مرکز خرید شاکتیمان مدیر اصلی محصول در Aviatrix است. مال با بیش از یک دهه تجربه در طراحی و اجرای راه حل های شبکه، به نبوغ، خلاقیت، سازگاری و دقت می بالد. قبل از پیوستن به Aviatrix، مال به عنوان مدیر ارشد بازاریابی فنی در Palo Alto Networks و مهندس اصلی زیرساخت در MphasiS خدمت می کرد.
Aviatrix شرکتی است که بر روی ساده سازی شبکه های ابری متمرکز شده است تا به کسب و کارها کمک کند چابک بمانند. پلت فرم شبکه ابری آنها توسط بیش از 500 شرکت استفاده می شود و برای ایجاد دید، امنیت و کنترل برای انطباق با نیازهای در حال تغییر طراحی شده است. برنامه مهندس خبره Aviatrix (ACE) گواهینامه ای در زمینه شبکه های چند ابری و امنیت ارائه می دهد که هدف آن حمایت از حرفه ای ها در حفظ جریانات تحول دیجیتال است.
چه چیزی در ابتدا شما را به مهندسی کامپیوتر و امنیت سایبری جذب کرد؟
به عنوان دانشجو در ابتدا بیشتر به تحصیل در رشته پزشکی علاقه داشتم و می خواستم در رشته بیوتکنولوژی ادامه تحصیل دهم. با این حال، پس از گفتگو با همکلاسی‌هایم درباره پیشرفت‌های فناوری در دهه گذشته و فناوری‌های نوظهور در افق، تصمیم گرفتم به علوم کامپیوتر روی بیاورم.
آیا می توانید نقش فعلی خود را در Aviatrix توضیح دهید و با ما در میان بگذارید که چه مسئولیت هایی دارید و یک روز متوسط چگونه است؟
من دو سال است که با Aviatrix کار می کنم و در حال حاضر به عنوان مدیر محصول اصلی در سازمان محصول خدمت می کنم. به عنوان یک مدیر محصول، مسئولیت های من شامل ایجاد چشم انداز محصول، انجام تحقیقات بازار، و مشاوره با تیم های فروش، بازاریابی و پشتیبانی است. این ورودی‌ها همراه با تعامل مستقیم مشتری به من کمک می‌کنند ویژگی‌ها و رفع اشکال‌ها را تعریف و اولویت‌بندی کنم.
من همچنین اطمینان حاصل می کنم که محصولات ما با نیازهای مشتریان مطابقت دارند. استفاده از ویژگی های محصول جدید باید آسان باشد و بیش از حد یا غیر ضروری پیچیده نباشد. در نقش خود، من همچنین باید به زمان‌بندی این ویژگی‌ها توجه داشته باشم – آیا می‌توانیم امروز منابع مهندسی را به آن اختصاص دهیم یا می‌توان شش ماه صبر کرد؟ برای این منظور، آیا باید عرضه به صورت پلکانی انجام شود یا به نسخه های مختلف تبدیل شود؟ مهمتر از همه، بازگشت سرمایه پیش بینی شده چقدر است؟
یک روز متوسط شامل جلسات با مهندسی، برنامه ریزی پروژه، تماس با مشتریان و جلسات با فروش و پشتیبانی است. این بحث‌ها به من اجازه می‌دهد تا در حین درک مسائل جاری و بازخورد برای عیب‌یابی قبل از انتشار، به‌روزرسانی در مورد ویژگی‌های آینده و موارد استفاده دریافت کنم.
چالش‌های اصلی تیم‌های فناوری اطلاعات هنگام ادغام ابزارهای هوش مصنوعی در زیرساخت‌های ابری موجودشان چیست؟
بر اساس تجربه دنیای واقعی از ادغام هوش مصنوعی در فناوری IT ما، معتقدم چهار چالش وجود دارد که شرکت ها با آن مواجه خواهند شد:
- بهره برداری از داده ها و یکپارچه سازی: داده ها هوش مصنوعی را غنی می کنند، اما زمانی که داده ها در مکان ها و منابع مختلف در یک سازمان قرار دارند، استفاده صحیح از آنها می تواند دشوار باشد.
- مقیاس‌بندی: عملیات‌های هوش مصنوعی می‌توانند فشرده‌تر از CPU باشند و مقیاس‌بندی را چالش‌برانگیز کند.
- آموزش و افزایش آگاهی: یک شرکت می تواند قدرتمندترین راه حل هوش مصنوعی را داشته باشد، اما اگر کارمندان ندانند چگونه از آن استفاده کنند یا آن را درک نکنند، از آن استفاده ناکافی خواهد شد.
