Inteligencia artificial en WiFi: una tendencia clara

Leandro Pavón Serrano    28 noviembre, 2019
inteligencia-artificial-en-wifi

Hace un par de años, el famoso cuadrante mágico de Gartner sobre el mercado de Wired and Wireless LAN Access Infrastructure (infraestructura de red de área local alámbrica e inalámbrica) sorprendía al posicionar en el área de visionarios a un nuevo fabricante de tecnología WiFi. Se trataba de Mist, una empresa muy poco conocida en el sector pero con un rápido crecimiento en Estados Unidos. Su inclusión en el cuadrante se debía a la introducción de inteligencia artificial en WiFi para entornos corporativos. Recientemente ha sido adquirida por Juniper, lo que posiblemente le aportará mayor tracción fuera de Estados Unidos y en España.

En este tiempo, el resto de fabricantes del sector se ha sumado a esa propuesta e incorporado machine learning o inteligencia artificial en sus soluciones, cada uno con su enfoque particular.

Pero ¿cómo se puede usar inteligencia artificial en una red WiFi? ¿Mejora la cobertura?, ¿permite más velocidad?

En primer lugar, conviene aclarar que los términos inteligencia artificial y machine learning se emplean por los fabricantes de forma generalizada. Su uso indistinto, sin aclarar con detalle si se emplea un simple algoritmo o datos del propio cliente o de otros, deja a merced de la imaginación de cada uno las expectativas.

Casos de uso de inteligencia artificial en una red WiFi

Existen varias líneas de trabajo en las que la aplicación de técnicas de aprendizaje automático puede aportar mejoras significativas:

Resolución de incidencias. Ésta tal vez sea la primera aplicación de machine learning o inteligencia artificial en WiFi o, al menos, la que ha sido el punto fuerte de Mist. Marvis, su funcionalidad con capacidades de inteligencia artificial, está preparada para recibir preguntas en lenguaje natural, realizar análisis para acotar y localizar problemas y sugerir las causas probables junto con propuestas para su resolución.

De este modo se pueden acortar los tiempos de resolución de incidencias y centrar los esfuerzos en la raíz que origina cada evento. Para ello se emplea la correlación de la información disponible, de forma que los operadores no deben estar pendientes de vigilar una gran variedad de tablas de datos y gráficas, simplemente se centran en las incidencias. Si se requiere investigar al detalle pueden acceder a los datos necesarios para dar respuesta a cada situación.

Automatización de tareas en función de la conversación

En este aspecto, la aplicación de chatbots también resulta interesante. Cuando se requiere escalar una incidencia, lo normal es abrir un ticket, proporcionar datos de la plataforma, ejecutar diagnósticos, tramitar el reemplazo de equipos averiados, etc. Pero los chatbots pueden agilizar este proceso mediante la automatización de tareas en función de la conversación. Por ejemplo, si se lanza el chatbot desde la página de configuración del servidor DHCP de la red WiFi, de forma transparente para el usuario, el chatbot puede analizar la configuración DHCP, el número de dispositivos conectados a la red WiFi y sugerir un cambio de configuración como ampliar el rango de direcciones IP.

Perfeccionamiento de los algoritmos propietarios. La mayoría de fabricantes de soluciones WiFi implementan algoritmos propietarios no definidos en el estándar. La asignación automática de canales, control dinámico de potencia o balanceo de conexiones en puntos de acceso son algunos ejemplos. A lo largo de los años cada fabricante ha evolucionado este conjunto de instrucciones en base a su experiencia e investigación. Con la incorporación de técnicas de machine learning, el algoritmo puede tener en cuenta para su funcionamiento información de la propia red o datos agregados de las redes de otros clientes.

Por ejemplo, actualmente un algoritmo permite cambiar de canal cuando se detecta una interferencia. Si por algún motivo ésta se repitiese todos los martes de 09:00 a 10:00, el algoritmo perfeccionado con machine learning podría tenerlo en cuenta y realizar el cambio de canal la noche de todos los lunes, cuando no hubiera dispositivos conectados, para evitar que los martes la interferencia afectase a las conexiones de los usuarios.

Operación de la red. Inicialmente las redes se operaban en base a comandos introducidos en una consola y actualmente se hace desde herramientas con interfaz gráfica basada en web. Sin embargo, la aplicación de machine learning o inteligencia artificial abre la posibilidad de que los fabricantes permitan la operación de esta red a través de un lenguaje más natural e interactivo, como el que podemos tener con un chatbot o un asistente de voz. Este último caso de uso puede verse en el siguiente vídeo de Aerohive (empresa adquirida recientemente por Extreme Networks) y de forma similar ha sido presentado en formato demo en el último ÁgoraTech de Aruba celebrado en Madrid.

Además, esta tecnología se puede aprovechar para obtener tendencias de uso, predecir comportamientos, sugerir configuraciones y adelantarse a los problemas. Por ejemplo, un sistema tradicional puede establecer una alarma al 80 por ciento de capacidad del CPU para anticiparse a la saturación. Pues bien, el sistema mejorado con machine learning o inteligencia artificial puede tener en cuenta no solo el umbral, sino si resulta problemático superarlo o no en cada caso. Tendría en cuenta, por ejemplo, la hora a la que se alcanza el umbral. Si es a las 18:00 en que hay menos conexiones quizá no sea preocupante, pero si ocure a las 8:00 antes de que se conecte la mayoría de los usuarios, probablemente sea necesario revisar qué ocurre para adelantarse al problema.

Por tanto, las líneas de trabajo son claras y las ventajas prometedoras.

La conectividad y seguridad de dispositivos IoT

Junto con estos casos de uso, de forma transversal, se encuentran la seguridad y la conectividad de dispositivos IoT. La intención de emplear machine learning e inteligencia artificial en soluciones de red LAN y WiFi es una tendencia clara en el sector y probablemente veremos cada vez más fabricantes con propuestas en este sentido.

Comparar las implementaciones de machine learning e inteligencia artificial en redes no es sencillo. En primer lugar, porque el “cómo” se haga puede ser importante o no en cada caso de uso, pero el “qué” haga puede ser muy diferente entre fabricantes. Por ese motivo, mi recomendación es probar estas nuevas funcionalidades siempre que sea posible para asentar las expectativas de forma adecuada, y al mismo tiempo, poder sacarles el máximo provecho.

Imagen: Michael Cordedda

Comentarios

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *