Развитие сетей мобильной связи сегодня происходит не за счёт увеличения зоны покрытия, как раньше – во главе угла наращивание ёмкости, которое возможно только за счёт освоения новых частотных диапазонов и внедрения технологических решений, увеличивающих ёмкость сети внутри одного диапазона. В геометрической прогрессии растёт количество базовых станций, сети становятся «многослойными» – всё это значительно усложняет архитектуру сетей и, как следствие, их планирование и оптимизацию.
Для этих задач не обойтись без «ручного» труда инженеров – нужно проводить драйв-тесты, анализировать статистику работы базовых станций и принимать те или иные решения.
Когда объектов на сетях было относительно немного, это вполне себе работало. Но когда их количество увеличивается в сотни раз, то нужно пропорционально увеличивать штат сотрудников. Которых, во-первых, еще где-то надо найти и обучить, во-вторых, нужно в принципе управлять этими самыми сотрудниками: сложность оптимизации сети, поиска и устранения неполадок возрастает экспоненциально, при этом увеличивается время реакции на инциденты, что приводит к снижению качества сервиса в целом – а на коммодитизированном рынке, когда все операторы продают одну и ту же услугу по одной и той же цене.
Так что единственный реалистичный вариант – это доверить основную массу задач искусственному интеллекту. Тем более что для большинства микросот задачи по оптимизации – рутинные и однотипные, так что можно обойтись без принятия решений квалифицированным специалистом-человеком. Подобные решения есть, например, у Ericsson: платформа AI Network Performance, предназначенная специально для планирования и оптимизации сетей, внедряется сейчас мобильными операторами в разных странах мира. В отличие от привычных технологий «машинного обучения» (Machine Learning), здесь используется другая разновидность искусственного интеллекта – Machine Reasoning, то есть, машинное принятие решений. MR способно найти оптимальный выход из заранее неизвестной ситуации, а именно они чаще всего возникают в управлении современными мобильными сетями.
Но это теория. А на практике, например, в 30-миллионной столице Индонезии, Джакарте, трафик растёт на 50% ежегодно и местному оператору XL Axiata нужно запускать по 20 тыс. сайтов каждые 12 месяцев. При этом из-за пробок средняя скорость движения автомобилей по улицам города не превышает пешеходной: 5 км/ч. Драйв-тесты для оптимизации сети и приёмосдаточных испытаний вновь вводимых сайтов проводить почти невозможно – и в этой ситуации AI Network Performance позволяет от них отказаться и поддерживать требуемые темпы ввода БС, сократив требуемое время на 60%.
Более того, 80% трафика в Джакарте, как и в других крупных городах, генерируется в помещениях, поэтому результаты выездных уличных драйв-тестов зачастую нерелевантны. Поэтому его заменяет виртуальный драйв-тест: решение Ericsson на основе Big Data, позволяющее оператору видеть качество связи глазами абонента, в том числе, при желании, конкретного абонента с трассировкой его реального местоположения.
У японского оператора NTT DoCoMo решение Ericsson AI Network Performance используется для оптимизации сети радиодоступа по всей стране – здесь искусственный интеллект используется для выдачи рекомендаций по изменению параметров работы сот. Решение было внедрено на всей сети по итогам тестирования в опытных зонах, развернутых в 12 городах Японии: в рамках пилотного проекта оно продемонстрировало 98-процентную точность распознавания проблем.