Кратко

  • NETSCOUT заявляет о снижении потребления токенов более чем на 25% во внутренних тестах по сравнению с использованием только данных MELT. Это не подтверждённая экономия полной стоимости у клиента.
  • Компания делает ставку на подготовку сетевого контекста для разных инструментов ИИ. Настраиваемые потоки данных существовали до сентябрьского объявления.

Сменить модель ИИ может быть проще, чем сменить представление данных, на котором построена её работа. В этом различии — коммерческий смысл обновления платформы NETSCOUT, представленного 3 сентября. Компания предлагает преобразовывать наблюдаемый пакетный трафик в компактный контекст Smart Data, пригодный для корпоративного ИИ и уже используемых средств анализа.

NETSCOUT подчёркивает результаты собственных испытаний. По словам операционного директора Sanjay Munshi, потребление токенов оказалось более чем на 25% ниже, чем при использовании одних метрик, событий, журналов и трассировок — MELT. Среднее время до понимания проблемы, MTTK, сократилось более чем на 75%. В релизе не раскрыты модели, набор задач, объём выборки, абсолютные значения времени или сопоставление при одинаковом качестве ответов. Результат заявлен поставщиком; независимо воспроизведённая экономика клиента не показана.

Это два разных показателя, и оба уже, чем общая выгода от внедрения. Токены составляют лишь одну часть затрат: сбор, подготовка, хранение, интеграция и сопровождение данных также требуют ресурсов. MTTK относится к пониманию проблемы, а не ко всему периоду до восстановления сервиса. В собственном разъяснении NETSCOUT этот показатель назван одной из четырёх стадий процесса разрешения инцидента. Поэтому снижение MTTK нельзя переносить на полное время ремонта или простоя.

Техническая идея — подготовить информацию до того, как модель начнёт рассуждать. Описание платформы говорит о структурированных обогащённых метаданных, получаемых при анализе пакетов в точке наблюдения. Сначала извлекается операционный смысл, затем формируется более плотный контекст. По замыслу компании это уменьшает необходимость заново восстанавливать события из разрозненных записей. Платформа должна дополнять действующие инструменты наблюдаемости и ИИ, а не обязательно заменять их.

Такой подход может позволить продавать одну подготовленную информационную основу для нескольких сценариев анализа. Но меньший входной объём сам по себе не доказывает экономического выигрыша. Проверять нужно сопоставимую задачу, полезный результат и общие затраты на его получение, включая работу до обращения к модели.

Нельзя и считать всю эту подготовку сентябрьским изобретением. В объявлении от 19 февраля для операторов связи уже описывался Omnis AI Streamer, который извлекает, агрегирует и размечает сигналы. Операторы могут формировать потоки через Playbook Builder; для отдельных потоков доступно дополнительное обогащение средствами машинного обучения. Это важная оговорка: отбор информации представлен не только как закрытое решение поставщика, но и как настраиваемая заказчиком работа.

Сентябрьская публикация расширяет аргумент для корпоративного ИИ и добавляет внутренние показатели. Она не устанавливает новизну каждого компонента, не раскрывает цену предложения, подтверждённую чистую экономию покупателя или дополнительную выручку NETSCOUT. Наблюдаемые пакеты и производные метаданные также не равнозначны знанию всех состояний приложения.

Ставка компании — сохранять полезность при смене моделей и аналитических инструментов. Для покупателя её привлекательность зависит от того, можно ли проверить стоимость и правила подготовки контекста, а не только посчитать токены на выходе из этого этапа.