- هزینه: مخصوصاً برای فناوری اطلاعات، ادغام با کیفیت هوش مصنوعی ارزان نخواهد بود و کسب و کارها باید بر این اساس بودجه خود را اختصاص دهند.
- امنیت: اطمینان حاصل کنید که زیرساخت ابری استانداردهای امنیتی و الزامات قانونی مربوط به برنامه های کاربردی هوش مصنوعی را برآورده می کند
چگونه کسب و کارها می توانند اطمینان حاصل کنند که زیرساخت ابری آنها به اندازه کافی قوی است تا از نیازهای محاسباتی سنگین برنامه های کاربردی هوش مصنوعی پشتیبانی کند؟
عوامل متعددی برای اجرای برنامه های هوش مصنوعی وجود دارد. برای شروع، یافتن نوع و نمونه مناسب برای مقیاس و عملکرد بسیار مهم است.
همچنین، نیاز به ذخیره‌سازی داده‌های کافی وجود دارد، زیرا این برنامه‌ها از داده‌های ثابت موجود در شرکت استخراج می‌کنند و پایگاه داده‌ای از اطلاعات خود را می‌سازند. ذخیره سازی داده ها می تواند پرهزینه باشد و کسب و کارها را مجبور به ارزیابی انواع مختلف بهینه سازی ذخیره سازی کند.
نکته دیگر پهنای باند شبکه است. اگر هر کارمند در شرکت به طور همزمان از یک برنامه هوش مصنوعی استفاده کند، پهنای باند شبکه باید مقیاس شود – در غیر این صورت، برنامه آنقدر کند می شود که غیرقابل استفاده می شود. به همین ترتیب، شرکت ها باید تصمیم بگیرند که آیا از یک مدل هوش مصنوعی متمرکز که در آن محاسبات در یک مکان واحد اتفاق می افتد یا یک مدل هوش مصنوعی توزیع شده که در آن محاسبات نزدیک به منابع داده اتفاق می افتد، استفاده کنند.
با افزایش پذیرش هوش مصنوعی، تیم‌های فناوری اطلاعات چگونه می‌توانند از سیستم‌های خود در برابر افزایش خطر حملات سایبری محافظت کنند؟
دو جنبه اصلی برای امنیت وجود دارد که هر تیم فناوری اطلاعات باید در نظر بگیرد. اول، چگونه از خطرات خارجی محافظت کنیم؟ دوم، چگونه اطمینان حاصل کنیم که داده‌ها، چه اطلاعات شناسایی شخصی (PII) مشتریان یا اطلاعات اختصاصی، در شرکت باقی می‌مانند و در معرض خطر قرار نمی‌گیرند؟ کسب‌وکارها باید تعیین کنند که چه کسی می‌تواند یا نمی‌تواند به داده‌های خاصی دسترسی داشته باشد. به عنوان یک مدیر محصول، به اطلاعات حساسی نیاز دارم که دیگران مجاز به دسترسی یا کدگذاری نیستند.
در Aviatrix، ما به مشتریان خود کمک می‌کنیم در برابر حملات محافظت کنند و به آنها اجازه می‌دهیم به استفاده از فناوری‌هایی مانند هوش مصنوعی که برای رقابت امروزی ضروری هستند، ادامه دهند. بهینه سازی پهنای باند شبکه را به یاد بیاورید: از آنجایی که Aviatrix به عنوان صفحه داده برای مشتریان ما عمل می کند، ما می توانیم داده هایی را که از طریق شبکه آنها می گذرد مدیریت کنیم و دید و اجرای امنیت را افزایش دهیم.
به همین ترتیب، فایروال ابری توزیع‌شده ما (DCF) چالش‌های یک مدل هوش مصنوعی توزیع‌شده را حل می‌کند که در آن داده‌ها در مکان‌های مختلف مورد بررسی قرار می‌گیرند و مرزهای جغرافیایی را با قوانین و انطباق‌های مختلف پوشش می‌دهند. به طور خاص، یک DCF از یک مجموعه منفرد از انطباق امنیتی که در سرتاسر جهان اعمال می‌شود، پشتیبانی می‌کند و تضمین می‌کند که مجموعه‌ای از امنیت و معماری شبکه پشتیبانی می‌شود. معماری شبکه های Aviatrix ما همچنین به ما امکان می دهد نقاط خفه را شناسایی کنیم، جایی که می توانیم به صورت پویا جدول مسیریابی را به روز کنیم یا به مشتریان کمک کنیم تا اتصالات جدیدی برای بهینه سازی نیازهای هوش مصنوعی ایجاد کنند.
