使用人工智能改变校园网络质量

简介: 1956年,由约翰·麦卡锡教授带领的一小群研究人员聚集在达特茅斯暑期研究项目中,开始研究人工智能。在这次会议上,麦卡锡创造了“人工智能”这个词,该会议被广泛认为是人工智能研究领域的起点。在接下来的几十年中,人工智能从一个理论性的研究领域逐渐发展成为一种强大的工具,正在深刻地改变着我们的世界。从自动驾驶汽车到智能家居音箱,人工智能正在改变着我们的生活方式,并且这只是一个开始。

1956年,由约翰·麦卡锡教授带领的一小群研究人员聚集在达特茅斯暑期研究项目中,开始研究人工智能。在这次会议上,麦卡锡创造了“人工智能”这个词,该会议被广泛认为是人工智能研究领域的起点。在接下来的几十年中,人工智能从一个理论性的研究领域逐渐发展成为一种强大的工具,正在深刻地改变着我们的世界。从自动驾驶汽车到智能家居音箱,人工智能正在改变着我们的生活方式,并且这只是一个开始。

然而,在网络方面,人工智能也开始发挥作用。当前,全国校园内的网络架构大都是十多年前设计的,那个时候普及的无线设备、社交媒体和流媒体服务等已大幅提升了用户对校园网络的要求和期望。这时候,人工智能技术可以发挥作用,来提高校园网络的连接速度、稳定性和智能化程度。

如今,学生和教职工都期望在校园的每个地方都能够连接到Wi-Fi网络,并且希望在教室、宿舍或者其他地方无缝地使用它,无论是为了刷抖音还是提交第二天的论文还是在线观看视频。良好的数字服务已经成为学生学习体验和满意度的关键因素。

最近接触到的智慧大学项目也设想了一个高度自动化的校园,其中人工智能与其他无线技术(如蓝牙低功耗技术)相结合,可以在校园内个性化地提供无线服务。学生、教职工、工作人员和访客可以与无线信标进行交互,以获取基于位置的服务,例如在学生会馆提供的导航服务,经过医务室时会收到免费流感疫苗通知,或者在校园内进行自助游览等。这些应用只会不断提高对无线网络质量的要求。

此外,我们认为AI在整个IT基础架构故障排除中至关重要。例如,可以将事件在无线和有线域之间进行关联,并与从设备中实时获取的状态进行交叉参考,以快速排除问题,迅速识别异常,并在用户意识到之前预测问题的存在。

“随着AI继续改变我们生活和工作的方式,任何大学都应该考虑实施AI驱动的网络,作为更广泛的数字化转型计划的一部分,以更好地为数字时代的大学社区提供服务。”

改善校园WiFi体验

与许多其他大学一样,我们接触到的大学也面临着一个老化的网络基础设施,这几乎关系到学生、教职员工和访客的网络体验。

由于数千名用户连接多个设备到网络,我们很难提供易于访问和快速互联网服务,而这是我们的学生和教师所期望的,因为我们使用了过时的基础设施。这无法提供用户体验的可见性,并迫使管理员在修复问题之前手动筛选散落在IT堆栈中的大量计算机生成的日志,以确定问题发生的位置和原因。

多年来,已经出现了各种供应商工具来解决这个问题,但它们往往很难使用,需要大量专业知识,并且最终仍需要太多时间和精力来确定无线问题的根本原因。作为网络工程师,我希望我们能够知道用户连接花费了八秒钟,因为DHCP服务器有问题,而不需要跳过四个中间系统和一个中央日志收集器来找出所有的问题所在。

我们在XXX学校的实践表明,一种由人工智能和云计算驱动的新一代网络,能够以比过去那种手动驱动的有线和无线网络更快的速度和更大的规模,帮助我们诊断校园内的问题。

我们购买了某厂家提供的人工智能驱动的网络设备,它能够收集每个Wi-Fi和有线用户正在体验的实时信息,将这些数据在云端进行分析,从而得出可行的解决方案,在问题影响用户体验之前即可解决。

这种先进的故障排除水平,使我们能够在旧架构中从未听说过的事情:为关键满意度指标(如连接时间、漫游时间、吞吐量等)建立网络服务水平基线。例如,我们可以划定,在宿舍里,用户连接WiFi的时间不应超过两秒钟,如果超过了这个时间,就可以立即知道问题出在哪里,并以清晰易读的格式看到网络中出了什么问题。

这个系统是真正的人工智能,因为它随着时间的推移而学习,并且甚至可以预测问题甚至在它们发生之前,从而为网络添加了自我修复的元素。我们采购的技术甚至拥有一个“虚拟网络助手”,使用自然语言处理回答网络管理员的问题,例如:“图书馆的WiFi怎么接入?”

