Creación de un caso de Advance Analytics en el proceso de Planificación de la capacidad

Ha habido un crecimiento significativo de datos en el mundo de las telecomunicaciones durante la era moderna de las tecnologías móviles, es decir, 4G y 5G. Si bien el crecimiento de los datos a menudo se ha comercializado como una enorme ventana de oportunidad, en realidad, los volúmenes de datos en constante expansión son abrumadores para los sistemas existentes, lo que indirectamente genera problemas relacionados con la eficiencia operativa y el rendimiento de la red. Para utilizar el vasto volumen de datos estructurados y no estructurados, las organizaciones deben tener las soluciones adecuadas impulsadas por la innovación para maximizar su potencial de ingresos.

Como parte del equipo de gestión de la capacidad de la red, me gustaría profundizar en lo anterior desde la perspectiva de la planificación de la capacidad. En la planificación de la capacidad de la red, es esencial identificar las posibles deficiencias o, en otras palabras, los factores que pueden afectar la eficiencia y el rendimiento de la red. Algunos de estos factores incluyen la necesidad de expansión de capacidad debido a la falta de disponibilidad de recursos de red adecuados para manejar la demanda de tráfico, o un requisito de optimización en el plan de inversión de la red para una mejor utilización de los recursos existentes. Tradicionalmente, la mayoría de estas decisiones se toman manualmente, lo que todos estamos de acuerdo, no es práctico, eficiente o incluso a prueba de errores. Un sistema de gestión de capacidad basado en IA es la necesidad actual para aprovechar todo el potencial de los recursos y los datos de la red.

Cómo la IA (Inteligencia Artificial) puede mejorar la Gestión de capacidad

La inteligencia artificial y la analítica avanzada son términos que se utilizan mucho en todas las industrias, especialmente en los equipos de marketing. Sin embargo, más allá de la “palabra de moda”, estas tecnologías tienen un papel esencial que desempeñar para permitir mejoras de los procesos tradicionales actuales. Las soluciones de gestión de capacidad impulsadas por Advanced Analytics o Análisis Avanzados pueden ayudar a los usuarios a descifrar información relevante para obtener información útil mediante la aplicación de análisis de datos, análisis predictivo, predicciones y modelos de optimización. Estos conocimientos, respaldados por datos y ajustados a través del aprendizaje automático, pueden ayudar a las organizaciones a tomar las mejores decisiones posibles al anticipar e implementar los cambios de red necesarios antes de la curva de demanda.

Un componente importante para proporcionar recomendaciones confiables de planificación de inversiones en red (NIP en adelante) hacia la mejora / optimización de la capacidad es a través de la previsión precisa de los KPI de capacidad. La previsión es la base sobre la que se basan las recomendaciones de NIP.

Se puede utilizar un conjunto de modelos de pronóstico para predecir el rendimiento de la red. Estos modelos pueden clasificarse ampliamente como métodos cualitativos y métodos cuantitativos. Los métodos cualitativos se utilizan cuando los datos históricos no están disponibles o cuando los datos son ruidosos. Los métodos cuantitativos, por otro lado, hacen pronósticos basados ​​en modelos matemáticos en lugar de juicios subjetivos. La elección del modelo de pronóstico adecuado depende de muchos factores, como el contexto del pronóstico, la relevancia, la disponibilidad de datos históricos y el nivel deseado de precisión.

¿Cuál es el modelo de pronóstico adecuado para adoptar en su negocio?

Los diferentes métodos de pronóstico tienen distintas ventajas y desventajas. Por lo tanto, seleccionar el método de pronóstico correcto es de vital importancia para todos los tomadores de decisiones.

Mi equipo de ciencia de datos en Subex y yo hemos creado un modelo de aprendizaje automático patentado para el forecast  llamado CapMan4C. Durante esta experiencia, también colaboramos con un equipo de expertos en el dominio para tener claridad sobre el problema que las empresas están tratando de resolver y para comprender los datos específicos del dominio de la red.

Traigo esta experiencia para resaltar que los pensamientos involucrados detrás de la construcción de un marco propietario para la previsión se basan en dos criterios:

  • ¿Qué nos dice nuestra experiencia en el ámbito de las telecomunicaciones?
  • ¿Qué dicen nuestros clientes?

Con base en estos conocimientos, es evidente que se observa que los modelos tradicionales de series de tiempo de pronóstico no funcionan bien en los datos de la red. Utilizando mi experiencia previa en ciencia de datos en la industria de la salud, apliqué diferentes modelos de aprendizaje automático como árbol de decisiones, bosque aleatorio, etc., para pronosticar datos de redes de telecomunicaciones. Observé que conectar estos modelos existentes no proporciona el nivel deseado de precisión. El enfoque de aprovechar un modelo impulsado por dominios elimina los problemas mencionados anteriormente. Su marco está diseñado para que la selección de un modelo base para el pronóstico no dependa únicamente de los modelos tradicionales de series de tiempo.

Para mejorar aún más la precisión del modelo, este tipo de marco también debe incluir tres componentes clave:

1. Factor de actualidad: el supuesto general al trabajar con datos de series de tiempo es que todos los puntos de datos históricos tienen el mismo peso. Sin embargo, cuando se tiene en cuenta el evento “actualidad”, esta noción no siempre es válida. En teoría, un evento que ha tenido lugar más recientemente es más indicativo de la situación actual que un pasado lejano.

2. Ingeniería de características: la ingeniería de características es un proceso creativo en el que experimentamos y extraemos características que pueden ser útiles para mejorar el modelo. Varias características, si se extraen a nivel granular de los datos (incluidos los datos de fuentes externas), pueden ayudar a identificar tendencias ocultas y estacionalidad en los datos y hacer pronósticos más profundos a partir del modelo de aprendizaje automático.

3. Ajuste automático de hiperparámetros: los hiperparámetros son parámetros de modelos de machine learning (ML) especificados “manualmente” en función de la experiencia y la experiencia del dominio. Estos parámetros se pueden utilizar para controlar el proceso de aprendizaje, lo que puede tener un impacto significativo en el rendimiento del modelo entrenado. Cuanto más flexible y potente sea un algoritmo, más decisiones de diseño e hiperparámetros ajustables tendrá. Tradicionalmente, la búsqueda en cuadrícula o la búsqueda aleatoria se utiliza para realizar la optimización de hiperparámetros. Grid Search funciona buscando exhaustivamente a través de un subconjunto específico de hiperparámetros. Esto puede llevar mucho tiempo y resultar computacionalmente costoso. La búsqueda aleatoria es un poco mejor, pero es similar a la búsqueda en cuadrícula porque no presta atención a evaluaciones anteriores. Como resultado, los equipos de red suelen dedicar una cantidad significativa de tiempo a evaluar hiperparámetros “malos”.

En resumen, operar una red es una tarea complicada y, independientemente de cuánta planificación se lleve a cabo, se producen problemas. Identificar el tipo correcto de enfoque impulsado por IA para la gestión de la capacidad proporciona a los planificadores de red la capacidad de analizar “escenarios hipotéticos” basados ​​en pronósticos de modelos ML. Les ayuda a tomar decisiones calculadas sobre la planificación de inversiones en redes basadas en recomendaciones basadas en inteligencia artificial (IA). Esto les ayudará a mitigar los riesgos de forma proactiva y maximizar su potencial de ingresos.

Una manera inteligente de gestionar contratos de red

Descarga este punto de vista

Get started with Subex
Request Demo Contact Us
Request a demo