هنر ظریف و پیچیده تخصیص پهنای باند در شبکه‌های امروزی تنها در سایه به‌کارگیری فناوری‌ها و ابزارهای نوین امکان‌پذیر است. هوش مصنوعی و یادگیری ماشین می‌توانند به بهترین و دقیق‌ترین شکل ممکن نیازهای یک شبکه را پیش‌بینی کنند.در ادامه با اتاق سرور دات کام همراه باشید.
برنامهریزی ظرفیت شبکه (Network Capacity Planning) به معنای حصول اطمینان از فراهم بودن پهنای باند کافی و رعایت مفاد مندرج در توافق‌نامه سطح خدمات (SLA) است و تضمین می‌دهد مشکلاتی همچون زمان تاخیر زیاد، قطعی‌های مکرر، ناپایداری، عدم دسترسی به شبکه و اختلال در ترافیک مشکلات جدی برای شبکه به وجود نمی‌آورند. پیاده‌سازی چنین برنامهریزی دقیقی فرآیندی پیچیده، مستعد خطا و هزینه‌بر است. تا همین اواخر، داده‌های لازم برای طراحی یک برنامهریزی ظرفیت آگاهانه تنها از طریق گزارش‌های ایستا، تاریخچه‌ها و مستندات پس از استقرار یک شبکه به دست می‌آمدند، اما این وضعیت در حال تغییر است.
اشیش ورما، متخصص تجزیه و تحلیل شناختی شرکت Deloitte Consulting می‌گوید: «با هماهنگ‌سازی و ترکیب علم داده‌ها و فناوری‌های شناختی مثل هوش مصنوعی و یادگیری ماشین، صنعت فناوری‌اطلاعات می‌تواند به دانش جديد و هوشمندانه‌تری برای افزایش سطح دقت برنامهریزی ظرفیت شبکه دست پيدا کند. چنین پیشرفتی به سازمان‌ها کمک می‌کند تا داده‌های دقیق‌تری برای اتخاذ تصمیمات چابک‌تر، بهبود دانش عملیاتی، جلوگیری از خرابی و ایجاد یک تجربه کاربری بهتر جمع آوری کنند.»
برنامهریزی ظرفیت شبکه با کمک هوش مصنوعی مراحل ابتدایی خود را پشت سر می‌گذارد، اما اغلب فروشندگان برنامهریزی ظرفیت از جمله Cisco ، NetBrain ، Aria Networks ، Flowmon و SoloarWinds به دنبال اضافه کردن نوع خاصی از فناوری هوش مصنوعی به خدمات خود هستند، شرکت‌های دیگر نیز به دنبال انجام چنین کاری هستند. در این بین، فروشندگان الگوریتم‌ها و مدل‌های هوش مصنوعی مثل آی‌بی‌ام با برنامه واتسون به دنبال یافتن راهی برای ورود به این حوزه هستند.
هوش مصنوعی نظارت بر شبکه سنتی را تقویت می‌کند
فردریک لیندستروم یکی از مدیران موسسه CIO Advisory در ایالات‌متحده معتقد است به‌کارگیری هوش‌مصنوعی در تجزیه و تحلیل داده‌ها از چند منبع مختلف دقت بیشتری نسبت به ابزارهای سنتی نظارت بر شبکه دارد. او می‌گوید: « هوش مصنوعی با ترکیب عملکرد واقعی شبکه با عملکرد برنامهریزی ظرفیت شبکه مشخص می‌کند چگونه توان عملیاتی شبکه تحت تاثیر سناریوهای مختلف دست‌خوش تغییرات می‌شود.» الگوریتم‌های یادگیری ماشین که برای بررسی عملکرد شبکه استفاده می‌شوند به سرپرست شبکه اجازه می‌دهند ضمن افزایش سطح عملکرد شبکه از تجربيات به دست آمده استفاده کند.
دووال ییگر، تحلیل‌گر و کارشناس یادگیری ماشین شرکت سیسکو می‌گوید: «هوش مصنوعی در دست ساخت سیسکو هنوز در حال یادگیری است و مدل تحلیلی که از آن برای تصمیم‌گیری‌ها استفاده می‌کند در حال بهینه‌سازی است تا یک راه‌حل جامع برای رسیدن به شبکه‌ای ایده‌آل و همسو با چشم‌اندازهای تجاری آماده شود. چنین راه‌حلی به سازمان‌ها در طراحی یک برنامهریزی دقیق با هدف رسیدن به حداکثر ظرفیت ممکن برای شبکه‌ای که در حال رشد است، تغییراتی در آن به وجود می‌آید و کاربران و برنامه‌های کاربردی به آن اضافه می‌شود کمک می‌کند. راه‌حلی که به شکل محلی یا ابری قابل استفاده است.»
