AIの賢さは、与えるネットワークコンテキストによって決まる 

AIの誤作動は技術的な欠陥であり、より優れたモデルによっていずれ解消されるだろう。より正確に言えば、AIは、実際の情報を持たない事柄について推論するように求められると、信頼性の低い出力を生成する。  

AIの幻覚は文脈の問題である

汎用的なタスクにおいては、主要なモデルの誤認識率は10～20%程度にとどまる。しかし、マルチホップネットワーク障害の診断に必要なような、複雑なドメイン固有の推論においては、AIが実際の環境に関する知識を欠いている場合、その数値はさらに上昇する。 

ネットワーク運用は、まさにこのような障害モードが発生すると、重大なリスクを伴う領域です。自信満々でも誤った診断は、エンジニアを間違ったデバイスへと導いてしまいます。もっともらしく聞こえる根本原因が、実際のトポロジーと一致しない（あるいは実際の問題を解決しない）場合、何時間もの時間を無駄にし、ツールへの信頼を急速に損ない、結果としてAIイニシアチブ全体が停滞してしまうのです。  

AIを組織固有の運用状況に根付かせることで、根付かない場合と比較して、誤検出率が最大71%減少します。モデル自体は変わりません。変わるのは、モデルが扱う対象です。  

AIが役に立つ前に答えるべき4つのネットワークに関する質問 

信頼性の高いAIによる診断を行うには、推論を開始する前に、特定のネットワークに関する4つの質問に答える必要があります。それぞれの質問は、異なるデータ層と、それを提供する異なるテクノロジーに対応しています。 

「私のネットワークには現在何が入っているのか」？ " 

AIが何かを調査するには、まず2つのものが必要です。それは、ネットワークのマップと、ネットワークの現在の動作状況に関する情報です。 

このマップはデジタルツインから生成されます。すべてのデバイス、すべてのインターフェース、すべてのパスが継続的に更新されます。問題が発生すると、AIは影響を受けるパス上のデバイスを既に把握しています。「この2つのエンドポイント間の音声品質の問題」といった問題記述は、AIがコマンドを実行する前に、特定のホップとインターフェースのセットに絞り込まれます。これがなければ、AIは範囲を推測するしかなく、誤った結果を招くことになります。  

ライブステートは、マップでは把握できない情報を補完します。ほとんどの監視ツールは一定間隔でポーリングを行いますが、チケットが発行される頃にはそのデータは古くなっています。一時的な状態は既に解消され、痕跡が残っていない場合もあります。自動化機能は、トポロジーレイヤーが既に関連性があると識別したデバイスから、診断実行時にライブネットワークから必要なCLI出力とAPI応答をオンデマンドで取得することで、この問題を解決します。 

これら2つのレイヤー（トポロジーとライブ状態）を組み合わせることで、あらゆる診断に必要な最初の質問、つまり「今、どのデバイスで実際に何が起こっているのか」という問いに答えることができます。 

「この試験は です。 私のネットワークの目標？ " 

これは多くのチームが見落としている層であり、AIが発見したものを評価できるかどうかを決定づける層でもある。 

ネットワークがどのような状態であるべきかという明確な基準がない限り、AIは構成を記述することはできても、それを評価することはできません。許容範囲内の逸脱と、特定の条件下で障害を引き起こす逸脱を区別する方法がないのです。AIは見たものを報告するだけで、それが間違っているかどうかを判断することはできません。 

インテントとは、ネットワークのすべての機能における望ましい状態と構成を符号化したものです。具体的には、理想的な構成、QoSポリシー、BGPプレフィックスのしきい値、アプリケーションパスの要件、コンプライアンス基準などが含まれます。これは、最高のネットワークアーキテクトが頭の中に蓄積している運用上の「暗黙知」を、実行可能な自動化ツールとして機械に提供したものです。   

信頼を前提とすることで、AIは記述的なものから診断的なものへと移行する。2つのデバイス間のQoS設定の違いは、文脈のない単なる観測ではなく、符号化された理想的な状態に対するポリシー違反として認識される。 

"どうしましたか？" 

最初の質問に答えられて初めて、AIは本来の目的である、データ全体にわたる推論、実際の状態と意図した状態との差異の特定、そして結論の導出といった作業を実行できるようになる。 

エージェントシステムは、一度応答して停止するのではなく、一連の手順を計画し、関連する自動化を実行し、返された結果を評価し、これを繰り返します。ある本番環境での導入事例では、このプロセスによって音声品質の低下がバックアップパス上のQoS設定ミスに起因することが判明し、受動的な監視では全く検出できなかった根本原因を4分以内に特定することができました。この問題はフェイルオーバー時にのみ発生していました。AIは、意図されたQoSポリシーを把握し、実際の構成を取得し、両者の相違点を特定することで、この問題を発見しました。  

