Цель дискриминантных моделей

Дискриминантные модели определяют границы между категориями/классами в наборах данных, что позволяет быстро классифицировать/категоризировать любые новые точки информации. Цель дискриминантных моделей – сортировка данных по категориям. Наглядным примером такого задания может служить требование рок-группы Van Halen, настаивающей на удалении всех коричневых драже из наполненной M&M емкости, стоящей за кулисами во время концертов.

 

Генеративные модели искусственного интеллекта производят оценку вероятности на основе предшествующих и вероятных будущих событий, что позволяет генерировать новые точки данных. Методы дискриминантного ИИ определяют граничные условия таким образом, чтобы данные можно было исключать или включать в заданный массив по бинарному принципу: «Красные, оранжевые и зеленые M&M включаются, коричневые – исключаются». Подобные операции не позволяют создавать новых данных, а лишь сортируют уже имеющиеся.

 

Дискриминантная модель ИИ строится на этапе обучения, когда каждой точке данных приписывается класс/метка. Затем выполняется извлечение признаков для идентификации свойств/границ, позволяющих категоризировать классы (в нашем примере – цвет драже M&M). После этого модель учится определять разделяющую классы границу (например, коричневый цвет – все остальные цвета). После обучения модель оценивается на новом массиве данных (т.е. на отличном от учебного набора данных) для определения точности модели и ее готовности к применению на будущих массивах данных.

 

Применение генеративных и дискриминантных моделей ИИ для обнаружения неисправностей в сети

В контексте систем поддержки OSS/BSS дискриминантные модели ИИ играют важную роль в области классификации и принятия решений, включая:

• Прогнозирование оттока клиентов. Используя дискриминантные алгоритмы, операторы связи могут анализировать поведение клиентов и прогнозировать их потенциальный отток, что позволяет своевременно и целенаправленно предотвращать нежелательные явления.
• Обнаружение неисправностей в сети. OSS может использовать дискриминантные модели для выявления и прогнозирования сбоев в работе сети с помощью комплексного анализа данных сетевой телеметрии.
• Идентификация спам-соединений. Дискриминантные модели помогают классифицировать звонки с учетом оценки их спам-класса, позволяя оператору уведомлять абонентов о том, что входящий звонок потенциально является спамом. Такая услуга обеспечивает повышение качества обслуживания пользователей.
• Поиск сходства в журнальных и телеметрических данных. Обнаружение аномалий и распознавание моделей в неструктурированных данных журналов может стать источником ценных сведений о производительности и безопасности сети. Кроме того, модели ИИ прекрасно справляются с классификацией/ сегментацией телеметрических данных (не предоставляя дополнительных сведений о базовом распределении данных, как это делают генеративные модели).
• Прогнозирование сбоев. Определение компонентов сети, которые с наибольшей вероятностью могут выйти из строя в ближайшее время, производится на основе архивных данных и актуальных показателей.
• Управление трафиком, распределение ресурсов и пропускной способности. Анализ сетевого трафика и моделей пользования для выявления участков перегруженности сети помогает операторам (или алгоритмам автооптимизации) определять области более эффективного распределения ресурсов.
• Сегментация клиентов. Классификация клиентов на основе моделей пользования позволяет персонализировать маркетинг и предлагать услуги с учетом пользовательского опыта.
• Мониторинг качества обслуживания (QoS, Quality of Service). Динамическая классификация сетевых транзакций осуществляется на основе таких показателей QoS, как задержка, ее динамика (джиттер) и потери пакетов.
• Анализ социальных/пользовательских сетей. Классификация социальных связей для выявления влиятельных блогеров и узлов активности в телекоммуникационной сети может помочь в планировании мощностей, маркетинга, передачи информации и других сценариев пользования.

Отделение сигнала от помех: повышение роли дискриминантного ИИ в сетевых операциях

Описанные методы помогают в отделении сигнала от сетевого шума, что дает оператору связи следующие преимущества:

• Повышение эффективности принятия решений. Ориентируясь на границы классов, дискриминантные модели обеспечивают точность классификации, предоставляя ответственным за принятие решений лицам точные аналитические данные.
• Оптимизация ресурсов. Автоматизация сложных задач, таких как обнаружение аномалий, определение моделей использования и сегментация клиентов, ощутимо повышает эффективность распределения ресурсов.
• Отказоустойчивость, соответствие нормативным требованиям и безопасность. В условиях динамично меняющейся сложной сетевой структуры, нормативных требований и угроз безопасности дискриминантные модели позволяют быстро получать масштабную информацию, обеспечивая оптимальное выполнение сетевых операций.

Дискриминантный искусственный интеллект предоставляет исключительные возможности для работы решений OSS/BSS, повышая эффективность, точность и взаимосвязь различных сетевых операций телекоммуникационных компаний. В данной серии статей рассматривается взаимодополняющая природа дискриминантного и генеративного искусственного интеллекта и его ключевая роль в формировании будущего телекоммуникационной отрасли. С первой частью серии, посвященной применению генеративного ИИ в сетях операторов связи, вы можете ознакомиться [здесь].

Понимание возможностей использования двух аспектов искусственного интеллекта позволяет телекомам разрабатывать более выверенные стратегии, повышать операционную эффективность, внедрять инновации в условиях растущей конкуренции и стремительно меняющегося сетевого пространства.