Pilvipohjaisen tekoälyn kyvykkyydet wlan-verkkojen ongelmanhallinnassa

Opinnäytetyön aiheena oli testata laitevalmistajien kehittämiä, pilvessä toimivia tekoäly- ja koneoppimiskyvykkyyksiä, joita hyödynnetään nykyaikaisissa, yritystason wlan-tukiasemissa. Työssä kartoitettiin ennalta määritettyjen, keinotekoisesti luotujen verkko-ongelmien avulla, onko tekoälyillä kykyjä tunnistaa niitä sekä tarjota helpdeskeille ja verkkoasiantuntijoille korjausehdotuksia. Ensimmäisenä määritettiin laitevalmistajat, joiden laitteilla testaukset suoritetaan. Testauksiin päätettiin sisällyttää kolmen eri valmistajan wlan-tukiasemia, mutta saatavuushaasteiden vuoksi testattavaksi saatiin kahden valmistajan tukiasemat. Testauksia varten rakennettiin testiympäristö Telia Inmics-Nebulan Joensuun toimipisteelle, jossa testit ajettiin. Testeissä selvisi, että tekoäly on haastavaa saada reagoimaan pienempien ympäristöjen ongelmiin, mutta hallintaportaalien muista analytiikkanäkymistä saadaan lopulta tieto ympäristöissä olevista ongelmista. Jos aihealueesta tehdään jatkotutkimusta, voitaisiin suuremmalla testiympäristöllä saada tekoäly reagoimaan paremmin erilaisiin ongelmiin.The aim of the thesis was to test artificial intelligence and machine learning capabilities developed by network device manufacturers. These capabilites are running in their clouds and are used in business level wlan access points. In the thesis it was researched with artificially created network problems if artificial intelligence has capabilities to identify the problems and offer repair solutions for helpdesks and network specialists. First, it was decided which device manufacturers’ products would be used for running the tests, and the decision was that the devices of three manufacturers would be included in the tests. Finally, only two manufacturers’ devices were received because of some availability challenges. The testing environment where the tests were done, was built in the office of Telia Inmics-Nebula in Joensuu. As a result of testing, it was found out that it is challenging to get artificial intelligence to react to problems in the network of a smaller environment. These problems were identified using other statistics of the manufacturers’ management portals. In further research it would be interesting to test if a larger testing environment could get artificial intelligence to react better to different problems