人工智能-移动运营商的机会 | SDNLAB

在信息化技术不断发展的今天，如何能够在不从技术实现和业务角度探讨最新技术的情况下应对市场的多样化需求，这给通信服务提供商（CSP）带来了挑战。任何新产品、包装或服务都依赖于底层技术，而底层技术最终形成了CSP收入的基础。

人工智能也不例外。互联网服务提供商（ISP）和CSP向数字服务提供商（DSP）的转变为更广泛的业务组合打开了大门，这些业务一直局限于语音、数据、连接服务和基本VAS。现在，业务部门（B2B，B2C等）正在与OTT，初创企业和云厂商竞争，努力获得新的收入来源。

本文介绍了移动运营商如何从机器学习中受益。除了自然语言处理(NLP)、机器人技术和其他流媒体之外，机器学习也是人工智能的主流技术之一。

移动运营商的流量预测是一个定义未来2-3年流量预期增长和预测的过程。ML可以研究前几年的数据和输入，并建立一个预测流量预测的模型，从而帮助公司设定准确的扩张预算。

在运营商组织中，管理客户投诉是最繁忙的工作。ML可以学习通用的流量模式和客户的行为，从而能够动态识别任何可能被视为故障或潜在问题的异常模式，并触发其他系统执行预防性维护措施。

营销团队定义了营销活动和推出什么服务。ML可以根据服务和流量趋势对用户进行分类，并为每个细分市场推荐合适的营销方案。这是关于预测这些客户可能想要什么样的服务。

用户体验是所有提供的服务中最重要的。ML可以学习各种流的流量模式，例如浏览、VoIP、YouTube等。为每个流量流建立一个模型，以识别用户体验下降时的模式，例如VoIP呼叫中的静默期。

除此之外，还有自动化和服务保证等各种各样的用例。

市场差异化是机器学习助力DSP能够提供独特的创新服务，特别是在市场和增销均由ML控制的B2B领域中。

第二个共同的方向是关注新的细分市场和垂直领域，这是由于ML/AI在医学、农业、教育等许多垂直市场上带来了各种各样的用例。这将使DSP拥有更广泛的B2B投资组合，侧重于特定的垂直领域和更多的商业机会。

第三个方面是将节约成本放在优先地位，这是为所提供的服务建立低成本价格模式的承诺。ML通过启用预防性维护，Chatbot支持等来控制OpEx支出，并通过适当地预测来避免支出过大，从而控制CapEx。

此外，通过ML了解市场趋势有助于专注于确切的市场需求和趋势，避免在没用的产品上浪费精力。

当涉及到技术的采用时，总会有浪潮、动机和推动力。

5G浪潮被认为是探索ML能力、建设未来网络的理想时机。

尽管运营商专注于5G的实现，但越来越多的商业案例正在计划之中，这并不奇怪，人工智能是其中的催化剂之一。

ITU FG-ML5G包括5G的未来网络机器学习焦点小组已开始朝着这个方向努力，并起草了5G网络机器学习的逻辑体系结构。AI技术的推行在某种程度上被精心设计成对3GPP提供的现有技术一种覆盖，因此对底层技术的影响应最小。

让我们回顾一下逻辑体系结构以及术语和定义。

ML管道中的每个功能均按照以下定义定义为节点

src（源）：此节点可用作ML功能输入的数据源。
C（收集器）：此节点负责从src收集数据。
PP（预处理器）：此节点负责清理数据、聚合数据或执行数据所需的其他预处理，以便ML模型能够以适当的形式使用这些数据。
M（模型）：这是一个ML模型。比如可以是一个预测函数。
P（策略）：此节点为操作员提供控制权，使他们在操作网络时，可以采取一种机制降低对实时网络的影响。
D（分发者）：此节点负责标识接收器并将ML输出分发到相应的接收器。
接收器：此节点是ML输出的目标，其他部分可以根据ML输出结果做其他动作。例如，UE根据ML输出调整测量周期。
MLFO，机器学习功能协调器：一种逻辑协调器，可以监视和管理系统中的ML管道节点。
接口8：ML管道的节点之间的多级、多域协作接口，允许ML管道在域（例如边缘和核心云）中分布。
Sandbox 域：这是网络运营商（NOP）内部的一个域，可以在其中训练、验证机器学习（ML）模型并研究其对网络的影响。Sandbox 域可以托管监视器优化循环（也称为闭环），并且除了利用从网络派生的数据外，还可以使用模拟器来生成训练或测试所需的数据。