„Automatizacija mreža više nije budućnost, ona je realnost koju provodimo odmah sad“, ističe za ICTbusiness.info Ivan Visković, direktor Sektora za jezgrenu mrežu i usluge, Hrvatski Telekom, i dodaje kako je riječ o strateškom smjeru razvoja.
Objašnjava da mrežna automatizacija obuhvaća sve faze – od testiranja i održavanja do implementacije i orkestracije usluga. Posebno naglašava da su u HT-u definirani jasni ciljevi i koraci kojima se podiže stupanj automatizacije u svim domenama mreže. „Uvođenje alata i platformi provodimo ubrzano jer želimo omogućiti brže, pouzdanije i sigurnije mrežne usluge“, kaže Visković.
Prema njegovim riječima, umjetna inteligencija i strojno učenje već su integrirani u upravljanje mrežom i donose konkretne rezultate. To se najviše vidi kroz prediktivno održavanje, rano prepoznavanje anomalija i automatsko otklanjanje problema prije nego što ih korisnici uopće osjete. Visković ističe da su ovakvi procesi ključni za smanjenje operativnih troškova i povećanje učinkovitosti.
U praksi to znači da se neki poslovi koji su ranije trajali deset dana danas mogu završiti u samo dva dana. Automatizacija, dodaje, ne znači mreže bez ljudi, nego veću odgovornost stručnjaka za nadzor, dizajn i poboljšanja procesa.
„Naša je vizija stvoriti mrežu koja će korisnicima pružati maksimalnu stabilnost, personalizirane usluge i novu razinu kvalitete“, zaključuje Visković.
Kako danas izgleda razina automatizacije u telekom mrežama i kamo se taj razvoj kreće? Kojim tempom očekujete prijelaz na više razine autonomije mreže?
Automatizirana mreža podrazumijeva automatizirane procese u svim područjima upravljanja mrežom, u svim mrežnim domenama te u raznim životnim fazama mreže - od automatizacije testiranja, kontinuiranog automatskog uvođenja promjena u mrežu, proaktivnog i prediktivnog održavanja koje omogućava automatsko otklanjanje problema, automatsku optimizacija mreže, automatizirano provizioniranje usluga.
Pri čemu tu imamo razne razine automatizacije pojedinih procesa u mrežama. Primjerice, od primjene skripti za automatsko obavljanje zadataka kao što su CLI skripte, Python ili Ansible skripte i slično, koje omogućuju izravnu zamjenu ručnog izvršavanja zadataka na sustavima, do primjene složenih platformi za automatizaciju i orkestraciju koje koriste predefinirane modele te također i do alata baziranih na strojnom učenju.
Uvođenje ovakvih alata i platformi u većini mreže se događa postupno. Ne postoji jedna automatizacijska platforma koja je primjenjiva na sve mrežne domene te na sve procese operiranja mrežom i uslugama. Koriste se razni alati te su potrebne odgovarajuće prilagodbe ovisno o mrežnim mogućostima te specifičnostima poslovnih procesa.
U današnjim mrežama se značajno koriste alati za automatska testiranja, alati za automatsko upravljanje mrežnom infrastrukturom u cloud okruženju, a značajan je napredak postignut i u području mrežnog planiranja i optimizacije, zatim u području orkestracije mrežnih servisa i unošenja kontinuiranih promjena u mreže. S time da se najveći napredak očekuje u području prediktivnog održavanja odnosno prepoznavanju mrežnih anomalija i automatskog otklanjanja problema.
U HT-u smo krenuli sa sustavnom i pritom još i ubrzanom automatizacijom, definirali smo jasne ciljeve i korake te podižemo stupanj mrežne automatizacije u svim mrežnim domenama kroz razne procese. Pratimo relevantne industrijske standarde te uvodimo najnovije dostupne automatizacijske alate i platforme na tržištu. Primjenjujemo alate razvijene unutar DT grupe te zajednički radimo na njihovom unaprjeđenju. Za automatizirano obavljanje specifičnih poslova koristimo alate koje razvijaju naši stručnjaci.
U određenim područjima usko surađujemo sa proizvođačima automatizacijskih platformi koji su globalni lideri. Takav primjer je automatsko pružanje i orkestracija mrežnih usluga, gdje izravno koristimo iskustva iz mreže za unaprjeđenje i dodatni razvoj platforme. Takvim globalnim igračima su vrijedna iskustva telekoma sa razinom fleksibilnosti koju mi imamo.
Koje tehnologije i arhitekture najviše doprinose automatizaciji mreža? Koliko su umjetna inteligencija i strojno učenje, SDN, NFV i 5G jezgra u praksi već donijeli napredak
Preduvjet za visoki stupanja automatizacije je evolucija postojećih mrežnih funkcija odnosno mrežnih elemenata s jedne strane te razvoj alata i platformi za automatizaciju s druge strane.
