Analisi predittiva e problemi di rete: fantasia o realtà?

L'analisi predittiva può rivelare problemi di rete prima che incidano sull'affidabilità o sulle prestazioni ed è destinata a diventare uno strumento di diagnostica e gestione della rete tradizionale.

analisi predittiva

Prevedere il futuro sta diventando più facile. Sebbene non sia ancora possibile prevedere con precisione il numero vincente della lotteria con un giorno di anticipo, la possibilità di anticipare vari tipi di problemi di rete dannosi e di stroncarli sul nascere è ora disponibile per qualsiasi gestore di rete.

Gli strumenti di analisi predittiva traggono la loro utilità da una varietà di tecnologie e metodologie diverse, tra cui big data, data mining e modellistica statistica. Uno strumento di analisi predittiva può essere addestrato, ad esempio, per utilizzare il il riconoscimento automatico di schemi e regolarità nei dati (pattern recognition) in modo da identificare i problemi prima che diventino problemi significativi o comportino guasti di rete parziali o totali.

“Affidandosi a più fonti di dati puliti, insieme a ridondanze integrate per fornire informazioni accurate e accurate, si possono prevenire i problemi anziché limitarsi a reagire quando questi si presentano” afferma Richard Piasentin, responsabile della strategia presso lo specialista di reti Accedian. Piasentin osserva che l’analisi può anche essere integrata nei sistemi di orchestrazione a circuito chiuso per fornire l’auto-correzione della rete per molti problemi comuni. “In definitiva, l’analisi predittiva aiuta le aziende a risparmiare sui costi operativi e impedisce che i problemi che di solito culminano in interruzioni complete passino inosservati”.

Analisi del comportamento della rete

“Se progettate e distribuite correttamente, le analisi predittive possono fornire approfondimenti su una vasta gamma di problemi di rete comuni e unici, aiutando gli operatori a gestire qualsiasi aspetto, dall’impostazione dei criteri e dal controllo della rete fino alla sicurezza” afferma Rahim Rasool, data scientist di Data Science Dojo. Per affrontare i problemi di sicurezza, ad esempio, l’analisi predittiva può utilizzare algoritmi di rilevamento delle anomalie per fiutare attività sospette e identificare possibili violazioni dei dati. “Questi algoritmi analizzano il comportamento delle reti che lavorano nel trasferimento di dati e distinguono le attività legittime dalle altre”, spiega Rasool. “Con i sistemi di analisi predittiva, le vulnerabilità in una rete possono essere rilevate prima di un gruppo di hacker e, successivamente, può essere sviluppato un meccanismo di difesa.”

Un altro modo in cui l’analisi predittiva può aiutare le organizzazioni è il confronto delle tendenze con le capacità dell’infrastruttura e le soglie di allarme. “Quasi tutti i segnali hanno un limite superiore e un limite inferiore che sono il risultato delle capacità dell’infrastruttura” afferma Gadi Oren, vice presidente di LogicMonitor, azienda che gestisce una piattaforma di monitoraggio delle prestazioni basata su cloud. “Ad esempio, una determinata interfaccia del dispositivo può trasferire così tanta capacità per unità di tempo prima che sia saturata”. Inoltre, alcuni segnali sono collegati a soglie di allarme. “Utilizzando la tendenza esposta e la sua varianza, possiamo prevedere quando un determinato sistema fisico massimizzerà la sua capacità o quando si prevede che la tendenza raggiungerà una soglia e causerà un allarme”.

Analisi predittiva al lavoro

Sebbene quasi ogni tipo di rete aziendale possa trarre vantaggio da approfondimenti generati dall’analisi analitica, le reti che trasportano dati cruciali in settori come l’assistenza sanitaria, la risposta alle emergenze e la gestione del traffico aereo trarranno il massimo vantaggio da questa tecnologia. Le utility elettriche si preoccupano in particolare di garantire l’affidabilità della rete, poiché anche un’interruzione minore può comportare danni umani e finanziari significativi. “Sfruttiamo i modelli di machine learning per prevedere le interruzioni future che incidono sulla rete di un cliente in base a un evento meteorologico in arrivo e contribuiamo a migliorare l’integrità dei dati rilevando e correggendo gli errori nel modello di rete del cliente” afferma Farnaz Amin, principale responsabile dell’analisi di rete di GE Power.

Operando in oltre 180 Paesi, GE Power produce un terzo dell’elettricità mondiale, fornisce il 90% delle utility di trasmissione di energia in tutto il mondo e sviluppa software che gestisce oltre il 40% dell’energia mondiale. Tuttavia, man mano che le reti di trasmissione di energia crescono in complessità, dovuta in gran parte all’arrivo delle tecnologie di energia rinnovabile, la generazione di elettricità è diventata più problematica a causa di imprevisti cali di vento o luce solare. Una gestione inefficace di un sistema di trasmissione potrebbe comportare blackout e gravi sanzioni finanziarie e reputazionali per i servizi di pubblica utilità. Per far fronte a questa preoccupazione, GE Power si è rivolta all’intelligenza artificiale per facilitare la misurazione e la previsione dell’affidabilità della generazione di elettricità, consentendo così una rete elettrica più stabile.

La società sta inoltre utilizzando gli analytics per affrontare un altro problema persistente e potenzialmente paralizzante del servizio: errori di dati che spesso derivano dall’inserimento manuale di informazioni a livello di fornitore di servizi. Anche errori apparentemente semplici possono ostacolare i team di risposta alle emergenze e alle interruzioni, portando a esperienze di servizio clienti complessivamente scadenti. GE Power sta affrontando questo problema sviluppando algoritmi che incorporano il sistema di informazioni geografiche (GIS) e altre forme di dati del sistema operativo per rilevare, raccomandare e correggere errori pervasivi. Con dati di migliore qualità, i servizi pubblici possono inviare in modo più efficiente le squadre di emergenza, ridurre i tempi di ripristino delle interruzioni ed evitare notifiche di interruzioni errate ai clienti.

analytics big data

Le utility stanno generando una grande quantità di dati dalle loro risorse ogni giorno, ma ci vogliono competenze molto specifiche in hardware e software per sbloccare tutto questo potenziale e ottenere intuizioni fruibili. “Gli attuali approcci per risolvere questi problemi, come l’integrità dei dati del modello di rete, la previsione delle interruzioni e l’ottimizzazione del lavoro, sono manuali, ad alta intensità di lavoro e spesso imprecisi”, afferma Amin. “Un approccio analitico avanzato apprende dai dati storici per essere in grado di fare previsioni che forniranno una migliore visibilità delle risorse di rete e aiuteranno le organizzazioni a prendere decisioni più economiche”.

Le sfide dell’adozione dell’analisi predittiva

Nonostante l’interesse crescente, l’analisi predittiva rimane una tecnologia emergente, piena di insidie e sfide di adozione. “Il principale svantaggio è che questi approcci funzionano bene per ambienti che si stanno ingrandendo, ma non per ambienti che cambiano molto rapidamente”, avverte Oren. Gli ambienti in rapida evoluzione creano una situazione in cui i segnali cambiano troppo rapidamente, prima che il sistema analitico possa rilevare tendenze che si muovono lentamente. “Questo, a sua volta, fornisce risultati imprecisi nel tentativo di prevedere quando accadrà qualcosa”.

Anche ottenere e utilizzare dati di alta qualità è essenziale per previsioni accurate. In media, il settore energetico utilizza solo una piccola parte dei dati che aggrega, osserva Amin. “Questi dati includono tutto, dai sensori ai consigli dei gestori di impianti fino a informazioni dinamiche da una moltitudine di risorse e reti. I dati sono chiaramente disponibili, ma molte utility stanno annegando sotto di essi senza avere un quadro chiaro su come sfruttarli, il che significa che non sono in grado di sfruttare appieno l’analisi predittiva”.

Oltre alla raccolta dei dati, per ottenere il massimo potere predittivo, è anche necessario stabilire un sistema per la raccolta e la registrazione dei vari avvisi e report generati nel tempo dal team operativo della rete dell’organizzazione. Tali dettagli possono essere utilizzati per aumentare la capacità di uno strumento di analisi predittiva di rilevare anomalie in agguato nella rete. “Inoltre, il team deve concentrarsi sull’elaborazione dei dati e sull’analisi delle informazioni”, afferma Rasool. “Questo passaggio richiede di avere un team con esperienza per comprendere l’intera configurazione.”

Il team di rete di un’organizzazione dovrebbe anche essere in grado di fornire adeguati processi di feedback positivi e negativi al sistema di analisi predittiva, poiché tali informazioni aiuteranno le capacità di apprendimento del modello. “Con un’analisi corretta, questi dati possono creare molto più valore sviluppando un mezzo per affrontare circostanze anomale, un po’ come quello che fa attualmente un gestore di rete”, afferma Rasool. Tuttavia, l’autoapprendimento non significa che l’analisi predittiva eliminerà la necessità di gestori di reti umane. “In effetti, un tale sistema sarà in grado di assistere i manager nel migliorare il processo decisionale e la risposta ai problemi”, spiega Rasool.

Un’altra sfida da superare è convincere i team di rete ad abbracciare e utilizzare regolarmente gli strumenti di analisi predittiva. “I team di informatica e data science possono proporre soluzioni, ma se queste non vengono adottate dai gruppi operativi l’investimento non produrrà un buon ritorno”, afferma Amin. “Pertanto, comprendere i processi attuali e incorporare analisi avanzate in tali processi è la chiave del successo.”

Come iniziare

Per le organizzazioni che hanno appena iniziato l’analisi predittiva della rete, è importante riflettere attentamente su quali tipi di dati devono essere acquisiti, nonché sui tipi di problemi di rete che devono essere risolti. “Una volta che avete una chiara immagine dei casi d’uso, questo aggiungerà valore alla vostra organizzazione”, osserva Amin.

Ricordate anche che inserire troppe informazioni in uno strumento di analisi predittiva può essere quasi negativo quanto fornire troppi pochi dati. “Se un’organizzazione non riduce la dimensionalità dei dati che sta analizzando, potrebbe inviare una quantità impraticabile di informazioni di telemetria di rete sul cloud” avverte John Smith, CTO e co-fondatore del fornitore di tecnologia di rete LiveAction.

È anche importante pensare al lato pratico della gestione dei dati, in particolare a come e dove archiviare i dati rilevanti. Vale anche la pena esplorare la containerizzazione, la sua funzionalità e applicabilità in vari casi d’uso, in quanto fornisce molte opzioni”, afferma Amin. “La tecnologia sta avanzando rapidamente e rimandare questa “esplorazione” lascerà indietro le aziende”.