Piattaforme di networking AI native: l’analisi di Juniper Networks per reti a prova di futuro

Piattaforme di networking AI native: l’analisi di Juniper Networks per reti a prova di futuro

Gli esperti dell’azienda specializzata in reti sicure AI native identificano i principali punti di forza delle piattaforme AI native nella doppia ottica dell’AI per il networking e del networking per l’AI

I moderni ambienti IT e applicativi stanno portando verso infrastrutture di rete sempre più complesse. Le piattaforme di networking AI native coprono due differenti casi d’uso: possono essere impiegate nell’ottica dell’AI per il networking, e quindi nel classico contesto AIOps (Artificial Intelligence for IT Operations) a livello di campus e branch, o nell’ottica del networking per l’AI, dove costituiscono una base efficiente per workload AI e ML (Machine Learning) nel data center.

TI PIACE QUESTO ARTICOLO?

Iscriviti alla nostra newsletter per essere sempre aggiornato.

Sia che un’organizzazione utilizzi l’AI per la rete sia che stia sviluppando una rete ottimale per l’AI, una piattaforma AI nativa garantisce la flessibilità e l’automazione necessarie per semplificare le operazioni, aumentare la produttività e offrire performance affidabili su qualunque scala.

Gli esperti di Juniper Networks, azienda specializzata nelle reti sicure AI native, hanno così riassunto le principali potenzialità delle piattaforme di networking AI native, a seconda del caso d’uso specifico.

L’AI per ottimizzare le operazioni di rete

Le reti AI native sono la base ideale per implementare i concetti AIOps. Con AIOps, i team IT possono prendere decisioni più rapide e accurate e intervenire prontamente in caso di incidenti su sistemi e reti. Inoltre, le aziende ricevono informazioni contestuali per grandi quantità di dati di telemetria e di log per l’intera infrastruttura in tempo reale o quasi. Ciò si traduce in molteplici benefici, come una migliore esperienza sia per gli operatori sia per gli utenti e la semplificazione e riduzione dei costi operativi per la gestione della rete.

Leggi anche:  AI 4 Financial Services: impatti e use case della GenAI per il mondo finanziario italiano

Le performance della rete sono continuamente monitorate e analizzate e gli aggiustamenti vengono effettuati automaticamente al fine di ottimizzare velocità, affidabilità ed efficienza. In più, grazie alla capacità di prevedere i colli di bottiglia e i malfunzionamenti prima ancora che si verifichino, AIOps può applicare misure di manutenzione preventiva per ridurre il downtime.

Quando si sceglie una soluzione AI driven per la gestione della rete è importante assicurarsi che questa raccolga e utilizzi tutti i dati generati dalle tecnologie wired e wireless e dalle SD-WAN da tutto l’ambiente aziendale: data center, uffici domestici, tutte le reti campus, branch e cloud. Ciò fornisce trasparenza totale sull’intera rete.

Inoltre, idealmente i team IT sono supportati da un assistente di rete virtuale con un’interfaccia utente conversazionale, che permette di fare domande e ottenere risposte in linguaggio naturale per semplificare e velocizzare la raccolta di insight sulla rete e il troubleshooting.

La rete per ottimizzare l’uso dell’AI

L’uso delle reti AI native come fondamenta per connettere gli utenti è solo un lato della medaglia. L’altro aspetto importante è il modo in cui una rete data center è disegnata. I progressi nell’AI generativa hanno posto AI e ML al centro delle agende di molte aziende: i data center sono diventati il cuore dell’AI e le reti giocano un ruolo critico nel massimizzare l’uso dei costosi server GPU.

I moderni cluster AI e ML possono comprendere anche migliaia di GPU, essenziali per fornire la potenza di calcolo necessaria per addestrare i modelli AI. In particolare, la domanda di potenti GPU e la dipendenza da InfiniBand proprietari rappresenta una sfida significativa per le imprese.

Supportando la distribuzione dei workload fra le GPU e la conseguente sincronizzazione per l’addestramento dei modelli AI, le piattaforme di networking AI native sono una solida base per la velocità di calcolo e l’utilizzo ottimale delle GPU, poiché riducono sia il tempo di completamento del lavoro (JCT, job completion time) sia il tempo necessario affinché anche l’ultima GPU completi i calcoli (tail latency).

Leggi anche:  Verso un futuro sostenibile: Shin Software e il valore dei Digital Twin per l’Industria

Sul fronte InfiniBand, invece, una soluzione per il traffico di dati AI mission critical aperta e collaudata alternativa diventerà probabilmente Ethernet. Con i prossimi sviluppi a 800 GbE e il data center bridging (DCB), Ethernet garantisce alta capacità, bassa latenza per l’ottimizzazione del JCT, migliore gestione delle congestioni e trasmissione dei dati loss free.

“Con una rete AI nativa è possibile supportare un numero crescente di dispositivi, utenti e applicazioni, anche con staff IT limitati”, commenta Mario Manfredoni, senior director South Europe di Juniper Networks. “Le organizzazioni devono anche avere la certezza che la rete possa crescere per supportare i workload AI a livello di data center. Solo così, la rete sarà davvero pronta ad affrontare le sfide del futuro, che rappresenterà una svolta ancora più importante dell’avvento stesso di Internet, in grado di imporre un cambiamento totale rispetto all’attuale approccio al networking”.