para optimizar cada aspecto del rendimiento a través de un ambiente inalámbrico. Los componentes clave en la actualidad de la Movilidad impulsada por AI son:

• Aruba NetInsight. NetInsight recolecta datos de las operaciones de la red y los aplica a algoritmos de Machine Learning supervisado y no supervisado para reconocer patrones cambiantes a través de la infraestructura y recomienda cambios en los parámetros de la red para mejorar el rendimiento de la red Wi-Fi para usuarios, sus dispositivos e IoT.

• AirMatch y ClientMatch. Como componentes medulares de ArubaOS 8, AirMatch y ClientMatch trabajan en conjunto con NetInsight para monitorear continuamente y optimizar los parámetros Wi-Fi, como potencia, canales, conexiones y ancho de banda a través de la red inalámbrica completa.

• Cape Networks. Sensores simples de desplegar evalúan continuamente los datos de la red y de las aplicaciones de usuarios y dispositivos conectados a través de la redes alámbrica e inalámbrica. Esta combinación de supervisar las métricas de rendimiento, tanto de las redes como de las aplicaciones, es lo que distingue a Cape Networks de otras soluciones centradas en clientes.

La Movilidad de Aruba impulsada por AI opera en el edge y en la nube. Aunque están disponibles en forma separada, cada componente trabaja en asociación cercana, compartiendo los datos y resultados, asegurando que la infraestructura de Aruba no tan sólo proporcione experiencias asombrosas, sino también para aumentar la eficiencia y la efectividad de la organización de TI.

ARUBA NETINSIGHT PARA ASEGURAMIENTO AVANZADO DE LA RED

Existen dos factores que influyen en el grado de funcionamiento de una red y finalmente, de cómo se mide la experiencia del usuario. Una es la infraestructura inalámbrica y la otra es la configuración y el comportamiento de los clientes, incluyendo los dispositivos IoT. Al recolectar y analizar los datos del tráfico, de los clientes, de las características de RF y de la topología para cada access point y cliente conectado, NetInsight entiende las operaciones de la red y el comportamiento de los clientes.

Como resultado, una configuración u otras variables se pueden afinar en base a datos y a actividades reales. Esto incluye cuántos clientes están conectados, cuáles aplicaciones están siendo utilizadas, así como patrones de itinerancia cambiantes.

NetInsight utiliza analíticas impulsadas por AI para identificar proactivamente y anticiparse a problemas antes de que los usuarios se vean impactados. La red actúa como un sensor y entrega los datos precisos requeridos para que los modelos de Machine Learning no supervisados y supervisados identifiquen automáticamente en dónde las eficiencias se pueden mejorar o en donde los problemas potenciales podrían existir.

INTRODUCCIÓN A LOS MODELOS DE MACHINE LEARNING

Los modelos de Machine Learning Supervisado están construidos en colaboración entre los científicos de datos y los expertos de dominio. El objetivo es desarrollar un modelo que efectúe predicciones basadas en datos que el modelo nunca haya visto. Esto se logra entrenando a los algoritmos en millones de puntos de datos relacionados al resultado deseado.

El Machine Learning No Supervisado se utiliza para encontrar similitudes previamente no vistas en datos (clustering) o asociaciones entre dos elementos de datos. Los modelos no supervisados no requieren entrenamiento ni preparación. Los datos simplemente se presentan al modelo y el algoritmo determina cuáles son los patrones y resultados relevantes.

DESCRIPCIÓN GENERAL DE LA SOLUCIÓN MOVILIDAD DE ARUBA IMPULSADA POR AI

Una vez que los analíticos detectan problemas, NetInsight recomienda remediación específica. Esto incluye cambios sugeridos en la configuración inalámbrica, algunos de los cuales son específicos a RF y son implementados automáticamente mediante AirMatch y ClientMatch. También se pueden utilizar datos de validación de cambios para determinar si los cambios a la configuración o a los parámetros de una red mejorarán o degradarán el rendimiento.

La identificación proactiva y la reparación de problemas potenciales reducen el número de llamadas al help desk y minimizan los tiempos de localización y resolución de problemas. TI ya no necesita adivinar lo que está causando los problemas potenciales y puede entender en dónde necesita hacer cambios y enfocarse en proyectos más proactivos.

ARUBAOS 8 CON OPTIMIZACIÓN PARA ML

ArubaOS8 incluye AirMatch y ClientMatch, los cuales utilizan analíticos avanzados para optimizar el rendimiento de la red desde las perspectivas de RF y del cliente. AirMatch utiliza tecnología patentada y probada que automáticamente administra el espectro de RF para la red completa. La utilización RF en un ambiente se ajusta dinámicamente para maximizar la estabilidad y previsibilidad de Wi-Fi, para asegurar el rendimiento óptimo para todos los clientes y aplicaciones – sin la intervención de TI.

El Machine Learning se utiliza para monitorear automáticamente los parámetros de canal, potencia y ancho de banda para generar el mejor ambiente de RF a través de todos los access points. AirMatch es especialmente efectivo en ambientes ruidosos y de alta densidad, en donde las técnicas manuales dificultan encontrar espacio limpio o libre en el aire.