چگونه کسب‌وکارها می‌توانند هزینه‌های ابری خود را در حین اجرای فناوری‌های هوش مصنوعی بهینه کنند، و پلتفرم Aviatrix چه نقشی در این امر ایفا می‌کند؟
یکی از روش‌های اصلی که به کسب‌وکارها کمک می‌کند هزینه‌های ابری خود را هنگام پیاده‌سازی هوش مصنوعی بهینه کنند، به حداقل رساندن هزینه‌های خروجی است.
پردازش داده های شبکه ابری و هزینه های خروج جزء اصلی هزینه های ابری است. درک آنها سخت و انعطاف ناپذیر است. این ساختارهای هزینه نه تنها مانع مقیاس پذیری و قابلیت حمل داده برای شرکت ها می شود، بلکه با افزایش حجم داده های ابری که می تواند بر پهنای باند سازمان ها تأثیر بگذارد، بازده کاهشی را نیز به مقیاس ارائه می دهد.
Aviatrix راه حل خروج ما را طراحی کرد تا مشتری را دید و کنترل داشته باشد. ما نه تنها از طریق DCF بر روی دروازه ها اجرا می کنیم، بلکه هماهنگ سازی بومی را نیز انجام می دهیم و برای صرفه جویی قابل توجه در هزینه، کنترل را در سطح کارت رابط شبکه اعمال می کنیم. در واقع، پس از مشخص کردن اعداد و ارقام مربوط به هزینه‌های خروجی، ما از مشتریان داشتیم که بین 20 تا 40 درصد پس‌انداز کرده‌اند.
ما همچنین در حال ایجاد قابلیت‌های اندازه‌گیری خودکار برای شناسایی خودکار استفاده از منابع بالا و برنامه‌ریزی خودکار ارتقاء در صورت نیاز هستیم.
در نهایت، ما عملکرد بهینه شبکه را با قابلیت های شبکه پیشرفته مانند مسیریابی هوشمند، مهندسی ترافیک و اتصال ایمن در محیط های چند ابری تضمین می کنیم.
Aviatrix CoPilot چگونه کارایی عملیاتی را افزایش می دهد و دید و کنترل بهتری بر روی استقرار هوش مصنوعی در محیط های چند ابری ارائه می دهد؟
نمای توپولوژی Aviatrix CoPilot تأخیر و توان عملیاتی شبکه را در زمان واقعی فراهم می کند و به مشتریان امکان می دهد تعداد VPC/VNet ها را ببینند. همچنین منابع ابری مختلف را نمایش می دهد و شناسایی مشکل را تسریع می کند. به عنوان مثال، اگر مشتری یک مشکل تاخیر را در یک شبکه ببیند، می‌داند که کدام دارایی‌ها تحت تأثیر قرار می‌گیرند. همچنین، Aviatrix CoPilot به مشتریان کمک می کند تا تنگناها، مشکلات پیکربندی، و اتصالات یا نقشه شبکه نامناسب را شناسایی کنند. علاوه بر این، اگر مشتری نیاز داشته باشد یکی از دروازه‌های خود را در گره افزایش دهد تا قابلیت‌های هوش مصنوعی بیشتری را در خود جای دهد، Aviatrix CoPilot می‌تواند به طور خودکار شناسایی، مقیاس‌بندی و در صورت لزوم ارتقا دهد.
آیا می‌توانید توضیح دهید که چگونه نقشه‌برداری توپولوژی پویا و دید امنیتی تعبیه‌شده در Aviatrix CoPilot به عیب‌یابی بلادرنگ برنامه‌های هوش مصنوعی کمک می‌کند؟
نگاشت توپولوژی پویا Aviatrix CoPilot همچنین قابلیت های عیب یابی قوی را تسهیل می کند. اگر مشتری باید مشکلی را بین ابرهای مختلف عیب یابی کند (که از آنها می خواهد بفهمند ترافیک کجا مسدود شده است)، CoPilot می تواند آن را پیدا کند و حل را ساده کند. Aviatrix CoPilot نه تنها جنبه‌های شبکه را تجسم می‌کند، بلکه مؤلفه‌های تجسم امنیتی را در قالب IQ تهدید خود ما نیز ارائه می‌کند که حفاظت از امنیت و آسیب‌پذیری را انجام می‌دهد. ما به مشتریان خود کمک می کنیم تا شبکه و امنیت را در یک راه حل جامع تجسم ترسیم کنند.
ما همچنین به برنامه ریزی ظرفیت برای هزینه با costIQ و عملکرد با اندازه خودکار و بهینه سازی شبکه کمک می کنیم.
