چرا شبکه ها با محدودیت های جدید در عصر هوش مصنوعی مواجه خواهند شد؟

امروزه بسیاری از شرکت ها و سازمان ها در حال استفاده گسترده از هوش مصنوعی هستند، اما همزمان یک سوال مهم بیشتر از قبل مطرح می شود: چرا شبکه ها با محدودیت های جدید در عصر هوش مصنوعی مواجه خواهند شد؟ واقعیت این است که زیرساخت های شبکه ای که سال ها برای نرم افزار های سنتی طراحی شده بودند، حالا باید حجم عظیمی از پردازش های هوشمند، ارتباطات لحظه ای و انتقال مداوم داده ها را مدیریت کنند. همین موضوع باعث شده شبکه ها تحت فشاری قرار بگیرند که قبلا تجربه نکرده بودند.

در نگاه اول شاید همه چیز عادی به نظر برسد. یک چت بات هوش مصنوعی چند ثانیه دیرتر پاسخ می دهد، یک فرایند خودکار برای لحظه ای متوقف می شود یا سیستم پیشنهاددهنده یک بار نتیجه درست و بار دیگر نتیجه اشتباه نمایش می دهد. هیچ قطعی بزرگی رخ نداده و حتی هشدار خاصی هم ثبت نشده است، اما کاربران کم کم احساس می کنند که سیستم دیگر مثل قبل قابل اعتماد نیست.

در چنین شرایطی معمولا تیم های فنی ابتدا سراغ مدل هوش مصنوعی می روند. بعد پایپ لاین داده ها، سرورها یا زیرساخت ابری را بررسی می کنند. همه چیز سالم به نظر می رسد تا زمانی که یک سوال جدی مطرح می شود: آیا ممکن است مشکل از خود شبکه باشد؟

این اتفاق حالا در بسیاری از سازمان های بزرگ و شبکه های گسترده جهانی دیده می شود. شرکت ها روز به روز وابستگی بیشتری به هوش مصنوعی پیدا می کنند؛ از خدمات مشتری و توسعه نرم افزار گرفته تا امنیت سایبری و مدیریت زنجیره تامین. اما نکته مهم اینجاست که بیشتر شبکه های فعلی هرگز برای چنین حجم و نوعی از پردازش طراحی نشده بودند.

شناخت محدودیت های معماری فعلی شبکه اهمیت بسیار زیادی دارد. اگر سازمان ها از همین حالا نقاط ضعف زیرساخت خود را شناسایی نکنند، در آینده با اختلال های پرهزینه و کاهش عملکرد سیستم های هوش مصنوعی روبرو خواهند شد. به همین دلیل درک این موضوع ضروری است که چرا شبکه ها با محدودیت های جدید در عصر هوش مصنوعی مواجه خواهند شد؟ چون مدل های سنتی شبکه دیگر پاسخگوی نیاز های نسل جدید فناوری نیستند.

هوش مصنوعی مانند نرم افزار های قدیمی عمل نمی کند

یکی از اشتباهات رایج شرکت ها این است که تصور می کنند بار کاری هوش مصنوعی تفاوت زیادی با برنامه های معمولی ندارد. در حالی که هوش مصنوعی رفتار کاملا متفاوتی دارد و نیازمند زیرساختی بسیار پیشرفته تر است.

سیستم های مبتنی بر هوش مصنوعی نسبت به تاخیر شبکه بسیار حساس هستند و کوچک ترین اختلال می تواند روی عملکرد آن ها تاثیر بگذارد. این سیستم ها باید دائما داده ها را میان شعب مختلف، فضای ابری، مراکز داده و تجهیزات لبه شبکه جابه جا کنند. در نتیجه فشار بسیار بیشتری روی شبکه وارد می شود.

