هوش مصنوعی در اپراتورها

امروزه فناوری «هوش مصنوعی(AI)» برای همه افراد بسیار آشناست و استفاده از آن، جزئی از زندگی روزمره انسان شده، درواقع، بسیاری از فعالیت‌های روزمره انسان‌ها بدون وجود این فناوری‌ها ممکن نیست. از طرفی با توجه به گسترش بیماری‌ همه‌گیر کووید-19، کمبود منابع انسانی در زمینه‌های مختلف بیش از گذشته احساس می‌شود. ازاین‌رو، همگام با توسعه اپراتورها و راه‌اندازی سرویس‌های 5G/IoT، شبکه‌های تلفن همراه نیز خدمات متنوع‌تر و پیچیده‌تری را ارائه می‌دهند و اپراتورها برای توسعه خدمات خود و بهینه‌سازی فرایندها به سمت استفاده از خدمات مبتنی بر هوش مصنوعی رفته‌اند. در این مقاله، نیاز اپراتورها به فناوری‌های هوش مصنوعی را ارزیابی کرده سپس چندین مثال از نحوه بهبود عملکرد شبکه مبتنی بر هوش مصنوعی را بیان خواهیم کرد. توسعه خدمات و اتوماسیون فرایندهای درون شبکه اپراتور شامل مدیریت بهینه ترافیک، پایش و نظارت داده و پشتیبانی از سرویس‌های یک اپراتور با کمک هوش مصنوعی، محور اصلی مقاله حاضر است.

کلیدواژه‌ها : فناوری‌های هوش مصنوعی، اپراتورهای موبایل، مدیریت ترافیک، نگهداری شبکه موبایل، پایش داده

مشاغل امروز با اطلاعات و کمبود منابع انسانی زیادی روبرو هستند. برای حل این مسائل، کسب‌وکارهای مختلف در حال معرفی فناوری‌های هوش مصنوعی (AI)^[1]/کلان‌داده با سرعت زیاد به‌منظور بهبود بهره‌وری عملکرد تجاری خود هستند. درحالی ‌که جهان امروز سومین رونق هوش مصنوعی (پس از معرفی هوش مصنوعی از سال 1950 و معرفی یادگیری ماشین از دهه 1980) را تجربه می‌کند، استفاده عملی از «یادگیری ماشین» به ما کمک می‌کند تا به‌شکل خودکار، الگوها و قوانین را از مقدار زیادی داده (به‌اصطلاح کلان‌داده) شناسایی کرده و یاد بگیریم. این فناوری به ما امکان می‌دهد که قوانین مناسب‌تری را بر اساس یادگیری از داده‌ها تنظیم کنیم و پس از ارائه معیارهای ارزیابی، قضاوت‌های دقیق‌تری انجام دهیم. به دنبال ظهور این فناوری‌ها، «یادگیری عمیق»^[2](DL) ظهور کرده است که در آن هوش مصنوعی به‌خودی‌خود می‌آموزد و دانش الگوها و قوانین را بدون هیچ معیار خاصی جمع می‌کند [1].

اگر بخواهیم تعریف ساده‌ای از هوش مصنوعی داشته باشیم، می‌توان آن را علم شبیه‌سازی فرآیندهای هوش انسانی توسط ماشین‌ها تعریف کرد. این فرآیندها می‌تواند شامل «یادگیری»^[3] و «استدلال»^[4] باشد. منظور از یادگیری، فرآیند تصاحب دانش، اطلاعات، قوانین یا مقادیر در جهت بهبود تعامل با محیط واقعی است. همچنین فرایند استدلال، به استفاده از قوانین برای رسیدن به نتایج «تقریبی» یا «قطعی» اطلاق می‌شود [2].

طبق مقاله‌ای که در سال 2016 در اداره اطلاعات و ارتباطات ژاپن^[5] تهیه و ازسوی وزارت امور داخلی و ارتباطات آن کشور منتشر شده، به سه نوع عملکرد اصلی برای خدمات هوش مصنوعی اشاره شده است [1، 3]:

1- شناسایی

2- پیش‌بینی

3- اجرا

این توابع را می‌توان در تمام صنایع استفاده و اعمال کرد. کاربردهای استاندارد هر عملکرد به شرح زیر است:

•    «شناسایی»^[6] وضعیت فعلی (ویژگی‌ها) از مقدار زیادی داده (کلان‌داده)
•    تجزیه‌وتحلیل ویژگی‌های زمانی داده‌ها و «پیش‌بینی» روندها و اتفاقات و رویدادهای آینده
•    ایجاد و «اجرای» یک برنامه مطلوب بر اساس داده‌های «شناسایی»/«پیش‌بینی‌شده»

همان‌طور که در مقاله مذکور بیان شده، انتظار می‌رود که هوش مصنوعی در زمینه‌های مختلف تجاری مورداستفاده قرار گرفته و تجزیه‌وتحلیل بسیار پیشرفته‌ای (برای بهبود بهره‌وری عملیاتی)، با استفاده از داده‌های کلان در مدت‌زمان کوتاه و بدون عملکرد دستی انسان انجام دهد.