یوان هوانگ، استادیار فناوری‌های تجاری دانشگاه Carnegie Mellon می‌گوید: «راهکارهای یادگیری ماشین و هوش مصنوعی می‌توانند به‌طور موثری در پیش‌بینی ترافیک، تشخیص الگوی ترافیک، یادگیری آنلاین و تصمیم‌گیری‌های خودکار نقش داشته باشند. الگوریتم‌های یادگیری ماشین پیشرفته می‌توانند از داده‌های شبکه در مقیاس وسیع به عنوان ورودی استفاده کنند تا پیش‌بینی دقیق از تقاضا برای هر گره موجود در شبکه تولید کنند و الگوها یا روندهای مابین ترافیک شبکه را تشخیص داده و از آن بهره‌برداری کنند. این ترافیک بهبود یافته و پیش‌بینی تقاضا ارزیابی دقیق‌تری از نیازهای ظرفیت شبکه و کاهش نیاز به تامین منابع بیشتر از میزان مورد نیاز را به همراه دارند.»
تشخیص زود هنگام و کشف الگوها یا تغییرات موقت ترافیک شبکه به سازمان‌ها اجازه می‌دهد قبل از آن‌که عملکرد شبکه کاهش پیدا کند یا مشکلات دیگری به وجود آیند اقدامات پیشگیرانه‌ای انجام دهند. هوانگ می‌گوید: «مدل‌های پیش‌بینی پیشرفته را می‌توان با تکنیک‌های بهینه‌سازی یا شبیه‌سازی ترکیب کرد تا به‌طور خودکار ساختار یک شبکه بهینه‌سازی شود و ظرفیت و برنامه‌ریزی‌های مربوطه آماده پیاده‌سازی شوند.» یک چنین برنامهریزی را می‌توان با توجه به معیارهای عملکردی خاص یک سازمان آماده کرد.
فناوری هوش‌مصنوعی می‌تواند داده‌های ترافیکی شبکه را به صورت بلادرنگ پردازش کند و مطابق با شرایط لحظه‌ای شبکه به صورت پویا تصمیمات مربوط به مسیریابی و تخصیص منابع را اتخاذ کند. هوانگ در بخشی از صحبت‌های خود می‌گوید: «هوش مصنوعی می‌تواند مدل‌های مبتنی بر تقاضا را برای تامین ظرفیت در حال رشد آماده کند.» تمام این عوامل می‌توانند مخارج سرمایه‌گذاری و هزینه‌های عملیاتی مربوط به توسعه شبکه، نگهداری، ساماندهی و تلاش متخصصان فناوری‌اطلاعات برای مدیریت چنین فعالیت‌هایی را کاهش دهد.
یک شبکه مجهز به فناوری هوش مصنوعی به محض نصب و پیکربندی صحیح می‌تواند برنامهریزی ظرفیت شبکه را به‌طور خودکار انجام دهد. لیندستروم می‌گوید: «هوش مصنوعی می‌تواند انواع مختلفی از داده‌ها را به صورت بلادرنگ یا تقریبا لحظه‌ای تجزیه و تحلیل کند که برای مهاجرت سازمان‌ها از مراکز داده به شبکه مجازی حیاتی است.»
هوش مصنوعی را می‌توان به شیوه‌های گوناگونی برای تجزیه و تحلیل الگوهای ترافیک شبکه استفاده کرد و به سازمان‌ها کمک کرد درباره اتفاقات در جریان در شبکه و بار کلی شبکه دید روشنی به دست آورند.
داگ تماسانیس، معمار و مدیر ارشد شبکه و امنیت Kronos که خدمات و نرم‌افزار مدیریت نیروی کار را ارائه می‌دهد در این ارتباط می‌گوید: «هرگونه جزئیاتی برای برنامهریزی ظرفیت کوتاه‌مدت و بلندمدت مفید است.»