از طرف دیگر، هوش مصنوعی الگو های جدیدی از ترافیک ایجاد می کند؛ ارتباط ماشین با ماشین، ارتباط عامل های هوشمند با یکدیگر و پردازش های همزمان در چندین محیط مختلف. بسیاری از شبکه های قدیمی برای مدیریت چنین شرایطی ساخته نشده اند.

برای مثال، زمانی که یک کاربر درخواست ساده ای ارسال می کند، ممکن است همان درخواست چندین مدل هوش مصنوعی را به صورت همزمان فعال کند. بعضی از این مدل ها روی GPU های داخلی اجرا می شوند و برخی دیگر از سرویس های ابری یا پلتفرم های SaaS استفاده می کنند. همه این فرایند ها باید در لحظه انجام شوند و معمولا فرصتی برای تکرار یا جبران خطا وجود ندارد.

در چنین محیطی، حتی کاهش جزئی عملکرد شبکه می تواند مشکلات بزرگی ایجاد کند. نتیجه فقط کند شدن سیستم نیست، بلکه تصمیم گیری های اشتباه، اتوماسیون غیر قابل اعتماد و کاهش اعتماد کاربران به خروجی های هوش مصنوعی خواهد بود.

مشکل اصلی همیشه قطعی شبکه نیست

یکی از پیچیده ترین بخش های کار این است که شبکه ها در عصر هوش مصنوعی معمولا به صورت کامل از کار نمی افتند. در عوض، عملکرد آن ها ناپایدار می شود و همین موضوع تشخیص مشکل را دشوارتر می کند.

مدل های سنتی مدیریت شبکه بر اساس چند فرض ساده طراحی شده اند:

• مسیر ترافیک معمولا ثابت است.
• رفتار نرم افزار ها قابل پیش بینی است.
• مشکلات بعد از ایجاد اختلال شناسایی می شوند.

اما هوش مصنوعی همه این قواعد را تغییر داده است.

امروزه مسیر ترافیک می تواند در لحظه تغییر کند. محل پردازش داده ها دائما جابه جا می شود و رفتار برنامه ها نیز کاملا پویا شده است. در نتیجه اختلال ها دیگر به شکل قطعی کامل دیده نمی شوند، بلکه خود را به صورت رفتار های نامنظم در سیستم های هوش مصنوعی نشان می دهند.

در این شرایط تیم های فنی با سوال های پیچیده ای روبرو می شوند:

• آیا مدل هوش مصنوعی کند شده است؟
• آیا GPU ها ظرفیت کافی ندارند؟
• آیا مشکل از سرویس دهنده ابری است؟
• یا شبکه تاخیر های کوچکی ایجاد می کند که به راحتی دیده نمی شوند؟

بسیاری از ابزار های مانیتورینگ فعلی هم توانایی تشخیص دقیق این مشکلات را ندارند. این ابزار ها معمولا فقط میزان مصرف منابع را نشان می دهند، اما تجربه واقعی کاربر و تاثیر آن روی عملکرد هوش مصنوعی را مشخص نمی کنند.

در نهایت، سیستم های هوش مصنوعی همچنان فعال باقی می مانند، اما با بزرگ تر شدن مقیاس استفاده، عملکرد آن ها ناپایدارتر می شود. دقیقا همینجاست که می توان فهمید چرا شبکه ها با محدودیت های جدید در عصر هوش مصنوعی مواجه خواهند شد؟ زیرا شبکه های سنتی برای پاسخگویی به نیاز های سریع، هوشمند و لحظه ای دنیای جدید طراحی نشده اند.

چرا هوش مصنوعی نیاز به اطمینان پذیری شبکه را به یک ضرورت تبدیل کرده است؟

قبل از گسترش هوش مصنوعی، تیم های شبکه معمولا از ابزار های مانیتورینگ و Assurance برای بررسی وضعیت کلی شبکه و شناسایی مشکلاتی که روی تجربه کاربران تاثیر می گذاشت استفاده می کردند. در آن زمان این ابزار ها بیشتر نقش کمکی داشتند، اما حالا شرایط کاملا تغییر کرده است.