از طرفی، انواع فناوری‌های هوش مصنوعی را می‌توان به دو روش دسته‌بندی کرد. روش اول (فناوری‌های هوش مصنوعی ضعیف^[7])، شامل سیستم‌هایی است که برای انجام وظایف خاصی آموزش دیده‌اند. بنابراین، سیستم بر اساس قابلیت‌ها، نحوه کاربرد و دامنه مسائل مشخص و محدود، توسعه می‌یابد. روش دوم (فناوری‌های هوش مصنوعی قوی^[8])، شامل سیستم‌هایی است که ظرفیت فهمیدن یا یادگیری هر کار فکری را (که توسط انسان قابل انجام است) دارند. به‌عبارت‌دیگر، در چنین سیستم‌هایی، «قابلیت‌های شناختی»^[9] انسان به ماشین‌ها تعمیم داده شده‌ است. چنین سیستم‌هایی، وقتی‌ با وظایف ناآشنا روبرو می‌شوند، بدون دخالت انسانی قادر به یافتن جواب مسئله خواهند بود. این سیستم‌ها، هنوز در مرحله تحقیق بوده و تاکنون، نمونه‌های اولیه آنها شامل ربات‌های انسان‌نما ساخته شده است. بر اساس مدل‌های توسعه‌یافته به روش اول، هوش مصنوعی محدود^[10] و به رویکرد دوم، هوش مصنوعی عمومی^[11] اطلاق می‌شود. دستیارهای شخصی مجازی نظیر سیری^[12] شرکت اَپل ازجمله سیستم‌های نوع اول هستند.

مشکلات مهم در بهبود عملکرد اپراتورها

عملکرد شبکه به‌طور کلی می‌تواند به‌عنوان چرخه فعالیت‌هایی که شامل برنامه‌ریزی^[13]، ساخت^[14] و نگهداری^[15] است، نشان داده شود، این موضوع در شکل (1) نشان داده شده است:

شکل 1: چرخه عملکرد اپراتور [2]

با توجه به روندهای مرسوم در ارائه خدمات شبکه تلفن همراه (به‌اختصار NW در شکل فوق)، توسعه اهداف زیر می‌تواند بر عملکرد شبکه تأثیر بسزایی بگذارد [2، 3]:

1) تسریع در چرخه عملکرد شبکه برای سرعت‌بخشی به خدمات

2) ایجاد یک روش تجزیه‌وتحلیل و عملکرد برای شبکه‌های پیشرفته و پیچیده

در ادامه به ‌مرور و بررسی برخی مشکلات اپراتورها در بهبود خدمات مطابق با چرخه فوق می‌پردازیم:

•  اولین فرایند در بهبود خدمات شبکه، «برنامه‌ریزی» صحیح است. برنامه‌ریزی گامی برای تجزیه‌وتحلیل ترافیک شبکه و تدوین برنامه‌های آینده برای منابع تسهیلات شبکه است.
•  «پیش‌بینی»، برای تجزیه‌وتحلیل ترافیک شبکه و محاسبه مقادیر طولانی‌تر (سالانه) منابع شبکه (مانند پهنای باند) انجام می‌شود. با این‌ حال، هنگامی ‌که مجازی‌سازی شبکه^[16] و سرویس‌های مختلف 5G/IoT وارد عمل می‌شوند و سرویس‌های مختلف روی یک شبکه فیزیکی/سخت‌افزاری یکسان قرار می‌گیرند، لازم است که میزان ترافیک تمامی سرویس‌ها در حجم ترافیک مناسب، مدیریت شود.
•  فرآیند «تعمیر و نگهداری» گامی است که برای تجزیه‌وتحلیل تأثیر مشکلات در خدمات مشتری بر اساس اطلاعات هشدار از شبکه، بازیابی خدمات با شناسایی تجهیزات معیوب و رفع مشکل با استفاده از اطلاعات هشدار برداشته شده است.