در کوتاه مدت، هوش‌مصنوعی می‌تواند ترافیک پیوسته روزانه را در سطوح ریز و دقیق از قبیل نوع کاربرد، موقعیت مکانی، فناوری و پروتکل پیش‌بینی کند و از داده‌های دریافتی برای محافظت از شبکه در برابر تخریب عملکرد در دوره‌های پیک استفاده کرد. تماسانیس اشاره می‌کند: «در بلند مدت یک سیستم هوش‌مصنوعی می‌تواند برنامه‌ریزی‌های بهینه ظرفیت را انجام دهد.»
برنامهریزی ظرفیت با قدرت هوش مصنوعی: شروع به کار
مارسل شاو، مهندس سیستم‌های Ivanti معتقد است بهترین روش به‌کارگیری فناوری برنامهریزی ظرفیت شبکه قدرت گرفته از هوش مصنوعی پیدا کردن یک فناوری اثبات شده است که قبلا به سطوحی از موفقیت دست پيدا کرده و مورد پذیرش این صنعت بوده است.
او می‌گوید: «در عین حال، مدیران شبکه باید با احتیاط به توصیه‌های مطرح شده از سوی الگوريتم‌های یادگیری هوش مصنوعی توجه کنند. الگوريتم‌های یادگیری هوش مصنوعی طی چند سال آینده به‌طرز چشمگیری بهبود پیدا می‌کنند، بنابراین مشتریان این فناوری باید صبور باشند و اجازه دهند فناوری هوش‌مصنوعی در ارتباط با هنر برنامهریزی ظرفیت شبکه به درجه‌ای از اعتمادسازی برسد تا توصیه‌هایی که ارائه می‌کند قابل استفاده باشند.»
لیندستروم توصیه می‌کند برای شروع کار از منابع داده‌ای کوچک استفاده کنید و دامنه نظارتی محدودی را انتخاب کنید. او می‌گوید: «ضروری است که منابع داده‌ای قابل اطمینان و سازگار استفاده شوند تا هوش مصنوعی بتواند خط پایه قابل قبولی برای یک چرخه کامل تجاری ارائه کند.»
لیندستروم خاطر نشان می‌کند، استفاده از تکرار کننده پورت شبکه روی دستگاه‌های کلیدی شبکه بهترین روش ارسال داده برای یک بستر تحلیلی است. سیستم‌های خاص مثل کنترل‌کننده‌های بی‌سیم، کنترل‌کننده‌های VPN و دیوارهای آتش می‌توانند به گونه‌ای پیکربندی شوند تا داده‌ها را به‌طور مستقیم استریم کنند. تاماسانیس می‌گوید: «هر مدل سامانه هوش‌مصنوعی به این نوع تغذیه نیاز دارد و هر چه محدوده بیشتری از شبکه زیر نظر قرار گیرد خروجی کار بهتر خواهد بود. نکته کلیدی رسیدن به حداکثر حجم داده‌ای است که قرار است سامانه هوش‌مصنوعی به عنوان داده‌های ورودی و در قالب یادگیری از آن‌ها استفاده کند.
تصورات غلط در مورد منابع و دقت هوش مصنوعی
شاید یک تصور غلط بزرگ در مورد استفاده از هوش مصنوعی برای برنامهریزی ظرفیت شبکه این باشد که این فناوری به ویژه در مورد تعاملات انسانی به منابع زیادی احتیاج ندارد. لیندستروم می‌گوید: «چنین تصوراتی از آنجا ناشی می‌شود که برخی از فروشندگان این‌گونه تبليغ می‌کنند که شما تنها لازم است این ابزار را نصب کنید تا خودش بدون نیاز به مدیریت توسط شخص دیگری کارها را انجام دهد.»
یک تصور غلط دیگر این است که برنامهریزی ظرفیت شبکه مبتنی بر هوش مصنوعی یک بازی همه یا هیچ است. دووال ییگر توصیه می‌کند سازمان‌ها با فروشندگان این نوع خدمات مرحله به مرحله وارد گفت‌وگو شوند و راهکارهای آن‌ها را به روشی ماژولار پیاده‌سازی کنند و بیشتر روی موارد کاربردی تمرکز کنند که بیشترین ارزش را برای آن‌ها دارد.