امروزه در دنیایی که بسیاری از فرایند ها توسط هوش مصنوعی انجام می شوند، اطمینان پذیری شبکه دیگر یک قابلیت اضافی نیست، بلکه به یک نیاز اساسی تبدیل شده است. دلیل این موضوع هم روشن است؛ سیستم های هوش مصنوعی دائما در حال پردازش داده، تصمیم گیری و اجرای عملیات هستند و کوچک ترین اختلال می تواند روی عملکرد آن ها تاثیر مستقیم بگذارد. همین مسئله یکی دیگر از دلایلی است که توضیح می دهد چرا شبکه ها با محدودیت های جدید در عصر هوش مصنوعی مواجه خواهند شد؟

سیستم های هوش مصنوعی برای عملکرد درست به چند اصل مهم وابسته هستند:

• داده ها باید بدون اختلال و کاملا صحیح منتقل شوند.
• سیاست های امنیتی باید در تمام بخش ها به صورت یکپارچه اجرا شوند.
• عملکرد شبکه باید از ابتدا تا انتهای مسیر در سطح مطلوب باقی بماند، نه فقط در بخشی از زیرساخت.

شبکه های سنتی معمولا بر پایه دخالت انسانی طراحی شده اند. یعنی بعد از ایجاد مشکل، کارشناسان با بررسی لاگ ها، داشبورد ها و هشدار ها سعی می کنند علت اختلال را پیدا کنند. اما این روش برای دنیای هوش مصنوعی دیگر کافی نیست.

هوش مصنوعی منتظر ثبت تیکت پشتیبانی نمی ماند.
برای عیب یابی دستی متوقف نمی شود.
و زمانی که کیفیت شبکه کاهش پیدا کند، سیستم های هوش مصنوعی از کار نمی افتند، بلکه تصمیم های ضعیف تر و غیر قابل اعتماد تری می گیرند.

به همین دلیل اگر قابلیت Assurance به صورت مستقیم در ساختار شبکه وجود نداشته باشد، بسیاری از سازمان ها مجبور می شوند روند توسعه هوش مصنوعی را کند کنند. نه به خاطر اینکه فناوری ارزش ندارد، بلکه چون خروجی ها دیگر قابل پیش بینی نیستند.

امنیت سنتی دیگر پاسخگوی سرعت هوش مصنوعی نیست

بخش زیادی از معماری های امنیتی قدیمی برای محافظت از برنامه هایی طراحی شده بودند که توسط انسان کنترل می شدند و سرعت عملکرد آن ها محدود بود. اما هوش مصنوعی در مقیاسی کاملا متفاوت عمل می کند.

سیستم های AI با سرعت ماشین فعالیت می کنند و همین موضوع باعث می شود تمام نقاط ضعف و تاخیر های موجود در شبکه بیشتر دیده شوند.

بسیاری از روش های امنیتی سنتی هنوز بر پایه موارد زیر کار می کنند:

• انتقال ترافیک به مراکز مرکزی برای بررسی
• بازرسی متمرکز داده ها
• نقاط کنترل و اعمال سیاست ثابت

این روش ها در گذشته برای نرم افزار های معمولی قابل قبول بودند، اما برای بار های کاری هوش مصنوعی به یک مانع جدی تبدیل شده اند.

هر مرحله اضافی در مسیر شبکه باعث افزایش تاخیر می شود.
هر ناهماهنگی در سیاست های امنیتی، رفتار سیستم را غیر قابل پیش بینی تر می کند.
و هر نقطه کور در شبکه، ریسک امنیتی بیشتری ایجاد خواهد کرد.

زمانی که امنیت به صورت مستقیم در ساختار شبکه ادغام نشده باشد، تیم ها مجبور می شوند بین امنیت و سرعت پاسخگویی هوش مصنوعی یکی را انتخاب کنند؛ در حالی که در معماری مدرن نباید چنین انتخابی وجود داشته باشد.

