Unternehmen, die Künstliche Intelligenz (KI) in ihren Netzwerkbetrieb integrieren möchten, stehen vor einer grundlegenden Herausforderung: dem „Turm zu Babel“. Moderne Netzwerke sind zwar Multi-Vendor-Ökosysteme, doch die meisten Automatisierungstools verharren in herstellerspezifischen Silos und basieren auf starren, nicht skalierbaren Skripten. Damit KI im Netzwerkbetrieb (NetOps) wirklich effektiv sein kann, muss sie zunächst die universelle Sprache des Netzwerks erlernen und die Syntax einzelner Hardwarehersteller überwinden.
Diese Session skizziert den Architekturplan, der für die Entwicklung von fragmentierten Automatisierungstools zu autonomen, herstellerunabhängigen KI-Agenten erforderlich ist.
Wir untersuchen die entscheidende „Übersetzungsschicht“ – die Architekturkomponenten, die notwendig sind, um Netzwerkdaten zu normalisieren, zu abstrahieren und semantisch zu modellieren. Indem wir rohe CLI-Ausgaben und proprietäre APIs in eine strukturierte Wissensbasis umwandeln, ermöglichen wir der KI, das Netzwerk ganzheitlich statt gerätebezogen zu analysieren.
Als konkretes Beispiel analysieren wir einen realen Anwendungsfall: den NIS2 Compliance Check Agent.
Die Teilnehmer lernen die Möglichkeiten eines herstellerunabhängigen Agenten kennen, der selbstständig in heterogenen Netzwerken navigieren, regulatorische Anforderungen interpretieren und technische Konfigurationen verschiedener Hersteller ohne manuelle Eingriffe verifizieren kann.
Wichtigste Erkenntnisse:
Die Architektur des Verstehens: Wie die semantische Datenschicht aufgebaut wird, die „Herstellerdialekte“ (Cisco, Juniper, Arista usw.) in eine einheitliche Sprache für KI übersetzt.
Von Skripten zu Agenten: Die schrittweise Entwicklung von deterministischen, aufgabenorientierten Skripten hin zu KI-basierten Agenten.
Praktische Anwendung: Ein detaillierter Einblick in die Entwicklung eines NIS2 Compliance Agenten, der diese herstellerunabhängige Architektur nutzt, um die Einhaltung von Sicherheitsstandards in der gesamten Infrastruktur zu gewährleisten.