بزرگ‌ترین تصور غلط در مورد استفاده از هوش مصنوعی در برنامهریزی ظرفیت این است که راهکارهای هوش مصنوعی همیشه دقیق هستند، اما تا زمانی که راهکارهای هوش مصنوعی به بلوغ کافی نرسیده‌اند، برای مدیران شبکه ضروری است تا ابتدا در مورد راهکارهای موجود تحقيق کرده و نتایج عملکرد آن‌ها را بررسی و تایید کنند.
مشکلات بالقوه برنامهریزی ظرفیت توسط هوش مصنوعی
مثل هر فناوری نوظهور دیگری، برنامهریزی ظرفیت با هوش مصنوعی با کاستی‌ها و مشکلات بالقوه‌ای همراه است که ممکن است به‌طور ناخواسته باعث ضرر و زیان کاربران شود. پذیرندگان مشتاق می‌خواهند به سرعت از تمام این امکانات بهره‌برداری کنند و انتظار دارند بدون تنظیم دقیق سیستم به نتایج آنی دست پيدا کنند. لیندستروم می‌گوید: « اگر سیستم داده‌های کافی برای تجزیه و تحلیل نداشته باشد یا این داده‌ها قابل اطمینان یا سازگار نباشند، ابزارها تصویر دقیقی از شبکه یا مشکلات مرتبط با عملکرد شبکه ارائه نمی کنند.»
مهم است از فروشندگانی که مجموعه‌ای از محصولات یا خدمات ناقص را ارائه می‌کنند اجتناب کنید. امروزه اکثر راه‌حل‌های موجود در بازار با وجودی که مزیت‌های بزرگی را برای یک بخش کوچک از یک شبکه عرضه می‌کنند، اما یک راهکار جامع برای شبکه‌های باسیم، بی‌سیم، دستگاه‌ها، کلاینت‌ها، سیاست‌گذاری، امنیت، WAN، کلاود و مرکز داده ارائه نمی‌کنند.
استفاده از محصولات و خدمات هوش‌مصنوعی که مبتنی بر یک پلتفرم باز نباشد کار را برای گسترش خدمات هوش محور به سایر بخش‌های سازمان دشوار می‌کند. لیندستروم می‌گوید: «سازوكارهای آینده دیگر جدا و متمایز از یکدیگر نخواهند بود و بخش‌های مختلف یک سازمان شبکه، خدمات و داده‌های مصرفی خود را به منظور ارتقای کلی دپارتمان‌های سازمان با یکدیگر به اشتراک می‌گذارند.»
برنامهریزی ظرفیت شبکه (Network Capacity Planning) به معنای حصول اطمینان از فراهم بودن پهنای باند کافی و رعایت مفاد مندرج در توافق‌نامه سطح خدمات (SLA) است و تضمین می‌دهد مشکلاتی همچون زمان تاخیر زیاد، قطعی‌های مکرر، ناپایداری، عدم دسترسی به شبکه و اختلال در ترافیک مشکلات جدی برای شبکه به وجود نمی‌آورند. پیاده‌سازی چنین برنامهریزی دقیقی فرآیندی پیچیده، مستعد خطا و هزینه‌بر است. تا همین اواخر، داده‌های لازم برای طراحی یک برنامهریزی ظرفیت آگاهانه تنها از طریق گزارش‌های ایستا، تاریخچه‌ها و مستندات پس از استقرار یک شبکه به دست می‌آمدند، اما این وضعیت در حال تغییر است.
اشیش ورما، متخصص تجزیه و تحلیل شناختی شرکت Deloitte Consulting می‌گوید: «با هماهنگ‌سازی و ترکیب علم داده‌ها و فناوری‌های شناختی مثل هوش مصنوعی و یادگیری ماشین، صنعت فناوری‌اطلاعات می‌تواند به دانش جديد و هوشمندانه‌تری برای افزایش سطح دقت برنامهریزی ظرفیت شبکه دست پيدا کند. چنین پیشرفتی به سازمان‌ها کمک می‌کند تا داده‌های دقیق‌تری برای اتخاذ تصمیمات چابک‌تر، بهبود دانش عملیاتی، جلوگیری از خرابی و ایجاد یک تجربه کاربری بهتر جمع آوری کنند.»
