Вся информация, которой мы обмениваемся с миром через наши мобильные устройства, нуждается в канале для распространения. Этот канал является мобильными телекоммуникационными сетями, а точнее, базовыми станциями мобильной сети, самые близкие к клиентам.
E Это реальность, что появление новых технологий, таких как 5G, сосуществующих с предыдущими, увеличивает объем трафика данных и все более широкий спектр услуг намного усложняет повседневную работу технических групп, которые должны следить за тем, чтобы соты (антенны), распределенные по всей мобильной сети, работают так, как ожидают наши клиенты.
Вообще, качество сети зависит от многих аспектов. Но в случае с мобильной связью одним из самых критичных атрибутов является скорость загрузки(то есть: при просмотре видео) в достаточно малых временах, чтобы восприятие услуги конечным пользователем было хорошим.
Часть ежедневных усилий команд по оптимизации сети Telefónica посвящена анализу худших ячеек в соответствии со средней скоростью загрузки на одного пользователя Это анализ осуществляется ручными и полуавтоматическими процессами, которые требуют много времени и ресурсов из-за большого объема анализируемых данных.
По этой причине, очень важно повысить уровень автоматизации в работе по оптимизации сети Благодаря эволюции архитектур в средах больших данных и внедрению методов машинного обучения/искусственного интеллекта, возможно, что в ближайшем будущем можно решать эти проблемы в массовом порядке, сокращая время действия и используя наши ресурсы намного эффективнее.
Это были некоторые из причин, по которым в рамках инициатив, которые мы реализуем в «Лаборатории технологий и автоматизации Telefónica», мы побудили нас запустить нашу первую задачу через AI Datathon : «Обнаружение низкой пропускной способности и анализ основных причин».
Какая задача была предложена на AI Datathon?
Целью Datathon было создание алгоритма машинного обучения, способного автоматически классифицировать соты сети мобильного доступа Telefónica Spain в трех классах или категориях: ячейки с высоким потребительским спросом (Cells with Congestion ), соты с недостаточным качеством радиосигнала (Cells with Low Spectral Efficiency ) и соты, которые работают оптимально или имеют небольшой трафик (He althy Cells).
В течение семи недель 15 участников из разных областей Telefónica, большинство из которых имеют большой опыт работы с искусственным интеллектом, осмелились принять вызов.
После регистрации в Datathon участники получили доступ к набору данных, которые будут использоваться в соревновании, и к технической документации, необходимой для понимания задачи, а также к технической поддержке со стороны экспертов компании Radio de la..
В общих чертах и с точки зрения искусственного интеллекта можно констатировать, что количество ячеек, предоставленных для обучения алгоритмам, было не очень большим, около 1100 ячеек, классифицированных по трем упомянутым классам выше, где большинство ячеек были «здоровыми», а «очень меньшинство» представляло проблемы, будучи случаем несбалансированных классов.
Кроме того, было предоставлено более 300 показателей производительности мобильной сети, собираемых каждые 15 минут в течение 10 дней, с которыми участники должны были работать для классификации подмножества ячеек.
Как оценивалась сложность этого AI Datathon?
Для автоматизации оценки результатов мы использовали классификационный функционал Kaggle inClass (очень популярная платформа для проведения соревнований по машинному обучению) и метрику Macro-F1 score, хорошо известную для решения задач классификации с несбалансированными классами.
Во время соревнований участники могли просматривать предварительный рейтинг. Отображение таблицы лидеров было центральным элементом опыта. Для участников предварительный рейтинг был динамичной, живой и насыщенной битвой, заставляющей их пробовать разные подходы/методы, которые позволили бы им подняться в рейтинге.
Результаты
Победитель, Рикардо Мойя Гарсия, специалист по технологиям в области искусственного интеллекта и больших данных в Telefónica I+D, который в настоящее время работает в Главный специалист по данным (CDO) был лучшим участником при решении поставленной задачи.
Алгоритм машинного обучения, использованный Рикардо для победы в этом соревновании, был lightGBM от Microsoft , - один из самых популярных алгоритмов, выигравший множество конкурсов на Kaggle.
Выигрышный алгоритм позволил обнаружить новые взаимосвязи или скрытые закономерности, которые до сих пор были неизвестны экспертам по оптимизации радиосвязи Прежде чем можно было использовать эти новые взаимосвязи в повседневной работе, необходимо будет провести полевые работы, чтобы подтвердить правильность этих новых закономерностей и корреляций.
Большинство технических аспектов решения-победителя рассказывает Рикардо в этом видео-резюме, взятом из организованных нами сессий по обмену опытом, в которых активно участвовали все участники.
Следует отметить, что, с точки зрения знаний, сотрудничества и командной работы, результаты этого мероприятия были очень удовлетворительными , и принесли совершенно новое видение и инструментыдля экспертов по радио. Требования по установке решения этого типа в производственной среде требуют продолжения работ, начатых в этом конкурсе.
Долгий путь к автономным сетям
Инициатива такого типа является частью проекта под названием « Революция ИИ », проводимого в рамках самого амбициозная программа трансформации «Автономное сетевое путешествие». Искусственный интеллект будет все чаще играть ключевую роль в управлении телекоммуникационными сетями и системами, и углубление его использования и ускорение его внедрения является приоритетом для Telefónica.
Благодаря этому опыту мы поощряем сотрудничество и командную работу между различными подразделениями компании в игровой и игровой среде, но с данными и настоящие вызовы. Один из лучших способов создать синергию между талантами экспертов в области сетевых технологий и науки о данных, что позволяет выполнять совместные исследования для оптимизации наших сетей и улучшения качества обслуживания клиентов.