چگونه Aviatrix هنگام ادغام ابزارهای هوش مصنوعی از امنیت داده ها و انطباق با ارائه دهندگان مختلف ابری اطمینان می دهد؟
AWS و موتور هوش مصنوعی آن، Amazon Bedrock، الزامات امنیتی متفاوتی از Azure و Microsoft Copilot دارند. به طور منحصر به فرد، Aviatrix می تواند به مشتریان خود کمک کند تا یک لایه هماهنگ سازی ایجاد کنند که در آن ما می توانیم به طور خودکار الزامات امنیتی و شبکه را با CSP مورد نظر هماهنگ کنیم. به عنوان مثال، Aviatrix می تواند به طور خودکار داده ها را برای همه CSP ها صرف نظر از API یا معماری زیربنایی تقسیم کند.
توجه به این نکته مهم است که همه این موتورهای هوش مصنوعی داخل یک زیرشبکه عمومی هستند، به این معنی که به اینترنت دسترسی دارند و آسیب‌پذیری‌های بیشتری ایجاد می‌کنند زیرا داده‌های اختصاصی را مصرف می‌کنند. خوشبختانه، DCF ما می تواند روی یک زیر شبکه عمومی و خصوصی قرار گیرد و امنیت را تضمین کند. فراتر از زیرشبکه های عمومی، می تواند در مناطق مختلف و CSP ها، بین مراکز داده و CSP یا VPC/VNet ها و حتی بین یک سایت تصادفی و ابر قرار بگیرد. ما رمزگذاری سرتاسری را در VPC/VNet ها و مناطق برای انتقال امن داده ها ایجاد می کنیم. ما همچنین دارای ممیزی و ثبت نام گسترده برای وظایف انجام شده در سیستم، و همچنین شبکه و خط مشی یکپارچه با تشخیص تهدید و بازرسی بسته عمیق هستیم.
چه روندهای آتی را در تقاطع هوش مصنوعی و محاسبات ابری پیش‌بینی می‌کنید و Aviatrix چگونه برای رسیدگی به این روندها آماده می‌شود؟
من تعامل هوش مصنوعی و محاسبات ابری را می بینم که قابلیت های اتوماسیون باورنکردنی در زمینه های کلیدی مانند شبکه، امنیت، دید و عیب یابی برای صرفه جویی در هزینه و کارایی قابل توجهی دارد.
همچنین می‌تواند انواع مختلف داده‌های وارد شده به شبکه را تجزیه و تحلیل کند و مناسب‌ترین سیاست‌ها یا انطباق‌های امنیتی را توصیه کند. به طور مشابه، اگر مشتری نیاز به اجرای HIPAA داشته باشد، این راه حل می تواند از طریق شبکه های مشتری اسکن کند و سپس یک استراتژی مربوطه را توصیه کند.
عیب یابی یک سرمایه گذاری بزرگ است زیرا به یک مرکز تماس برای کمک به مشتریان نیاز دارد. با این حال، بیشتر این مسائل نیازی به دخالت انسان ندارند.
هوش مصنوعی مولد (GenAI) همچنین یک تغییر دهنده بازی برای محاسبات ابری خواهد بود. امروزه، توپولوژی یک تصمیم روز صفر است – زمانی که یک معماری یا توپولوژی شبکه ساخته شود، ایجاد تغییرات دشوار است. یکی از موارد استفاده بالقوه که من معتقدم در افق است راه حلی است که می تواند توپولوژی بهینه را بر اساس الزامات خاص توصیه کند. مشکل دیگری که GenAI می تواند حل کند مربوط به سیاست های امنیتی است که پس از چند سال به سرعت منسوخ می شوند. راه حل AGEnAI می تواند به کاربران کمک کند تا به طور معمول پشته های امنیتی جدید را طبق قوانین و مقررات جدید ایجاد کنند.
Aviatrix می‌تواند همان معماری امنیتی را برای یک دیتاسنتر با راه‌حل لبه‌ای ما پیاده‌سازی کند، با توجه به اینکه هوش مصنوعی بیشتری در نزدیکی منابع داده قرار می‌گیرد. ما می‌توانیم با محاسبات هوش مصنوعی به اتصال شاخه‌ها و سایت‌ها به ابر و لبه کمک کنیم.
ما همچنین در ادغام B2B با مشتریان یا نهادهای مختلف در همان شرکت با مدل‌های عملیاتی جداگانه کمک می‌کنیم.
هوش مصنوعی روندهای محاسباتی جدید و هیجان انگیزی را هدایت می کند که بر نحوه ساخت زیرساخت تأثیر می گذارد. در Aviatrix، ما مشتاقانه منتظریم تا با راه حل شبکه ابری امن و یکپارچه، از این لحظه استفاده کنیم.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آن بازدید کنند Aviatrix.