برنامهریزی ظرفیت شبکه با کمک هوش مصنوعی مراحل ابتدایی خود را پشت سر می‌گذارد، اما اغلب فروشندگان برنامهریزی ظرفیت از جمله Cisco ، NetBrain ، Aria Networks ، Flowmon و SoloarWinds به دنبال اضافه کردن نوع خاصی از فناوری هوش مصنوعی به خدمات خود هستند، شرکت‌های دیگر نیز به دنبال انجام چنین کاری هستند. در این بین، فروشندگان الگوریتم‌ها و مدل‌های هوش مصنوعی مثل آی‌بی‌ام با برنامه واتسون به دنبال یافتن راهی برای ورود به این حوزه هستند.
هوش مصنوعی نظارت بر شبکه سنتی را تقویت می‌کند
فردریک لیندستروم یکی از مدیران موسسه CIO Advisory در ایالات‌متحده معتقد است به‌کارگیری هوش‌مصنوعی در تجزیه و تحلیل داده‌ها از چند منبع مختلف دقت بیشتری نسبت به ابزارهای سنتی نظارت بر شبکه دارد. او می‌گوید: « هوش مصنوعی با ترکیب عملکرد واقعی شبکه با عملکرد برنامهریزی ظرفیت شبکه مشخص می‌کند چگونه توان عملیاتی شبکه تحت تاثیر سناریوهای مختلف دست‌خوش تغییرات می‌شود.» الگوریتم‌های یادگیری ماشین که برای بررسی عملکرد شبکه استفاده می‌شوند به سرپرست شبکه اجازه می‌دهند ضمن افزایش سطح عملکرد شبکه از تجربيات به دست آمده استفاده کند.
دووال ییگر، تحلیل‌گر و کارشناس یادگیری ماشین شرکت سیسکو می‌گوید: «هوش مصنوعی در دست ساخت سیسکو هنوز در حال یادگیری است و مدل تحلیلی که از آن برای تصمیم‌گیری‌ها استفاده می‌کند در حال بهینه‌سازی است تا یک راه‌حل جامع برای رسیدن به شبکه‌ای ایده‌آل و همسو با چشم‌اندازهای تجاری آماده شود. چنین راه‌حلی به سازمان‌ها در طراحی یک برنامهریزی دقیق با هدف رسیدن به حداکثر ظرفیت ممکن برای شبکه‌ای که در حال رشد است، تغییراتی در آن به وجود می‌آید و کاربران و برنامه‌های کاربردی به آن اضافه می‌شود کمک می‌کند. راه‌حلی که به شکل محلی یا ابری قابل استفاده است.»
یوان هوانگ، استادیار فناوری‌های تجاری دانشگاه Carnegie Mellon می‌گوید: «راهکارهای یادگیری ماشین و هوش مصنوعی می‌توانند به‌طور موثری در پیش‌بینی ترافیک، تشخیص الگوی ترافیک، یادگیری آنلاین و تصمیم‌گیری‌های خودکار نقش داشته باشند. الگوریتم‌های یادگیری ماشین پیشرفته می‌توانند از داده‌های شبکه در مقیاس وسیع به عنوان ورودی استفاده کنند تا پیش‌بینی دقیق از تقاضا برای هر گره موجود در شبکه تولید کنند و الگوها یا روندهای مابین ترافیک شبکه را تشخیص داده و از آن بهره‌برداری کنند. این ترافیک بهبود یافته و پیش‌بینی تقاضا ارزیابی دقیق‌تری از نیازهای ظرفیت شبکه و کاهش نیاز به تامین منابع بیشتر از میزان مورد نیاز را به همراه دارند.»
تشخیص زود هنگام و کشف الگوها یا تغییرات موقت ترافیک شبکه به سازمان‌ها اجازه می‌دهد قبل از آن‌که عملکرد شبکه کاهش پیدا کند یا مشکلات دیگری به وجود آیند اقدامات پیشگیرانه‌ای انجام دهند. هوانگ می‌گوید: «مدل‌های پیش‌بینی پیشرفته را می‌توان با تکنیک‌های بهینه‌سازی یا شبیه‌سازی ترکیب کرد تا به‌طور خودکار ساختار یک شبکه بهینه‌سازی شود و ظرفیت و برنامه‌ریزی‌های مربوطه آماده پیاده‌سازی شوند.» یک چنین برنامهریزی را می‌توان با توجه به معیارهای عملکردی خاص یک سازمان آماده کرد.