مشکل اصلی در معماری شبکه پنهان شده است

چالش هایی مانند کاهش عملکرد، نبود دید کامل و مشکلات امنیتی در واقع نشانه های یک مسئله عمیق تر هستند؛ و آن مسئله معماری قدیمی شبکه ها است.

بیشتر شبکه های سازمانی طی سال ها به صورت جداگانه توسعه پیدا کرده اند. هر بخش مسیر خودش را داشته و معمولا مستقل مدیریت شده است:

• شبکه Campus
• شعب سازمان
• WAN
• فضای ابری
• لایه های امنیتی

هر کدام از این بخش ها ابزار ها، سیاست ها و روش های مدیریتی مخصوص به خود را دارند. اما هوش مصنوعی تمام این بخش ها را به صورت همزمان درگیر می کند.

سیستم های AI نیاز دارند تمام بخش های شبکه با یکدیگر هماهنگ باشند، اطلاعات مشترک داشته باشند و سیاست ها را به صورت لحظه ای اجرا کنند. زمانی که معماری شبکه همچنان پراکنده باقی بماند، مشکلات مختلفی ایجاد می شود:

• دید تیم ها نسبت به شبکه ناقص خواهد بود.
• اتوماسیون ها ناپایدار می شوند.
• اجرای سیاست های امنیتی در بخش های مختلف یکسان نخواهد بود.

به همین دلیل بسیاری از پروژه های هوش مصنوعی بعد از موفقیت اولیه، در مرحله توسعه متوقف می شوند. مدل ها به درستی کار می کنند و نتایج اولیه امیدوارکننده هستند، اما زمانی که مقیاس استفاده بزرگ تر می شود، محدودیت های شبکه خود را نشان می دهند.

در واقع مشکل اصلی خود هوش مصنوعی نیست، بلکه زیرساخت شبکه ای است که باید از آن پشتیبانی کند.

زمانی که شبکه مانع پیشرفت هوش مصنوعی می شود

هرچه استفاده از هوش مصنوعی از مرحله آزمایش به عملیات روزمره نزدیک تر می شود، یک واقعیت بیشتر آشکار می گردد:

مشکل اصلی بسیاری از سیستم های AI کمبود قدرت مدل ها نیست، بلکه شبکه هایی است که این مدل ها روی آن اجرا می شوند.

شبکه هایی که برای برنامه های قابل پیش بینی و کاربر محور طراحی شده بودند، حالا باید از فرایند هایی پشتیبانی کنند که کاملا خودکار، مداوم و مبتنی بر تصمیم گیری لحظه ای هستند. همین موضوع دقیقا توضیح می دهد چرا شبکه ها با محدودیت های جدید در عصر هوش مصنوعی مواجه خواهند شد؟

برای بسیاری از سازمان ها این مسئله با یک بحران ناگهانی آغاز نمی شود. ابتدا فقط نشانه های کوچکی دیده می شود؛ عملکرد های ناهماهنگ، سخت شدن مدیریت عملیات یا مشکلات مربوط به توسعه سیستم ها. اما به مرور زمان همین نشانه ها بیشتر می شوند و سازمان ها را مجبور می کنند نگاه جدیدی به نقش شبکه در استراتژی هوش مصنوعی خود داشته باشند.

واقعیت این است که نقشه راه هوش مصنوعی نمی تواند منتظر فرسوده شدن زیرساخت شبکه باقی بماند. در سال های آینده، شبکه ها فقط بر اساس میزان در دسترس بودن ارزیابی نخواهند شد، بلکه توانایی آن ها در ارائه عملکرد پایدار و تصمیم گیری سریع اهمیت اصلی را خواهد داشت.

زیرا در عصر هوش مصنوعی، شبکه فقط یک زیرساخت ساده نیست.

شبکه بخشی از فرایند انتقال داده، تحلیل اطلاعات و خلق ارزش توسط هوش مصنوعی خواهد بود.