Ključna je evolucija mrežnih funkcija prema CNF (Cloud Native Function) u cloud okruženju. To omogućava automatsko upravljanje odnosno implementaciju, testiranje, konfiguriranje mrežnih funkcija. 5G mrežne funkcije su upravo standardizirane i razvijene kao CNF. Druge mrežne funkcije, razvijene i danas implementirane kao VNF (Virtual Network Functions), isto tako evoluiraju u smjeru CNF.
Značajan je razvoj i implementacija APIja, od OpenAPI koncepta koji omogućava jednostavan pristup i integraciju mrežnih elemenata i mrežnih podataka, do specifičnih Network APIja koji omogućavaju automatizirano upravljanje mrežnim uslugama kao što su slicing, campus mreže, dinamičko upravljanje zahtijevanom kvalitetom i slično. Ključan je i razvoj koncepata, protokola i modela koji omogućavaju automatizirano upravljanje mrežnim elementima te orkestraciju mrežnih usluga, primjerice SDN koncept, Netconf/Yang.
Pored razvoja samih mrežnih funkcija i mrežnih elemenata, razvijaju su alati i platforme koje omogućavaju automatsko upravljanje i operiranje mrežnim funkcijama i uslugama - CICD (Continuous Integration and Continuous Deployment) platforme koje omogućavaju kontinuirano unošenje promjena u mreže na učinkovitiji način nego je to tradicionalno, platforme za orkestraciju i automatsko provizioniranje mrežnih usluga, alati za automatska testiranje itd.
Umjetna inteligencija, odnosno alati temeljeni na strojnom učenju, postupno ulaze u domene upravljanja mrežama. U primjeni su alati koji obrađuju velike količine podataka iz različitih mrežnih domena, prepoznaju prometne obrasce i devijacije te rade predikcije i sugestije za mrežne akcije. Ako na temelju ovakvih alata imamo i automatsku provedbu mrežnih korekcija onda je to tzv. zatvorena automatizirana petlja CLA (Closed Loop Automation). Ovdje najbolje DevOps prakse mapiramo u tzv. MLOps (Machine Learning Operations).
Može li se očekivati potpuno samostalno upravljanje mrežom u skoroj budućnosti?
U mrežama sa visokim stupnjem automatizacije, manualna izravna ljudska intervencija odnosno interakcija ljudi sa mrežom je svedena na minimum, ali čak i tad to ne znači da mreža radi bez ljudi. Stručnjaci upravljaju alatima za automatizaciju te su i dalje odgovorni za rad mreže i usluga odnosno za E2E proces.
Primjerice, kod testiranja pri uvođenju novih mrežnih funkcionalnosti ili nadgradnji, stručnjaci definiraju relevantne testove, rade validaciju tih testova, dok se sami testovi provode pomoću alata za automatsko testiranje. Isto tako, pri unošenju promjena u mreže stručnjaci rade na izradi i validaciji konfiguracijskih datoteka kako bi se onda promjene mogle automatizirano unositi u mrežu. Tako da su u konačnici ljudi ti koji su odgovorni za dizajn procesa, valjanost automatiziranog sadržaja, nadzor cijelog proces te njegova poboljšanja.
Prema definiciji TM foruma, kod potpuno automatiziranih mreža sa najvišim stupnjem automatizacije, procesi upravljanja mrežom obavljaju se pomoću automatizacijskih alata autonomno tzv. “zero touch operation“ - od prevencije automatskih popravaka pogrešaka, automatske optimizacije i poboljšavanja performansi do unošenja promjena u mreže na temelju ljudske intencije. Tu osoba izražava poslovnu želju, a umjetna inteligencija to provodi bez nužno unaprijed definiranih pravila i modela. Ovdje bi ljudska intervencija bila svedena na minimum te bi umjetna inteligencija generirala, evaluirala te provodila akcije u mreži.
Da bi ovo bilo moguće umjetna inteligencija mora razumjeti kontekst, primjerice od sigurnosnih aspekata, poslovno-partnerskih, društvenih i ostalih. Pitanje je da li će to, ili možda točnije kada će to biti moguće. Tu se postavljaju pitanja slična kao u drugim industrijama.
Realan cilj je kroz naredne godine doseći visoku razinu automatizacije gdje su u primjeni provjereni i kontrolirani alati i gdje je uloga stručnjaka u upravljanju mrežama i dalje veoma značajna
Koji su najveći izazovi s kojima se telekom industrija susreće pri uvođenju automatizacije? Jesu li prepreke više tehničke, sigurnosne ili organizacijske prirode i kako se nosite s problemom zastarjele opreme i interoperabilnosti različitih sustava?
Vrlo često se podcjenjuje kompleksnost telekomunikacijskih mreža koje pružaju ili osiguravaju široki spektar usluga sa vrlo različitim zahtjevima – od zahtjeva za velikim brzinama, iznimnom sigurnošću, malim kašnjenjima do zahtjeva za povezivanjem velike količine uređaja na malom prostoru. Isto tako, vrlo su visoki zahtjevi u pogledu kvalitete i pouzdanosti i pod najvećim opterećenjima.
