La ciencia de datos se ha vuelto esencial en casi todas las industrias que utilizan datos, desde cadenas de suministro y atención médica hasta seguros y comercio electrónico.
En el mundo de las telecomunicaciones, se requieren técnicas de ciencia de datos para optimizar las redes a través de técnicas de modelado predictivo. Para obtener más información sobre esto, SiliconRepublic.com escuchó a Alex Agapitos, arquitecto principal de IA en el Centro de Investigación de Huawei Irlanda.
Agapitos tiene un título en ingeniería de software y un doctorado en informática. Trabajó como investigador postdoctoral en el Laboratorio de Sistemas Adaptativos y Complejos del University College Dublin antes de unirse a Huawei en 2016.
Dijo que la introducción de 5G, IoT y edge computing trae nuevas complejidades a las operaciones de red, lo que ha hecho que el mantenimiento manual sea inviable sin la ciencia de datos más reciente. “Las historias de éxito dominantes giran en torno a los casos de uso del mantenimiento reactivo/predictivo y la optimización de la red”, dijo.
“En el primero, las técnicas de detección de valores atípicos y modelado predictivo extraen patrones en datos históricos para anticipar con precisión y advertir sobre fallas inminentes en la red. Esto permite a los operadores identificar señales de advertencia tempranas de fallas y sus causas raíz asociadas, lo que permite intervenciones tempranas antes de que las fallas afecten a los usuarios finales”.
Agapitos dijo que otra transformación importante que ha traído la ciencia de datos es la optimización de redes autónomas.
“El modelado predictivo basado en el aprendizaje profundo permite que los modelos de simulación del entorno de la red se entrenen utilizando datos históricos y luego se combinen con algoritmos de optimización basados en datos que reconfiguran continuamente la red”, dijo.
“La llegada de aplicaciones hambrientas de datos, incluida la realidad virtual, los automóviles autónomos y los juegos, aumentará aún más la necesidad de soluciones autónomas basadas en datos en 5G y más allá”.
Tendencias de la ciencia de datos en las telecomunicaciones
Dado que la ciencia de datos ya impulsa la optimización de redes autónomas, Agapitos dijo que ve una era de «redes de telecomunicaciones inteligentes» con «supervisión humana mínima» en el futuro.
“Los avances en los sistemas de múltiples agentes permitirán modelar e implementar la red como una colección de agentes autónomos que perciben su entorno y toman medidas para cumplir cooperativamente un conjunto de objetivos globales, como mantener el rendimiento de la red en niveles casi óptimos en todo momento”, dijo.
“Para hacer frente a las condiciones de red en constante cambio, es crucial que los agentes autónomos tengan la capacidad de adquirir, ajustar y transferir continuamente conocimientos y habilidades a lo largo de su ciclo de vida, que es un área de investigación conocida como aprendizaje continuo o permanente”.
Avanzar en el aprendizaje permanente para los sistemas de aprendizaje automático es un desafío continuo, pero Agapitos dijo que hay muchas investigaciones emergentes en esta área.
También dijo que la creciente complejidad y sofisticación de las redes de telecomunicaciones inteligentes inevitablemente planteará un desafío para el operador humano en la comprensión del razonamiento detrás de la toma de decisiones autónoma.
“La confiabilidad de la funcionalidad interna del sistema autónomo es de fundamental importancia y se logrará a través de avances en IA explicable”.
La IA explicable es un área de investigación que se encuentra en la intersección de la ciencia de datos, el aprendizaje profundo y la IA simbólica. El objetivo es desarrollar métodos y técnicas que produzcan modelos precisos y explicables de por qué y cómo un algoritmo de IA o un modelo de predicción llega a una decisión específica, de modo que el resultado pueda ser entendido por un ser humano.
La cuestión de la privacidad
Si bien la necesidad de datos crece dentro de la sociedad, también lo hace la cuestión de la privacidad. Agapitos dijo que cree que el problema de la privacidad de los datos se puede abordar a través de otra área de la ciencia de datos: una tecnología de aprendizaje automático conocida como aprendizaje federado.
“Mientras que los enfoques de aprendizaje automático estándar requieren centralizar los datos de entrenamiento en una máquina o en la nube, el aprendizaje federado permite que los elementos de red nativos de IA o el equipo del usuario aprendan en colaboración un modelo de predicción compartido mientras mantienen todos los datos de entrenamiento en las instalaciones o en el dispositivo. » él dijo.
“En pocas palabras, el aprendizaje federado procede de la siguiente manera: el elemento de red o equipo de usuario descarga el modelo actual de un coordinador compartido, mejora el modelo mediante el aprendizaje en línea basado en datos generados localmente en el elemento de red o equipo de usuario y luego resume el cambios de modelo como una pequeña actualización de modelo.
“Esta pequeña actualización luego se envía de regreso al coordinador mediante comunicación encriptada, donde se promedia inmediatamente con las actualizaciones del modelo de pares para mejorar el modelo compartido. El aprendizaje federado permite modelos más inteligentes, menor latencia, menor consumo de energía, todo mientras se garantiza la privacidad”.
Fuente: Reporting by Jenny Darmody – Silicon Republic
Nota Original: How data science is leading to better network optimisation
Autor: Jenny Darmody – Editora de Silicon Republic