三層構造の基礎 の コンテキスト認識型 AI

これらの4つの質問は3つの技術に基づいています 協力して作業する。それぞれが、状況問題の異なる部分を解決する。  

デジタルツイン 

デジタルツインとは、オンプレミス、クラウド、ハイブリッド環境全体にわたるあらゆるデバイス、インターフェース、パス、依存関係など、ネットワークのあらゆる要素を網羅した、継続的に更新されるモデルです。ネットワークを自動的に検出し、そのモデルを常に最新の状態に保つことで、問題が発生した場合でも、AIは指示されなくても既にネットワークのトポロジーを把握しています。 

コンテキストスタックにおけるその役割は単純明快だ。AIに何が存在し、それらがどのように接続されているかを伝える。これがスコープ層だ。これがないと、AIはどのデバイスが特定の問題に関係しているかを知る術がなく、推測するか、汎用的なヒューリスティックを適用するしかない。 

Intent-Based Automation 

インテントとは、ネットワークの運用標準が格納される場所です。ネットワークが本来あるべき姿（理想的な構成、QoSポリシー、BGPしきい値、アプリケーションパス要件など）をエンコードし、これらの標準を実行可能な自動化ツールとして提供することで、必要に応じてライブデータを取得して比較できるようにします。 

これがAIのベンチマークとなるものです。バックアップパス上のQoSポリシーは単なるデータです。エンコードされた標準から逸脱したバックアップパス上のQoSポリシーは、検出結果となります。意図がなければ、AIはネットワークを監視できますが、評価することはできません。意図があれば、既知の例外と、特定の条件下で問題を引き起こす構成を区別できます。 

エージェントAI 

AIは推論と実行を担うレイヤーです。問題提起が与えられると、取るべき手順を計画し、デジタルツインを用いて調査範囲を定め、自動化を実行してリアルタイムの状態を取得し、結果を意図と比較し、結論に達するまで透過的に反復処理を行います。一度回答して停止するのではなく、目標が達成されるか、エンジニアへの明確な引き継ぎポイントが明らかになるまで処理を継続します。 

標準的なAIクエリとの実質的な違いは、その推論が根拠に基づいている点です。すべての結論は、ネットワーク上の実際のデバイスデータに基づき、お客様が定義した基準に照らして評価されます。 これは１日あたり 何 排除 幻覚問題――より良いモデルではなく、反論するための具体的で検証可能な情報を持つモデル。 

3つの技術がすべて導入されると何が変わるのか 

最も直接的な効果は、エスカレーションのパターンに現れます。AIが実際のトポロジー、ライブ状態、およびエンコードされた意図を把握することで、ティア1およびティア2のエンジニアは、これまでティア3の介入が必要だった問題を解決できるようになります。AIは、上級エンジニアがチケットを見る前に、45分間の手動調査を経てようやくたどり着くような状況把握情報を提示します。  

あまり目立たないものの、同様に重要な点として、知識の集中という問題が解消されつつあります。ほとんどのネットワークチームでは、運用に関する専門知識が均等に分散していません。ネットワークを深く理解しているのは3人だけで、他のメンバーは彼らに相談します。プラットフォームに組み込まれたすべてのインテント標準は、機械が利用できる組織的な知識であり、次のエンジニアが頼りにできるものであり、組織の離職率に関わらず保持されます。  

信頼性の問題、つまりエンジニアが数回の悪い経験を経てAIを信用しなくなる原因となる問題も変化する。 AIが組織固有のネットワークコンテキストに基づいて構築されると、幻覚の発生率は大幅に低下する。 エンジニアは、出力結果がネットワークに関する自分たちの知識と一致し始めると、その出力結果を信頼し始める。  

どこから始めれば 

ネットワーク運用におけるAI機能を評価する前に、コンテキストレイヤーの現状を把握してください。 

デジタルツインのカバー範囲 

• トポロジーモデルは継続的に更新されていますか、それとも監査サイクルごとにずれが生じますか？ 

• クラウドやハイブリッドインフラストラクチャも対象ですか、それともオンプレミスのみですか？? 

• インシデントが発生した場合、影響を受ける経路上のデバイスを即座に特定できますか？ 

ライブステートオートメーション 

• 発生中のインシデント中に、必要に応じてデバイスの現在の状態を取得できますか？ 

• ポーリング間隔のデータに依存していますか、それとも自動化によって診断時にターゲットとなるCLI出力を取得できますか？ 

エンコードされたインテント 

• 最も重要なアプリケーションパスにおいて、「正しい」状態とはどのようなものかを定義しましたか？ 

• 自動化ツールが実際の構成と比較できるような、理想的な構成基準はありますか？? 

• 最も頻繁に発生する故障モードは、機械が利用できる場所にコード化されていますか？ 

これらのレイヤーはどれも、完全に構築しなくても価値を得ることができます。レイヤーを追加するごとに、その上のすべてのレイヤーの精度が向上します。最もリスクの高い変更タイプを網羅する単一のエンコードされた意図標準は、根拠のないモデルに対して何百もの自由形式のAIクエリを実行するよりもはるかに有用です。 

削減準備完了 MTTR ネットワークを熟知したAIを活用することで、40～60%のコスト削減と、変更による障害の削減を実現できますか？ パーソナライズされたデモをリクエストする 今日は探検する NetBrainのエージェント型ネットワーク運用プラットフォーム。