Često pojedine mrežne domene nisu prilagođene za uvođenje automatizacije. U HT-u imamo primjer uvođenja platforme za orkestraciju i provizioniranje mrežnih usluga u transportnoj mreži, gdje smo prije uvođenja platforme morali “počistit“ različite mrežne postavke, odnosno standardizirati način kreiranja i realizacije usluga da bi bilo moguće primijeniti ovakvu automatizacijsku platformu. Taj posao čišćenja je trajao punih šest mjeseci.
Pored toga mreže podržavaju i stare tehnologije, kao što je primjerice 2G, koje nisu prilagođene za automatsko operiranje, te su potrebne određene adaptacije. Znatno je lakše uvoditi automatizaciju u tzv. greenfield mreže.
I naravno, kad govorimo o telekomunikacijskim mrežama, onda se očekuje iznimno visoka razina sigurnosti i mreže i korisnika.
Prije uvođenja automatizacije u određeni proces upravljanja mrežom, ključno je razumijevanje poslovne korisnosti uvođenjem alata odnosno platforme, zatim priprema mreže te optimizacija samog alata/platforme kao i definicija novog procesa.
Na koji način automatizacija utječe na operativne troškove i učinkovitost mrežnog upravljanja? Možete li navesti primjere konkretnih ušteda ili ubrzanja procesa te kako se to odražava na kvalitetu rada operativnih timova i smanjenje ljudskih intervencija?
Utjecaj automatizacije na učinkovitost upravljanja mrežom je višestruk. Primjena automatiziranih alata omogućava brže i preciznije obavljanje poslova upravljanja mrežom te učinkovitiju uporabu mrežnih resursa.
Primjerice, u HTu kod primjene alata za testiranje govorne usluge gdje 80% verifikacijskih testova radimo automatski. Na ovaj način, značajne promjene mrežnih konfiguracija, koja mogu imati utjecaj na usluge, verificiramo u dva dana. Tradicionalnim načinom testiranja je bilo potrebno do 10 radnih dana.
Drugi primjer je primjena alata za automatsku softversku nadgradnju transportnih mrežnih elemenata koji nam omogućavaju istovremenu nadgradnju više od 15 mrežnih elemenata tijekom noćne akcije. Tradicionalnim načinom smo radili nadogradnje do maksimalno dva uređaja.
Zatim, automatsko upravljanje cloud infrastrukturom u podatkovnim centrima od podizanja instanci do testiranja i automatskih nadgradnji, praktički “na klik“.
Pored ovakvih primjera, gdje pomoću alata zamjenjujemo manualne i repetitivne poslove, imamo primjere primjene AI alata koji omogućavaju dodatne mogućnosti koji tradicionalnim načinom upravljanja nisu mogući. Primjerice, upravljanje mrežnom infrastrukturom u pogledu potrošnje električne energije. U HT-u smo uveli alate bazirane na strojnom učenju koji upravljaju korištenjem mrežnih resursa te su rezultati izvrsni.
Isto tako koristimo alate koji na temelju razvijenih algoritama omogućavaju rano prepoznavanje mrežnih anomalija u određenim dijelovima mreže, prije nego se problem uopće manifestira na usluge kod korisnika. Pored prevencije problema za korisnika, ovdje imamo i učinkovitije upravljanje izlascima ljudi na teren.
Kompleksnost mreža, stalne tehnološke promjene te raznolikost korisničkih usluga i zahtjeva rezultiraju neodrživim upravljanjem mreža i uslugama na tradicionalan način. Stoga je transformacija u smjeru automatizacije nužnost.
Koje promjene i koristi od mrežne automatizacije najviše osjete krajnji korisnici? Očekuju li ih brži internet, manje prekida i stabilnije usluge te kako automatizacija otvara prostor za personalizirane ponude i nove usluge?
Automatizacija donosi povećanje stabilnosti mreže i kvalitetnije korisničke usluge. Kroz kontinuirana testiranja mrežnih funkcionalnosti i usluga osigurana je isporuka kvalitetnih korisničkih usluga. Isto tako alati bazirani na strojnom učenju omogućuju prepoznavanje mrežnih pogrešaka te njihov ispravak prije nego što to osjete korisnici, a također i znatno viši stupanj prediktivnog održavanja u odnosu na korektivno.
Realizacija novih usluga je brža uslijed bržeg testiranja te jednostavnijeg unošenja promjena u mreže što otvara vrata personaliziranim uslugama. Specifični korisnički zahtjevi se mogu realizirati brže i jednostavnije bez utjecaja na druge usluge. Omogućeno je kvalitetnije prepoznavanje korisničkih zahtjeva i potreba te u skladu s tim dinamička alokacija mrežnih resursa.