自从新的AI驱动网络上线以来,投诉数量大幅下降。而且,即使有投诉,运维也能够独立快速地处理它们,无需依赖网络服务团队。

随着AI继续改变我们生活和工作的方式,任何校园都应该考虑将AI驱动的网络作为更广泛数字化转型计划的一部分,以更好地服务数字时代的校园社区。

目录
相关文章
|
9天前
|
机器学习/深度学习 人工智能 算法
猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
宠物识别系统使用Python和TensorFlow搭建卷积神经网络,基于37种常见猫狗数据集训练高精度模型,并保存为h5格式。通过Django框架搭建Web平台,用户上传宠物图片即可识别其名称,提供便捷的宠物识别服务。
134 55
|
2月前
|
机器学习/深度学习 人工智能 编解码
探索生成对抗网络(GANs):人工智能领域的革新力量
【10月更文挑战第14天】探索生成对抗网络(GANs):人工智能领域的革新力量
88 1
|
19天前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
107 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
1月前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
垃圾识别分类系统。本系统采用Python作为主要编程语言,通过收集了5种常见的垃圾数据集('塑料', '玻璃', '纸张', '纸板', '金属'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对图像数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。然后使用Django搭建Web网页端可视化操作界面,实现用户在网页端上传一张垃圾图片识别其名称。
79 0
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
|
27天前
|
机器学习/深度学习 人工智能 安全
探索人工智能在网络安全中的创新应用
探索人工智能在网络安全中的创新应用
|
3月前
|
机器学习/深度学习 人工智能 算法
植物病害识别系统Python+卷积神经网络算法+图像识别+人工智能项目+深度学习项目+计算机课设项目+Django网页界面
植物病害识别系统。本系统使用Python作为主要编程语言,通过收集水稻常见的四种叶片病害图片('细菌性叶枯病', '稻瘟病', '褐斑病', '稻瘟条纹病毒病')作为后面模型训练用到的数据集。然后使用TensorFlow搭建卷积神经网络算法模型,并进行多轮迭代训练,最后得到一个识别精度较高的算法模型,然后将其保存为h5格式的本地模型文件。再使用Django搭建Web网页平台操作界面,实现用户上传一张测试图片识别其名称。
142 22
植物病害识别系统Python+卷积神经网络算法+图像识别+人工智能项目+深度学习项目+计算机课设项目+Django网页界面
|
1月前
|
机器学习/深度学习 人工智能 算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别,使用Python作为主要编程语言,通过收集多种车辆车型图像数据集,然后基于TensorFlow搭建卷积网络算法模型,并对数据集进行训练,最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面,实现用户上传一张车辆图片识别其类型。
85 0
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
|
1月前
|
机器学习/深度学习 人工智能 安全
人工智能与机器学习在网络安全中的应用
人工智能与机器学习在网络安全中的应用
69 0
|
3月前
|
机器学习/深度学习 算法 TensorFlow
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
交通标志识别系统。本系统使用Python作为主要编程语言,在交通标志图像识别功能实现中,基于TensorFlow搭建卷积神经网络算法模型,通过对收集到的58种常见的交通标志图像作为数据集,进行迭代训练最后得到一个识别精度较高的模型文件,然后保存为本地的h5格式文件。再使用Django开发Web网页端操作界面,实现用户上传一张交通标志图片,识别其名称。
127 6
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
|
2月前
|
机器学习/深度学习 人工智能 算法
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
玉米病害识别系统,本系统使用Python作为主要开发语言,通过收集了8种常见的玉米叶部病害图片数据集('矮花叶病', '健康', '灰斑病一般', '灰斑病严重', '锈病一般', '锈病严重', '叶斑病一般', '叶斑病严重'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。再使用Django搭建Web网页操作平台,实现用户上传一张玉米病害图片识别其名称。
74 0
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练