5:03 - Sábado, 21 de septiembre 2019
Redes Telecom > Opinión > Infraestructuras > Cómo alimentar su IA: consideraciones importantes para la inteligencia artificial en redes móviles

Infraestructuras

Cómo alimentar su IA: consideraciones importantes para la inteligencia artificial en redes móviles

Leandro Demarchi, director de Ventas, Sur de Europa y LATAM de Tutela Technologies.
escrito por: Redacción RedesTelecom23 de agosto 2019
Imprima esta noticia
Leandro Demarchi, Director de Ventas, Sur de Europa y LATAM, Tutela Technologies.

Da igual si consideras que la Inteligencia Artificial (IA) es solo una extensión de soluciones analíticas avanzadas o que es una tecnología revolucionaria que otorga a los ordenadores un intelecto sobrehumano, es muy importante saber que todas las industrias están comenzando a sentir su impacto. Desde los sistemas de contenido inteligente en las redes sociales hasta la detección sofisticada de fraudes en la banca, la inteligencia artificial basada en datos se está convirtiendo en algo fundamental para todo negocio de la era digital.

Las operaciones de redes no han quedado inmunes a este impacto. Un ejemplo es el operador móvil finlandés Elisa, que recientemente ocupó los titulares de la prensa anunciando un centro de operaciones de red sin personas y al que se le atribuye una caída del 15% en las reclamaciones de los clientes. El impacto de la Inteligencia Artificial en las telecomunicaciones podría extenderse a áreas que van desde servicio al cliente, hasta la detección de interrupciones de red o el asesoramiento sobre estrategias de optimización. Sin embargo, antes de que pueda generar un impacto real en estas áreas, se debe implementar de tal manera que se asegure su fiabilidad y eficacia.  

¿Cuáles son entonces las consideraciones importantes para la industria móvil en torno a la Inteligencia Artificial? La Unión Europea (UE) publicó recientemente una lista de directrices para su implementación en que se resume diciendo que una IA fiable debe ser legal, ética y sólida. Entre otras preocupaciones se encuentran la necesidad de proteger los datos personales, el historial de sesgos que surgen en las decisiones de la IA y el procesamiento de “Black-boxes” que los operadores humanos no pueden interpretar ni entender, lo que puede llevar a tomar decisiones basadas en información probablemente incorrecta.

En su nivel más simple, podríamos decir que la IA es igual de buena (de manera sólida, legal y ética), que la información que la alimenta. ¿Cómo pueden entonces los operadores asegurar que efectivamente van a obtener los datos correctos? 

Lo más importante a tener en cuenta, es sin duda, la fuente de datos. Cuando los operadores hablan de monitorización en tiempo real, lo que a menudo buscan es obtener los datos recopilados de sus propias redes (esto tiene sus ventajas, principalmente de fiabilidad y consistencia). Sin embargo, confiar en los datos recopilados exclusivamente dentro de su propia red tiene riesgos intrínsecos: el más evidente es la falta de redundancia y la posibilidad de presentar sólo información relacionada con la infraestructura. Las pautas de IA de la UE exigen un sistema robusto y para poder tomar decisiones, cualquier sistema robusto en el que se pueda realmente confiar, requiere que los datos que se utilicen sean redundantes. 

Tomemos unos ejemplos de casos concretos para ver lo que sucede cuando la IA o los sistemas de procesamiento de datos son interrumpidos: se cree que el reciente accidente del avión 737 MAX de Boeing se dio como resultado de un mal funcionamiento de unos sensores y que el sofisticado sistema de maniobras fue interrumpido por datos erróneos. Por otro lado, los investigadores de vehículos autónomos han demostrado que al piloto automático de Tesla basado en una cámara, se le puede engañar con una cinta colocada en una posición específica, a pesar de contar con un sistema de aprendizaje automático de última generación. El mensaje es claro: la Inteligencia Artificial es buena solamente si su fuente de datos es buena, además de que necesita la información más completa posible para que el sistema sea robusto. Dejemos de pensar “fuera de la caja”, para los operadores móviles, se trata de pensar “fuera de la red”.

¿Cómo se relaciona esto con las redes móviles? Los operadores han dependido durante mucho tiempo de fuentes externas para validar y mejorar su conocimiento interno, pero la alimentación de esos datos en un NOC automatizado impone requisitos diferentes en los datos. 

Al considerar el sesgo, es importante pensar en cómo se han recopilado los datos y si esto podría influir en todo su conjunto. Las pruebas de velocidad diseñadas para el usuario, por ejemplo, son una herramienta poderosa para permitir a los consumidores medir su conexión. Sin embargo, existe un riesgo significativo de sesgo si se utilizan como herramienta para los operadores, no sólo porque los usuarios pueden iniciar una prueba de velocidad según su voluntad, sino porque también es lógico pensar que estos usuarios tienen más probabilidades de hacer las pruebas en momentos en que su red es más rápida o más lenta de lo normal. Esto significa que es posible que estas pruebas no demuestren de manera fiable el rendimiento típico de una red.  

Los métodos tradicionales de mediciones en campo, como el drive-testing, pueden medir el rendimiento de una multitud de redes y dispositivos al mismo tiempo, en una variedad de ubicaciones diferentes; sin embargo estas mediciones están limitadas a un conjunto restringido de ubicaciones (carreteras) y sólo ofrecen un único punto de vista en el tiempo. El drive-testing es una técnica valiosa, pero su fuerza reside en la profundidad de los datos recopilados, en lugar de su amplitud. Además, los operadores conscientes de las rutas tomadas por los benchmarkers pueden priorizar el tráfico en ciertas ubicaciones. Más importante aún, la falta de datos en tiempo real de las pruebas disminuye su facilidad de uso para la monitorización de la red.

Estos inconvenientes se resuelven con las pruebas de red de crowdsourcing utilizando un SDK (Kit de Desarrollo de Software). Las pruebas de SDK que se ejecutan en las aplicaciones móviles más utilizadas pueden recopilar gran parte de la misma información básica que otros métodos: rendimiento de download y upload, latencia, pérdida de paquetes, etc., en una escala mucho más amplia con una fiabilidad de 24 horas al día, los 7 días de la semana. Independientemente de quién sea el usuario, a medida que las pruebas se ejecutan, proporcionan una evaluación más imparcial del rendimiento de la red a lo largo del día (y de la noche) en cualquier lugar donde un usuario accede a la red, y en más que un punto fijo en el tiempo y el espacio, al contrario de otras fuentes. El SDK proporciona los datos de manera más amplia sobre la calidad de una red, durante todo el día y en países enteros.  

La Inteligencia Artificial correctamente implementada tiene un gran potencial para mejorar la forma en que los operadores entienden sus redes, guiar decisiones más inteligentes para la optimización de la red y brindar un mejor servicio a los clientes. Sin embargo, nada de esto es posible sin una visión fiable de las experiencias reales de los usuarios en la red, lo cual es esencial para garantizar que cualquier implementación de IA sea lo más robusta posible. Después de todo, nadie debería tomar decisiones basadas en un simple fragmento de la información disponible

Redes Telecom > Opinión > Infraestructuras > Cómo alimentar su IA: consideraciones importantes para la inteligencia artificial en redes móviles
  • más visto
Powered by WebShareContentBPS Business Publications Spain
© 2019 BPS Business Publications Spain S.L. Todos los derechos reservados.
Si quiere estar informado, suscríbase gratis a los boletines de noticias TIC.