Las redes empresariales están entrando en una nueva fase en la forma en que se aplica la IA, yendo más allá de los paneles de análisis y los conocimientos previos hacia sistemas que recomiendan acciones, optimizan el comportamiento y operan casi en tiempo real.
A medida que la IA se vuelve más agente, una necesidad se vuelve clara: los sistemas que influyen en las redes deben perfeccionar continuamente su comprensión de cómo es lo “normal”. Este es el principio detrás del aprendizaje iterativo:
Analista jefe de soluciones en Cisco ThousandEyes.
¿Qué es el aprendizaje recursivo?
El aprendizaje recursivo es el más cercano a lo que la literatura sobre aprendizaje automático llama aprendizaje continuo o en línea.
La diferencia es que los sistemas de IA en entornos dinámicos deben tratar su modelo de referencia como algo que evoluciona con el entorno en lugar de algo que se configura una vez y se actualiza periódicamente, donde cada ciclo de calibración informa al siguiente.
Sin embargo, la mayoría de las implementaciones empresariales todavía dependen de actualizaciones básicas periódicas. En cambio, un sistema iterativo trata las percepciones actuales de lo “normal” como tentativas, evaluando los cambios en función del desempeño, la experiencia y el riesgo.
Los resultados saludables ajustan las expectativas, mientras que los resultados degenerativos inhiben o revierten el aprendizaje. Ese proceso de restricción es donde reside el verdadero desafío del diseño.
Considere un minorista cuya aplicación de inventario comienza a experimentar un fuerte aumento en el tráfico todos los viernes por la tarde. Un modelo estático caracteriza esto como anormal. Un sistema recurrente lo evalúa en función de señales de resultados como la extinción o la degradación y gradualmente interioriza el patrón como comportamiento esperado.
Menos falsos positivos y la atención del operador se dirige a donde más importa.
Redes: el circuito de retroalimentación de alta fidelidad de la IA
La creación de redes es un dominio principal convincente para la calibración continua porque el ciclo de retroalimentación es corto. A diferencia de la planificación de la cadena de suministro o de la fuerza laboral, los resultados de la red se pueden observar en segundos, lo que hace que la iteración sea mucho más manejable que en dominios de movimiento más lento.
También hay un factor estructural: la red pertenece a cada transacción, interacción del usuario, dependencia del servicio y evento de seguridad. Es el tejido común en todo el entorno y, a menudo, a menudo pone de manifiesto inconsistencias en primer lugar. Una anomalía de tráfico puede indicar un evento de seguridad, una implementación fallida o un cambio comercial legítimo.
Independientemente, la red ve la señal temprano, lo que la convierte en un punto de anclaje natural para la calibración multidominio, aunque no es la única entrada.
Ese estándar depende de una telemetría que sea confiable, oportuna y que se imponga con precisión. Las tuberías introducen retrasos, brechas de muestreo y artefactos de correlación que pueden hacer que los sistemas se calibren contra señales erróneas.
Por lo tanto, la actualización de los datos se convierte en una restricción de diseño, no en una métrica de seguimiento. Definir la edad aceptable de la señal es un requisito previo para una calibración segura y es el área donde la implementación inicial probablemente tenga más dificultades.
Calibración, deriva y límites de modelos estáticos.
El aprendizaje iterativo es refinamiento, no reinvención. Cuando se agregan nuevos usuarios o se eliminan aplicaciones, el sistema evalúa si estos cambios introducen riesgos o reflejan nuevas condiciones operativas impulsadas por objetivos declarados como experiencia, resiliencia o tolerancia al riesgo en lugar de simplemente una optimización pura.
La desviación de la configuración hace que esta capacidad sea esencial. Se acumulan pequeños cambios, persisten excepciones transitorias y las interacciones producen resultados no deseados. Los modelos construidos sobre configuraciones supuestas no reflejan cómo se comporta realmente la red.
El aprendizaje recursivo incorpora el comportamiento observado mientras lo ancla a la intención, lo que ayuda al sistema a adaptarse a la realidad de que rara vez se puede lograr una configuración perfecta a escala de higiene.
Dado que la deriva también es uno de los principales factores que contribuyen a las interrupciones, la calibración adaptativa la reformula como una condición operativa en lugar de un problema saludable que debe gestionarse de forma rutinaria.
El contexto requiere más de un único dominio
Un pico de tráfico puede parecer benigno desde la perspectiva de la red, relacionado desde una perspectiva de seguridad o esperado cuando se lo ve en términos del comportamiento de la aplicación.
El aprendizaje repetitivo se vuelve más confiable cuando se basa en señales de múltiples dominios. Considere un sistema de inteligencia artificial que monitorea el tráfico lateral inusual entre servidores internos: el rendimiento permanece dentro de los límites, pero la telemetría de seguridad revela una actividad de autenticación inusual en los mismos servidores.
En lugar de ajustar su línea de base, el sistema señala las desviaciones para que sean revisadas por humanos, adaptándose cuando las señales se alinean y deteniéndose cuando no lo hacen.
Pero, ¿cómo sabrá el sistema cuándo se completa una calibración? En un entorno multidominio, se puede tomar una decisión a nivel de red pendiente de conciliación a nivel de seguridad u observable, dejando el sistema en un estado sutilmente inconsistente que es difícil de detectar y de diagnosticar.
Por lo tanto, garantizar la integridad de las tareas se convierte en un requisito arquitectónico obvio, y la visibilidad unificada entre dominios es clave para la base de los sistemas agentes.
Una transición mesurada pero significativa
Los efectos del aprendizaje iterativo son incrementales pero duraderos: las redes se vuelven menos sensibles a cambios benignos y más receptivas a señales significativas.
Tratar el aprendizaje recursivo como una disciplina operativa define objetivos, establece caminos incrementales y familiariza al operador con la forma en que evoluciona el sistema.
La pregunta ya no es si los sistemas con reconocimiento de agentes asumirán más responsabilidad en las operaciones de red, sino si la infraestructura de calibración subyacente está lista. El aprendizaje recursivo es cómo se construye esa base.
Hemos presentado las mejores herramientas de IA.
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