فناوری‌های هوش مصنوعی قابل‌استفاده در اپراتور

چنان‌چه بیان شد، استفاده از هوش مصنوعی ما را قادر می‌سازد تا حتی در صورت عدم وجود منابع انسانی کافی و تجربه و مهارت‌های خاص، به‌سرعت و به‌شکل مؤثر به مشکلات فوق در روند برنامه‌ریزی، تولید و نگهداری پاسخ دهیم. بنابراین، برای انجام کارهای تجزیه‌وتحلیل کارآمدتر و پیشرفته برای فرایندهای اپراتورها، از هوش مصنوعی می‌توان استفاده کرد. به‌طور کلی، فناوری‌های هوش مصنوعی حداقل در 6 حوزه زیر در اپراتورها قابل توسعه است [3، 4]:

شبکه هوشمند (AI Network): اتوماسیون تمامی فرایندهای موجود در اپراتورها برای ارائه خدمات بهتر به مشتری

سرویس‌های تجاری (AI-powered services): خدمات هوش مصنوعی به‌شکل تجاری و قابل‌استفاده برای عموم مشتریان

دستیار هوشمند (AI-assist): شامل توسعه سخت‌افزارهای هوشمند، دستیارهای صوتی، ربات‌ها و …

بهبود پردازش‌های مبتنی بر هوش مصنوعی (AI-enhanced process): ارتقاء فرایندهای پردازش داده به کمک هوش مصنوعی

تشخیص تقلب (Fraud Detection): تشخیص خودکار انواع خرابی‌ها/تقلب در سطوح مختلف شبکه بخصوص صورتحساب مشتریان و قراردادهای وابسته به آن

مدیریت ارتباط با مشتریان (CRM)^[17]: استفاده از هوش مصنوعی در بازاریابی و سرویس‌های مربوط به مشتری

در ادامه این مقاله به‌اجمال فرایندهای اتوماسیون شبکه و یا «اپراتور هوشمند» را معرفی می‌کنیم:

اپراتور هوشمند؛ اصطلاحی است شامل اپراتورهایی که در آن فرایندهای درون‌شبکه‌ای به‌طور خودکار با استفاده از الگوریتم‌های هوش مصنوعی و بدون دخالت نیروی انسانی انجام می‌گیرد [2]. در این شبکه از هوش مصنوعی برای پیش‌بینی و مدیریت تقاضای ترافیک استفاده می‌شود. اساساً، ترافیک‌های مورد تقاضای مشتریان به دو نوع تقسیم می‌شود: تقاضای ترافیک کوتاه‌مدت، مانند افزایش ترافیک موقتی در طول یک رویداد خاص و تقاضای طولانی‌مدت ترافیک. برای پیش‌بینی ترافیک هوشمند، سیستم (و شبکه) یاد می‌گیرد که چطور تقاضاهای کوتاه‌مدت/بلندمدت ترافیک را که از عوامل متفاوت و طی رویدادهای مختلف ایجادشده را مدیریت کند. شکل (2) به‌شکل طرح‌وار، عملکرد هوش مصنوعی را در این سیستم نشان می‌دهد.

شکل 2: فرایند تشخیص تقاضای ترافیک به کمک هوش مصنوعی [2]

این مدیریت ترافیک، به‌نوعی بخش برنامه‌ریزی^[18] در چرخه اپراتور (شکل 1) را شامل می‌شود. چنانچه می‌بینیم این شکل مبتنی بر سه بخش است. در ابتدا اطلاعات مربوطه به همراه تاریخ و زمان وقایع در هر منطقه به‌عنوان داده‌های لازم برای یادگیری هوش مصنوعی تعیین می‌شود. سپس سیستم هوش مصنوعی، تقاضاهای مختلف ترافیک و وابستگی میان آنها را یاد می‌گیرد و نهایتا برای هر منطقه، مدل پیش‌بینی تقاضای ترافیک بلندمدت/کوتاه‌مدت ارائه می‌دهد.

بخش دوم اپراتور هوشمند به راه‌اندازی سیستم خودکار برای نظارت و مانیتورینگ شبکه و فرایندهای آن مربوط است. همان‌طور که در بخش قبلی بیان شد، روند نگهداری شبکه بسیار پیچیده و پرهزینه است. مهم‌تر از همه، آنچه در مانیتورینگ شبکه مهم است، تجزیه‌وتحلیل کیفیت و میزان اثر آن بر خدمات مشتری و همچنین ارزیابی رضایتمندی است. در روش‌های سنتی، چون روش متداول نگهداری شبکه غالباً به مهارت و تخصص پرسنل تعمیر و نگهداری متکی است، اکثراً ازنظر تجربه مشتری نمی‌توان تأثیر آن را بر خدمات ارائه‌شده درک و تحلیل کرد. بنابراین در شبکه 5G موضوع کیفیت ارائه خدمت^[19](QoS) یا کیفیت تجربه (مشتری)^[20](QoE) با توجه به ارائه راهکارهای اتوماتیک، ممکن و تحلیل‌پذیر خواهد بود. به‌منظور تحقق نظارت بر خدمات شبکه براساس تجربه مشتری می‌توان از روش تجزیه اطلاعات که شامل دو مرحله زیر است، استفاده کرد:

از هوش مصنوعی بخواهید داده‌های شبکه را تجزیه‌وتحلیل کند و شاخصی را که می‌تواند کیفیت تجربه مشتری (QoE) را برای هر سرویس بیان کند، تخمین بزنید [2]. میزان QoE برآورد شده را برای هر سلول پیشرفته (یا eNB^[21]) جمع‌آوری کرده و به کمک هوش مصنوعی ویژگی‌های مختلف را یاد می‌گیرد.

شکل 3، یک رویکرد مناسب پیشنهادی را نشان می‌دهد.

شکل 3: روش‌های استفاده از هوش مصنوعی در مانیتورینگ سرویس [2]

درنهایت در بخش آخر یک اپراتور هوشمند مربوط به تشخیص ناهنجاری‌ها^[22] در سطح خدمات است. در این بخش نیز همانند واحدهای دیگر، سیستم‌های هوش مصنوعی می‌توانند بر پارامترهای مختلف شبکه نظارت کرده و مطابق با آن مدل پایدار خدمات را ارائه دهند. شکل 4 مثالی از این فرایند را نشان می‌دهد.

شکل 4: فرآیند تعیین ناهنجاری کیفیت خدمات با هوش مصنوعی [2]

در اینجا، داده‌های QoE جمع‌آوری شده در واحدهای ماکروسکوپی کوچک طبقه‌بندی می‌شود که واحدها در این حالت مناطق ارتباطی مختلف هستند. مشابه شرایطی که در مانیتورینگ سرویس و شبکه بیان شد، در این حالت از داده‌ها و توزیع آنها اطلاعات و ویژگی‌های مختلف استخراج و به کمک آن، فرایندهای ناهنجار و غیرطبیعی تشخیص و شناسایی خواهند شد.

نتیجه‌گیری

در این مقاله، نحوه استفاده از فناوری هوش مصنوعی برای بهبود عملکرد اپراتور را تشریح و موارد مختلف توسعه شبکه بر مبنای آن را بیان کردیم. مطالعه استفاده از هوش مصنوعی برای فعالیت شبکه تلفن همراه درزمینه ارتباطات از راه دور هنوز در مراحل ابتدایی است. به‌طور کلی، هوش مصنوعی توانایی تعریف فرایندهای انسانی و حرکت به سمت اتوماسیون آنها را دارد. استفاده از هوش مصنوعی برای تحلیل داده‌ها و ارائه خدماتی شگفت‌انگیز به مشتریان اپراتور، هر روز در حال افزایش است.

بنابراین، سیستم‌های هوشمند از دو جنبه مدیریت بهینه ترافیک (و مدیریت تقاضا) و اتوماسیون فرایندها قادر به ارائه سرویس و بهبود عملکرد اپراتور هستند که پیش‌بینی می‌شود در آینده‌ای نزدیک، سرویس‌های مرتبط همان‌قدر رواج خواهد یافت که امروز خدمات ابری توسعه‌یافته‌اند.

منابع

[1] AI & Automation: An Overview, GSMA Future Networks, June 25, 2019 [https://www.gsma.com/futurenetworks/wiki/AI-automation-an-overview

[2] T. Otani, H. Toube, T. Kimura, M. Furutani, “Application of AI to Mobile Network Operation”, ITU Journal: ICT Discoveries, Special Issue No. 1, 13 Oct. 2017.

[3] AI and Machine Learning in 5G Lessons from the ITU Challenge, ITU News Magazine, 2020.

[4] Artificial Intelligence in the Telco Industry, on-Site Presentation, 19 September 2019.

---

   پی‌نوشت

[1] Artificial Intelligence

[2] Deep Learning

[3] Learning

[4] Reasoning

[5] Information and Communications in Japan

[6] identify

[7] Weak Artificial Intelligence

[8] Strong Artificial Intelligence

[9] Cognitive

[10] Narrow Artificial Intelligence

[11] General Artificial Intelligence

[12] Siri

[13] planning

[14] construction

[15] maintenance

[16] Network Virtualization

[17] Customer Relationship Management

[18] planning

[19] Quality of Service

[20] Quality of Experience

[21] Evolved NodeB

[22] abnormality