AMBOS MODELOS SUPERVISADO Y NO SUPERVISADO NECESITAN TRABAJAR JUNTOS PARA RESOLVER PROBLEMAS

Caso de uso Beneficio

ML No Supervisado

Benchmarking de mejor práctica Aprender configuraciones óptimas de instalaciones pares

Identificar comportamiento anómalo en la red Detectar verdaderos problemas de servicio antes de que se conviertan en problemas para los usuarios separando anomalías aleatorias de patrones consistentes subyacentes

Predecir problemas en base a cambios de configuración propuestos

Identificar el impacto hacia los usuarios antes de que se efectúen cambios

APs verdes Sugerir apagar APs que no se utilicen en la noche para conservar energía

ML Supervisado

Recomendar cambios de configuración para mejorar el rendimiento

Cambiar los parámetros de la red en base a recomendaciones del modelo

Filtrar falsos positivos debidos a itinerancia casual Reducir tiempo y esfuerzo desperdiciados en problemas que no tienen ningún impacto hacia los usuarios

Análisis de causa raíz Diagnóstico y remediación acelerados

Figura 2. Clusters de RF generados por AI

Canales de 5GHz Canales de 2.4GHz

DESCRIPCIÓN GENERAL DE LA SOLUCIÓN MOVILIDAD DE ARUBA IMPULSADA POR AI

www.arubanetworks.com/latam

3333 SCOTT BLVD | SANTA CLARA, CA 950541.844.473.2782 | T: 1.408.227.4500 | FAX: 1.408.227.4550 | INFO@ARUBANETWORKS.COM© Derechos de Autor 2018 Hewlett Packard Enterprise Development LP. La información aquí contenida está sujeta a cambios sin notificación. Las únicas garantías para los productos y servicios de Hewlett Packard Enterprise están establecidas en las declaraciones de garantía expresa que acompañan a dichos productos y servicios. Nada de lo aquí contenido se debe interpretar como algo que constituye una garantía adicional. Hewlett Packard Enterprise no será responsable por errores técnicos o editoriales u omisiones aquí contenidas. SO_AIMobility_082918

WI-FI AUTÓNOMA ENTREGA ROI

Los presupuestos de TI no crecen y el talento es escaso. Al tener visibilidad de la red completa y analizar altos volúmenes de datos de usuarios, de la red y de RF, técnicas como el Machine Learning son como "especialistas" de TI altamente inteligentes que siempre están trabajando. Los problemas se detectan antes de que causen interrupciones, los problemas intermitentes toman minutos y no días para resolver y filtros inteligentes bloquean el ruido blanco que desperdicia tiempo y energía. El hacer más con menos y obtener un mejor resultado—ese es el ROI de la solución de Movilidad de Aruba impulsada por AI.

Modelos de Machine Learning no supervisados crean una topología de red de access points similares. Una vez que estos clusters se identifican, AirMatch utiliza algoritmos de propiedad exclusiva, perfeccionados a lo largo de años de experiencia, para establecer automáticamente parámetros clave de potencia, canal y ancho de banda para asegurar un uso parejo de canales, reducir interferencia y maximizar la capacidad del sistema.

ClientMatch ha sido soportado desde ArubaOS6.x y se enfoca en el problema de monitorear y de mantener proactivamente la conectividad de un dispositivo Wi-Fi hacia el AP que le proporcionará el mejor servicio. Soluciona los desafíos con clientes "sticky," selección de bandas y balanceo de cargas en el espectro, actualizando en forma inteligente las conexiones en base a los tipos de dispositivos y como interoperan con la red.

CAPE NETWORKS MIDE LA EXPERIENCIA DE USUARIOPara los equipos de TI que están cansados de enviar encuestas de usuarios para ver cómo la red Wi-Fi se está comportando, la solución de Cape Networks es una forma automatizada de conseguir las respuestas. Sensores sencillos de desplegar y analíticos basados en nube proporcionan una riqueza de datos acerca de la experiencia de los usuarios o dispositivos mientras están conectados a la red y cómo las aplicaciones críticas para el negocio se están desempeñando.

El sensor se ubica a la misma altura en donde los dispositivos del usuario se colocan típicamente y se programa para correr pruebas simuladas centradas en el usuario sobre las conexiones de Wi-Fi o Ethernet. Las pruebas preconfiguradas o definidas de acuerdo las necesidades ayudan a monitorear las apps y servicios más importantes. Las pruebas se pueden establecer para medir la responsividad de DHCP, DNS, autenticación, portales cautivos, la nube y aplicaciones internas.

En adición a proporcionar perspectivas de la vida real en la experiencia Wi-Fi, los datos de los sensores de Cape Networks proporcionan contexto importante. Al monitorear la responsividad de las apps para acceso sin problemas, TI es capaz de anticiparse a los problemas de servicio antes de que ocurran y también reduce el tiempo y el esfuerzo normalmente requeridos para ir al sitio, diagnosticar un problema e implementar una solución.

Figura 3. El tablero de control de Cape Networks, sencillo de utilizar y basado en web proporciona diagnósticos y perspectivas a detalle.

RESUMEN

Aruba no tan sólo entrega experiencias de usuario inteligentes y personalizadas, sino también los datos de automatización y operacionales para mejorar la eficiencia y efectividad de cualquier equipo de TI. Con analíticos y perspectivas que se derivan justo de los datos correctos aplicados a modelos probados de Machine Learning, solamente Aruba combina la experiencia de dominio práctica y más de 16 años de liderazgo en Wi-Fi con la ciencia de datos necesaria para entregar una red móvil autónoma y altamente afinada.