In de wereld van netwerkinfrastructuur groeit de behoefte aan automatisering, maar de inzet van volledig autonome kunstmatige intelligentie (AI) brengt aanzienlijke risico's met zich mee. Onderzoekers Hongyu Hè en Maria Apostolaki stellen daarom een fundamentele koerswijziging voor: AI zou niet direct beslissingen moeten nemen over complexe netwerkstructuren, maar enkel dienen als vertaalslag van ruwe data naar formele, logische modellen.
Volgens een wetenschappelijke publicatie op arxiv.org is de huidige trend om AI-agenten end-to-end verantwoordelijk te maken voor het beheer van netwerken riskant. De auteurs beargumenteren dat Large Language Models (LLM's) weliswaar uitblinken in het vertalen van informatie, maar minder betrouwbaar zijn wanneer ze complexe redeneringen over grote systemen moeten uitvoeren. Door de rol van AI te beperken tot het omzetten van configuraties, topologieën en routinggegevens naar regels in formele logica, kan de output achteraf formeel worden geverifieerd.
Het beheer van productie-netwerken vereist vaak strikte modellen om zaken als bereikbaarheid te controleren of de impact van wijzigingen te voorspellen. In de praktijk ontbreken dergelijke modellen echter vaak, omdat het handmatig opstellen ervan een zeer specifieke expertise vereist en het bijhouden ervan bij frequente wijzigingen uiterst complex is. Door AI in te zetten voor deze 'typografische' taak, kan een gespecialiseerde 'solver' — een rekenprogramma — worden gebruikt voor de daadwerkelijke redeneringen. Dit voorkomt dat men moet vertrouwen op de soms onvoorspelbare logica van een AI-agent.
Om deze visie te concretiseren, hebben de onderzoekers TypoNet ontwikkeld. Dit systeem is in staat om een symbolisch model van een Wide Area Network (WAN) op productieschaal op te bouwen en te valideren. De eerste evaluaties tonen aan dat deze aanpak op twee vlakken superieur is. Enerzijds is de operationele efficiëntie hoger; vragen over impactanalyse en bereikbaarheid worden sneller en goedkoper beantwoord dan wanneer een LLM de vraag direct probeert op te lossen. Anderzijds verbetert TypoNet de nauwkeurigheid bij het lokaliseren van fouten wanneer het als ondersteunend hulpmiddel voor een AI-agent wordt ingezet.
Deze behoefte aan strikte kaders staat in contrast met de bredere trend in de AI-sector, waar de focus juist ligt op autonomie en veelzijdigheid. Zo biedt claude.com tools aan waarmee gebruikers agenten kunnen creëren die zelfstandig plannen, handelen en met elkaar samenwerken. Ook op open-source platforms wordt geëxperimenteerd met diverse rollen voor AI; op github.com zijn projecten te vinden waarbij gespecialiseerde agenten, zoals 'reality checkers' of 'frontend wizards', elk een eigen persoonlijkheid en specifieke taak binnen een proces vervullen.
Hoewel deze commerciële en experimentele ontwikkelingen de potentie van AI-agenten tonen, waarschuwen de auteurs van de dat juist bij kritieke infrastructuur een strikte scheiding tussen vertaling en redenering essentieel is. De veiligheid van vitale netwerken mag immers niet afhangen van de probabilistische aard van taalmodellen.
De voorgestelde verschuiving naar een hybride systeem zou de bottleneck van handmatige modellering wegnemen zonder de gevaren van autonome AI-beslissingen te accepteren. Door AI te positioneren als de brug tussen ruwe data en formele logica, wordt de snelheid van moderne taalmodellen gecombineerd met de onbetwistbare precisie van symbolische berekeningen.