فناوری هوش‌مصنوعی می‌تواند داده‌های ترافیکی شبکه را به صورت بلادرنگ پردازش کند و مطابق با شرایط لحظه‌ای شبکه به صورت پویا تصمیمات مربوط به مسیریابی و تخصیص منابع را اتخاذ کند. هوانگ در بخشی از صحبت‌های خود می‌گوید: «هوش مصنوعی می‌تواند مدل‌های مبتنی بر تقاضا را برای تامین ظرفیت در حال رشد آماده کند.» تمام این عوامل می‌توانند مخارج سرمایه‌گذاری و هزینه‌های عملیاتی مربوط به توسعه شبکه، نگهداری، ساماندهی و تلاش متخصصان فناوری‌اطلاعات برای مدیریت چنین فعالیت‌هایی را کاهش دهد.
یک شبکه مجهز به فناوری هوش مصنوعی به محض نصب و پیکربندی صحیح می‌تواند برنامهریزی ظرفیت شبکه را به‌طور خودکار انجام دهد. لیندستروم می‌گوید: «هوش مصنوعی می‌تواند انواع مختلفی از داده‌ها را به صورت بلادرنگ یا تقریبا لحظه‌ای تجزیه و تحلیل کند که برای مهاجرت سازمان‌ها از مراکز داده به شبکه مجازی حیاتی است.»
هوش مصنوعی را می‌توان به شیوه‌های گوناگونی برای تجزیه و تحلیل الگوهای ترافیک شبکه استفاده کرد و به سازمان‌ها کمک کرد درباره اتفاقات در جریان در شبکه و بار کلی شبکه دید روشنی به دست آورند.
داگ تماسانیس، معمار و مدیر ارشد شبکه و امنیت Kronos که خدمات و نرم‌افزار مدیریت نیروی کار را ارائه می‌دهد در این ارتباط می‌گوید: «هرگونه جزئیاتی برای برنامهریزی ظرفیت کوتاه‌مدت و بلندمدت مفید است.»
در کوتاه مدت، هوش‌مصنوعی می‌تواند ترافیک پیوسته روزانه را در سطوح ریز و دقیق از قبیل نوع کاربرد، موقعیت مکانی، فناوری و پروتکل پیش‌بینی کند و از داده‌های دریافتی برای محافظت از شبکه در برابر تخریب عملکرد در دوره‌های پیک استفاده کرد. تماسانیس اشاره می‌کند: «در بلند مدت یک سیستم هوش‌مصنوعی می‌تواند برنامه‌ریزی‌های بهینه ظرفیت را انجام دهد.»
برنامهریزی ظرفیت با قدرت هوش مصنوعی: شروع به کار
مارسل شاو، مهندس سیستم‌های Ivanti معتقد است بهترین روش به‌کارگیری فناوری برنامهریزی ظرفیت شبکه قدرت گرفته از هوش مصنوعی پیدا کردن یک فناوری اثبات شده است که قبلا به سطوحی از موفقیت دست پيدا کرده و مورد پذیرش این صنعت بوده است.
او می‌گوید: «در عین حال، مدیران شبکه باید با احتیاط به توصیه‌های مطرح شده از سوی الگوريتم‌های یادگیری هوش مصنوعی توجه کنند. الگوريتم‌های یادگیری هوش مصنوعی طی چند سال آینده به‌طرز چشمگیری بهبود پیدا می‌کنند، بنابراین مشتریان این فناوری باید صبور باشند و اجازه دهند فناوری هوش‌مصنوعی در ارتباط با هنر برنامهریزی ظرفیت شبکه به درجه‌ای از اعتمادسازی برسد تا توصیه‌هایی که ارائه می‌کند قابل استفاده باشند.»
لیندستروم توصیه می‌کند برای شروع کار از منابع داده‌ای کوچک استفاده کنید و دامنه نظارتی محدودی را انتخاب کنید. او می‌گوید: «ضروری است که منابع داده‌ای قابل اطمینان و سازگار استفاده شوند تا هوش مصنوعی بتواند خط پایه قابل قبولی برای یک چرخه کامل تجاری ارائه کند.»
