למה ארגונים צריכים מנוע AI עבור רשתות אלחוטיות?

השילוב בין בינה מלאכותית וטכנולוגיות האינטרנט האלחוטי המתקדמות ביותר מעצב את החדשנות במגוון תעשיות ומשפר את חיי היום יום שלנו, בין אם אנחנו מטיילים, מתארחים בבית מלון, עושים קניות או מבקרים בבית חולים.

לכל מקום שאליו אנחנו הולכים, יכולות ה-BLE (ר"ת Bluetooth Low Energy) שאפל וגוגל הפכו לסטנדרט במכשירים הסלולריים שלהן מאפשרות חוויית משתמש אישית המבוססת על מיקום המשתמש, באמצעות שידור אותות ייחודיים לחיישנים הממוקמים במרחב.

טכנולוגיות בינה מלאכותית כמו למידת מכונה לא מונחית פותרות את ההליך היקר, הצורך זמן רב והבלתי יעיל שבו מהנדסים מאתרים פיזית את תדר הרדיו (RF) בתוך מבנים על מנת למצוא היכן לקבע את הגלאים ולכייל אותם ידנית. לעומת זאת, מכשירים מבוססי BLE וירטואלי (vBLE) החליפו גלאים מבוססי סוללה, ואפשרו הגדרה אוטומטית בעזרת תוכנה ועדכון רציף של סביבת RF בזמן אמת.

בשעה שקיימות טכנולוגיות כמו האלגוריתם של נטפליקס, שחוזה "תכניות שאולי תאהבו", או הרכב האוטונומי של טסלה, שלומד כיצד להתנהג בסביבה של רטיבות, כך רשתות אלחוטיות מבוססות AI עם vBLE מבטיחות קישוריות עשירה ואמינה יותר למשתמשי המובייל.

למידת מכונה בסביבת ענן מספקת הערכות מיקום בדיוק של 1-3 מטרים והשהייה של תת שנייה, שהופכת יישומים מבוססי מיקום כמו ניווט בתוך מבנה ויישומי קרבה לאמינות ובעלויות משתלמות. בנוסף, הבינה המלאכותית מנתחת את התנהגות הגולש ברשת האלחוטית ומאבחנת טרנדים, כך שבעיות Wi-Fi מאותרות באופן יזום ומטופלות לפני שהמשתמשים אפילו יודעים שהן קיימות.

הטכנולוגיות האלחוטיות מבוססות הבינה המלאכותית נמצאות עדיין בשלב מוקדם יחסית, אבל אנחנו רואים עוד ועוד עדויות לשימוש בהן, והתוצאות מפתיעות.

ישנם ארבעה רכיבים מרכזיים בבניית מנוע AI עבור רשת אלחוטית WLAN: נתונים, מבנה וסיווג, מדע נתונים, ותובנות. בפסקאות הבאות אפרט על כל אחד מהם.

נתונים

בדיוק כמו שאיכות היין תלויה באיכות הענבים, כך ניתן לבנות פלטפורמה מבוססת AI שנדרשים עבורה נתונים באיכות גבוהה – והרבה מהם.

כדי לגשת לזה בצורה נכונה, יש לתכנת נקודות גישה שאוספות סטטוס לפני ואחרי ההתקשרות לרשת מכל מכשיר אלחוטי. נקודות הגישה נדרשות לאסוף הן נתונים ברי סנכרון והן נתונים שאינם ברי סנכרון. נתונים ברי סנכרון הנם הנתונים הרגילים שאותם רואים ממערכות אחרות, כמו סטטוס הרשת. נתונים שאינם ברי סנכרון חשובים גם הם, שכן הם מספקים מידע על מצב המשתמש ליצירת רמות שירות, חוויית שימוש, ואבחון חריגות ואנומליות ברשת.

מידע זה, או מטה דטה (מידע אודות המידע), נשלח לענן, במקום שבו מנוע הבינה המלאכותית יכול לעבד נתונים אלה.

מבנה וסיווג יחידות בסיסיות של בינה מלאכותית

בשלב הבא, מנוע ה-AI צריך לעבד את נתוני המטה דטה שהתקבלו מהאלמנטים ברשת ב-סט של יחידות AI בסיסיות.

על מנוע ה-AI להיות מתוכנת בהתאם לדומיין הרשת האלחוטית, כך שניתן יהיה לשייך את המטה דטה לקטגוריות שונות, לטובת ניתוח על ידי כלי ה-Data science toolbox, ובסופו של דבר לספק ראייה לתוך הרשת.

מספר יחידות בסיסיות של בינה מלאכותית, שמובנות כמטריצה וכמאבחנים, מאפשרות לעקוב אחר חוויית שימוש מקצה לקצה ומאפיינים מרכזיים כמו זמן ההתחברות, רוחב הפס, הכיסוי האלחוטי, קיבולת הרשת והנדידה. על ידי אבחון בין אם אלמנטים אלה מצליחים או נכשלים להתחבר לרשת, באמצעות ניתוח המידע ניתן לזהות אנומליות ולקבוע את הסיבה לכך. מעבר לכך, מנוע ה-AI יכול לספק את הנראות הנדרשת על מנת לקבוע, לנטר ולהטמיע רמות שירות.

בינה מלאכותית. אילוסטרציה: Elnur/BigStock

מדע הנתונים

מרגע שהנתונים נאספו, נמדדו וקוטלגו, ניתן להשתמש במדע הנתונים. יש מגוון טכניקות שניתנות לשימוש, לרבות למידת מכונה עם ובלי פיקוח, כריית מידע, למידה עמוקה ומידע הדדי. טכניקות אלה משמשות לביצוע פעולות כמו Base lining, איתור אנומליות, תיקון אירועים וחיזוי.

עוזרים וירטואליים מבוססי AI

הרכיב האחרון של מנוע ה-AI הוא עוזר וירטואלי, שמספק מידע למנהל ה-IT וכן הזנת אותו מידע בחזרה לרשת עצמה, על מנת לבצע אוטומציה של תיקון תקלות, עד להפיכתה ל-"רשת בעלת יכולות תיקון עצמי".

ניתן לתשאל את מערכת הבינה המלאכותית בשפה פשוטה ומובנת לאדם, ללא צורך ב-CLI או שפות תכנות, כמו שעושות מערכות מסורתיות נטולות AI. פעילות זו משפרת את יעילות צוותי ה-IT, תוך אספקת חוויית משתמש טובה יותר לעובדים וללקוחות.

רשתות אלחוטיות רלוונטיות לעסקים יותר מתמיד, אך פתרון הבעיות שלהן הפך קשה יותר מיום ליום, לאור עלייה במספרי המכשירים השונים, מערכות ההפעלה והיישומים. מנועי AI הם כלים הכרחיים לעסקים המתמודדים עם התאמה מתמדת לציוד חדש, כלים ויישומים בעולם המחובר של ימינו.

הכותב הוא מנכ"ל ג'וניפר נטוורקס בישראל.