Los operadores de redes móviles necesitan probar la estabilidad y el rendimiento de sus redes para garantizar un buen servicio, pero debido a la enorme cantidad de datos involucrados, esto es casi imposible con métodos manuales, por lo que los operadores están recurriendo a la inteligencia artificial para resolver este desafío.
Con la llegada de la quinta generación de comunicaciones móviles, los probadores de redes se enfrentan a una situación novedosa. Muchos aspectos de 5G (diversas bandas de frecuencia, diferentes programas de implementación de los operadores de red, la amplitud de aplicaciones como IoT, comunicaciones móviles convencionales, redes de tráfico, etc.) están dando lugar a redes y datos de prueba altamente diferenciados.
El análisis de estos datos en la forma agregada habitual conduce rápidamente a resultados distorsionados e interpretaciones incorrectas. La IA puede ofrecer una buena solución a este dilema. Los métodos basados en algoritmos solo reflejan teorías específicas.
Puede que estos no sean los ideales, pero los datos en sí son fiables. Los métodos de IA, como el reconocimiento de patrones, son capaces de evaluar conjuntos de datos sin ideas preconcebidas y descubrir relaciones que permanecerían ocultas para los analistas humanos.
Big data necesita inteligencia artificial
El término “inteligencia artificial” se ha difundido mucho en los últimos años, a menudo sin una definición clara de lo que significa y sin diferenciar entre sistemas que pueden aprender (una característica de la IA) y sistemas que simplemente se basan en algoritmos complejos.
El término “aprendizaje automático” es un poco más específico. Aquí el objetivo es derivar automáticamente reglas generales a partir de un gran volumen de datos. Una vez completado el proceso de aprendizaje, se pueden tomar decisiones de sí / no basadas en dependencias o características multidimensionales.
Las reglas de decisión se aprenden mediante la aproximación entre puntos de datos reales en lugar de ser formuladas por expertos humanos. Este método requiere volúmenes de datos muy grandes y una fase de entrenamiento intensiva. Pero en la fase de aplicación, es capaz de interpretar correctamente nuevos datos de medición casi de forma espontánea.
Aprendizaje supervisado y no supervisado
El aprendizaje automático se puede dividir aproximadamente en dos tipos: supervisado y no supervisado.
El objetivo del aprendizaje supervisado es encontrar relaciones estadísticas entre los datos y los eventos o etiquetas predefinidas para generar estimaciones de entradas desconocidas. Una aplicación muy utilizada es el reconocimiento de objetos, en el que la presencia y posición de un objeto particular en una imagen (por ejemplo, “Un gato está / no está presente en la imagen”) se determina mediante la interpretación de patrones en varias etapas (bordes, áreas coloreadas , etc.).
Para la capacitación, el software de aprendizaje se presenta con imágenes etiquetadas por humanos y resuelve características que permiten tomar decisiones. Estas reglas están ocultas en la red neuronal del sistema de IA en lugar de formularse en algoritmos.
Un ejemplo de reconocimiento de patrones no visual es la determinación de la puntuación de estabilidad de llamada (CSS) para las pruebas de red.
El aprendizaje no supervisado funciona sin etiquetas. Los algoritmos deben reconocer de forma independiente patrones o agregados de datos multidimensionales para derivar conclusiones utilizables de ellos, por ejemplo, con el objetivo de medir las diferencias entre puntos de datos nuevos y conocidos. Una tarea típica del aprendizaje no supervisado es la detección de anomalías, que identifica datos inusuales sin el apoyo de expertos.
Métodos de IA
En respuesta a las necesidades de los operadores de red, Rohde & Schwarz utiliza métodos de IA para aplicaciones como simplificar la optimización de redes móviles o mejorar la evaluación de diferencias cualitativas entre proveedores.
El laboratorio de inteligencia de datos establecido en 2018 aborda estos problemas y apoya a los departamentos de I + D de Rohde & Schwarz con métodos de análisis basados en datos. Estos enfoques son especialmente prometedores para probar redes móviles donde se generan grandes cantidades de datos, por lo que el análisis manual y la formulación de reglas ya no son prácticos. El aprendizaje automático hace posible utilizar la información oculta en grandes conjuntos de datos, por ejemplo, para derivar nuevas métricas de evaluación. Un ejemplo es la puntuación de estabilidad de la llamada.
Puntuación de estabilidad de llamadas
El puntaje de estabilidad de llamadas es una nueva métrica de evaluación para comunicaciones confiables. Una llamada telefónica interrumpida repentinamente es una experiencia molesta, por eso los operadores de redes móviles han estado probando la calidad de la voz y la estabilidad de la conexión durante muchos años.
La estadística más popular es la tasa de caída de llamadas (CDR). Pero dado que el número de llamadas caídas es muy bajo en redes maduras, es necesario realizar un gran número de llamadas para obtener un valor estadísticamente significativo. En consecuencia, las campañas de prueba de manejo son largas y costosas.
Arriba: Visualización de un escenario de optimización de red utilizando la puntuación de estabilidad de llamadas del software de análisis R&S SmartAnalytics. Los valores promedio de CSS se muestran en la parte superior izquierda, ordenados por región. En la parte superior derecha, las puntuaciones especialmente bajas están marcadas para un análisis posterior. Los valores exactos se enumeran en la tabla con información adicional (aquí se muestran resultados de muestra con fines de demostración).
Por lo tanto, Rohde & Schwarz utiliza un método para reemplazar el estado de la llamada binaria (ya sea completada con éxito o descartada) por un valor analógico finamente graduado. Esto se hace mediante la creación de un modelo estadístico generado por IA que vincula las condiciones de transmisión con el estado de la llamada.
El CSS derivado del modelo permite medir la fiabilidad de la conexión móvil durante toda la duración de la llamada y clasificarla según la calidad.
El diagnóstico también incluye llamadas inestables que se completaron con éxito, pero los datos demuestran que no estaban lejos de ser descartadas. En las estadísticas CDR convencionales, esas llamadas inestables se evaluarían positivamente como llamadas exitosas, distorsionando la evaluación de la calidad de la red.
El valor de CSS se basa en información recopilada de millones de llamadas de prueba e incorporada en el modelo durante el proceso de aprendizaje. La evaluación es concluyente desde la primera llamada. La calidad de la llamada de red se registra con mayor precisión y con menos esfuerzo de prueba.
En la práctica, cada nueve segundos de una llamada, los datos de medición se envían al modelo estadístico como una serie de tiempo. El modelo evalúa los datos basándose en las reglas aprendidas y genera un número entre 0 y 1.
Cuanto mayor sea el número, menor será la probabilidad de que ocurra una caída en ese intervalo de nueve segundos. La medición de CSS es parte de la plataforma de análisis R&S SmartAnalytics,
Otra función impulsada por la IA en este paquete de software es la detección de anomalías mediante el aprendizaje no supervisado. En ambos casos, el uso de inteligencia artificial conduce a resultados que no son posibles con los medios convencionales.
Los métodos de IA se utilizarán cada vez más en el futuro para maximizar la explotación del contenido de información de los datos de medición.
Fuente:
Network testing in the 5G era. (2020, 26 octubre). Recuperado 27 de octubre de 2020, de https://www.newelectronics.co.uk/electronics-technology/network-testing-in-the-5g-era/231554/