لیندستروم خاطر نشان می‌کند، استفاده از تکرار کننده پورت شبکه روی دستگاه‌های کلیدی شبکه بهترین روش ارسال داده برای یک بستر تحلیلی است. سیستم‌های خاص مثل کنترل‌کننده‌های بی‌سیم، کنترل‌کننده‌های VPN و دیوارهای آتش می‌توانند به گونه‌ای پیکربندی شوند تا داده‌ها را به‌طور مستقیم استریم کنند. تاماسانیس می‌گوید: «هر مدل سامانه هوش‌مصنوعی به این نوع تغذیه نیاز دارد و هر چه محدوده بیشتری از شبکه زیر نظر قرار گیرد خروجی کار بهتر خواهد بود. نکته کلیدی رسیدن به حداکثر حجم داده‌ای است که قرار است سامانه هوش‌مصنوعی به عنوان داده‌های ورودی و در قالب یادگیری از آن‌ها استفاده کند.
تصورات غلط در مورد منابع و دقت هوش مصنوعی
شاید یک تصور غلط بزرگ در مورد استفاده از هوش مصنوعی برای برنامهریزی ظرفیت شبکه این باشد که این فناوری به ویژه در مورد تعاملات انسانی به منابع زیادی احتیاج ندارد. لیندستروم می‌گوید: «چنین تصوراتی از آنجا ناشی می‌شود که برخی از فروشندگان این‌گونه تبليغ می‌کنند که شما تنها لازم است این ابزار را نصب کنید تا خودش بدون نیاز به مدیریت توسط شخص دیگری کارها را انجام دهد.»
یک تصور غلط دیگر این است که برنامهریزی ظرفیت شبکه مبتنی بر هوش مصنوعی یک بازی همه یا هیچ است. دووال ییگر توصیه می‌کند سازمان‌ها با فروشندگان این نوع خدمات مرحله به مرحله وارد گفت‌وگو شوند و راهکارهای آن‌ها را به روشی ماژولار پیاده‌سازی کنند و بیشتر روی موارد کاربردی تمرکز کنند که بیشترین ارزش را برای آن‌ها دارد.
بزرگ‌ترین تصور غلط در مورد استفاده از هوش مصنوعی در برنامهریزی ظرفیت این است که راهکارهای هوش مصنوعی همیشه دقیق هستند، اما تا زمانی که راهکارهای هوش مصنوعی به بلوغ کافی نرسیده‌اند، برای مدیران شبکه ضروری است تا ابتدا در مورد راهکارهای موجود تحقيق کرده و نتایج عملکرد آن‌ها را بررسی و تایید کنند.
مشکلات بالقوه برنامهریزی ظرفیت توسط هوش مصنوعی
مثل هر فناوری نوظهور دیگری، برنامهریزی ظرفیت با هوش مصنوعی با کاستی‌ها و مشکلات بالقوه‌ای همراه است که ممکن است به‌طور ناخواسته باعث ضرر و زیان کاربران شود. پذیرندگان مشتاق می‌خواهند به سرعت از تمام این امکانات بهره‌برداری کنند و انتظار دارند بدون تنظیم دقیق سیستم به نتایج آنی دست پيدا کنند. لیندستروم می‌گوید: « اگر سیستم داده‌های کافی برای تجزیه و تحلیل نداشته باشد یا این داده‌ها قابل اطمینان یا سازگار نباشند، ابزارها تصویر دقیقی از شبکه یا مشکلات مرتبط با عملکرد شبکه ارائه نمی کنند.»
مهم است از فروشندگانی که مجموعه‌ای از محصولات یا خدمات ناقص را ارائه می‌کنند اجتناب کنید. امروزه اکثر راه‌حل‌های موجود در بازار با وجودی که مزیت‌های بزرگی را برای یک بخش کوچک از یک شبکه عرضه می‌کنند، اما یک راهکار جامع برای شبکه‌های باسیم، بی‌سیم، دستگاه‌ها، کلاینت‌ها، سیاست‌گذاری، امنیت، WAN، کلاود و مرکز داده ارائه نمی‌کنند.
استفاده از محصولات و خدمات هوش‌مصنوعی که مبتنی بر یک پلتفرم باز نباشد کار را برای گسترش خدمات هوش محور به سایر بخش‌های سازمان دشوار می‌کند. لیندستروم می‌گوید: «سازوكارهای آینده دیگر جدا و متمایز از یکدیگر نخواهند بود و بخش‌های مختلف یک سازمان شبکه، خدمات و داده‌های مصرفی خود را به منظور ارتقای کلی دپارتمان‌های سازمان با یکدیگر به اشتراک می‌گذارند.»