• 18 febrero, 2022
  • 5G 
  • 6 min

Inteligencia Artificial: El algoritmo ganador para mejorar la calidad de nuestras redes móviles

Toda la información que intercambiamos con el mundo, a través de nuestros dispositivos móviles, necesita un canal por el que circular. Ese canal son las redes móviles de telecomunicaciones, y más concretamente, las estaciones base de la red móvil, las que están más cerca de los clientes.

Es una realidad que la llegada de nuevas tecnologías como el 5G, coexistiendo con las anteriores, un mayor volumen de tráfico de datos y una oferta de servicios cada vez más amplia, hace mucho más complejo el trabajo diario de los equipos técnicos que tienen que asegurar que las celdas (antenas), repartidas por toda la red móvil, funcionen tal y como esperan nuestros clientes.

En general, la calidad de la red depende de muchos aspectos. Pero para el caso de las comunicaciones móviles, uno de los atributos más críticos es la velocidad de descarga (i.e: en la visualización de un vídeo) en tiempos, lo suficientemente pequeños, como para que la percepción del servicio por parte del usuario final sea buena.

Parte del esfuerzo diario de los equipos de optimización de red de Telefónica se destina a analizar las peores celdas según la velocidad media de descarga por usuario. Este análisis se realiza a través de procesos manuales y semiautomáticos que requieren mucho tiempo y recursos debido a la gran cantidad de datos a analizar.

Por esta razón, se hace imprescindible potenciar los niveles de automatización en los trabajos de optimización de la red. Gracias a la evolución hacia arquitecturas en entornos de Big Data y la introducción de técnicas de Machine Learning/Inteligencia Artificial, es posible que, en un futuro cercano, se puedan tratar estos problemas de forma masiva, reduciendo el tiempo de actuación y utilizando nuestros recursos de una forma mucho más eficiente.

Estos fueron algunos de los motivos que como parte de las iniciativas que estamos llevando a cabo desde el “Telefónica Technology & Automation Lab”, nos impulsaron a lanzar nuestro primer reto a través del AI Datathon: “Low throughput Detection & Root Cause Analysis”.

¿En qué consistía el reto propuesto en el AI Datathon?

El objetivo del Datathon era la creación de un algoritmo de machine-learning capaz de clasificar de forma automática las celdas de la red de acceso móvil de Telefónica España en tres clases o categorías: celdas con alta demanda por parte de los clientes (Celdas con Congestión), celdas con señal radio con calidad insuficiente (Celdas con Baja eficiencia espectral) y celdas que funcionan de forma óptima o tienen poco tráfico (Celdas Sanas).

Durante siete semanas, 15 participantes procedentes de distintas áreas de Telefónica, la mayoría con una extensa trayectoria en Inteligencia Artificial, se atrevieron a enfrentarse al reto.

Una vez inscritos en el Datathon, los participantes accedían al conjunto de datos a utilizar en la competición y a la documentación técnica necesaria para la compresión del reto, así como soporte técnico a través de expertos de Radio de la compañía.

AI Datathon

En términos generales, y desde el punto de vista de la inteligencia artificial, se puede afirmar que el número de celdas proporcionado para el aprendizaje de los algoritmos no era muy grande, alrededor de unas 1.100 celdas clasificadas en las tres clases comentadas anteriormente, donde la mayoría de las celdas eran “sanas” y un “grupo muy minoritario” presentaban problemas, tratándose de un caso de clases desbalanceadas.

Además, se proporcionaron más de 300 métricas de rendimiento de la red móvil recogidas cada 15 minutos durante 10 días, con las que los participantes debían trabajar para clasificar un subconjunto de celdas.

¿Cómo se evaluó el reto de este AI Datathon?

Para automatizar la evaluación de los resultados, se utilizó la funcionalidad de clasificación de Kaggle inClass (plataforma muy popular para realizar competiciones de machine-learning) y la métrica Macro-F1 score, muy conocida para resolver problemas de clasificación con clases desbalanceadas.

Durante la competición, los participantes podían visualizar una clasificación provisional. La visualización de la tabla de clasificación fue un elemento central de la experiencia. Para los competidores, la clasificación provisional era una batalla dinámica, viva y llena de acción, que les obligaba a probar distintos enfoques/técnicas que les permitiera escalar puestos en la clasificación.

Resultados

El ganador, Ricardo Moya García, especialista tecnológico en Inteligencia Artificial & Big Data de Telefónica I+D y que trabaja actualmente en el área de Chief Data Officer (CDO), fue el mejor participante a la hora de resolver el reto lanzado.

El algoritmo de machine-learning utilizado por Ricardo para ganar esta competición, ha sido el lightGBM de Microsoft, que es uno de los algoritmos más populares que ha ganado muchas competiciones en Kaggle.

El algoritmo ganador ha permitido descubrir nuevas relaciones o patrones ocultos que hasta ahora eran desconocidos por los expertos de optimización de radio. Antes de poder utilizar estas nuevas relaciones en el trabajo diario, será necesario realizar un trabajo de campo que permita validar que estos nuevos patrones y correlaciones son correctos.

Los aspectos más técnicos de la solución ganadora los cuenta Ricardo en este vídeo- resumen extraído de las sesiones de compartición de experiencias que organizamos donde todos los competidores participaron de forma activa.

Conviene destacar que, desde el punto de vista del conocimiento, de la colaboración y del trabajo en equipo los resultados de este evento han sido muy satisfactorios, y han aportado una visión y herramientas completamente novedosas para los expertos de Radio. Los requisitos para instalar una solución de este tipo en un entorno de producción requieren de la continuidad del trabajo iniciado en esta competición.

El largo camino hacia las Redes Autónomas

Este tipo de iniciativas se enmarcan en el proyecto llamado “AI Revolution”, dentro del más ambicioso programa de transformación “Autonomous Network Journey.” Cada vez más, la Inteligencia Artificial va a jugar un rol clave en la gestión de las Redes y Sistemas de Telecomunicaciones, y profundizar en su uso y acelerar su implantación es una prioridad para Telefónica.

Con esta experiencia fomentamos la colaboración y el trabajo en equipo entre distintas áreas de la compañía, en un entorno lúdico y gamificado, pero con datos y desafíos reales. Una de las mejores formas de crear sinergias entre el talento de expertos en los ámbitos de Red y la Ciencia de Datos, haciendo posible realizar la investigación en forma colaborativa con el fin de optimizar nuestras redes y mejorar la experiencia de nuestros clientes.

RELACIONADOS

paciente con esclerosis múltiple

Rehabilitación 5G contra la esclerosis múltiple

La esclerosis múltiple es una enfermedad del sistema nervioso central. De origen autoinmune, inflamatoria y neurodegenerativa, afecta aproximadamente a unas 55.000 personas en España....

¿Cómo se entiende el network slicing en el metaverso?

La segmentación de red o network slicing permite crear redes virtuales independientes a partir de una única red física ya existente. Gracias a esto, las redes 5G que se vienen desplegando en los últimos...

¿Tendré cobertura 5G en la playa?

A día de hoy, la cobertura 5G en España supera el 80% de la población. El objetivo final es alcanzar el 100%, claro está. Pero llegar...