)
Datengesteuerte kognitive Netzwerke
Telekommunikations- und Großunternehmen verfügen über einen verborgenen Schatz: Daten. Die Umwandlung der Netzwerkdaten in Wissen ist ein effektives Instrument, um die Entscheidungsfindung in Geschäftsprozessen zu unterstützen. Reply kann Telekommunikationsanbietern mit Network Data Analytics bei der Entwicklung ihrer Geschäftsstrategien und bei Entscheidungen helfen.
Die Herausforderung für Telekommunikationsunternehmen
Wie erhebt und analysiert man große Datenmengen, um nützliche Erkenntnisse gewinnen und diese in einen fundierten und effektiven Entscheidungsprozess einfließen lassen zu können?
Erforderliche Qualifikationen und Technologien
Um erfasste Daten optimal nutzen zu können, benötigen Unternehmen Kompetenzen und Technologien, mit denen sich konkrete Ergebnisse erzielen lassen, die betriebliche und geschäftliche Vorteile ermöglichen. Darüber hinaus haben Anwendungsfälle in den Bereichen Machine Learning und KI großes Potenzial für die Anomalieerkennung, Ursachenanalyse, Managed Services und Netzwerkoptimierung gezeigt. Neue Technologien wie Deep und Reinforcement Learning können dazu dienen, den Netzwerkdesignprozess zu automatisieren und die Netzwerkleistung in Echtzeit zu optimieren.
Um effektiv zu funktionieren, benötigen diese Anwendungen jedoch eine spezielle Rechen-, Pipeline- und Support-Infrastruktur. Diesem Bedarf kann mit Dateninfrastrukturen begegnet werden, die Skalierbarkeit, Geschwindigkeit, Sicherheit und Flexibilität gewährleisten und als Grundlage für das gesamte Datenökosystem dienen. Das Ziel besteht darin, einen wirksamen Prozess auszulösen: mehr Wert aus Daten zu ziehen sowie wirklich nützliche Erkenntnisse zu identifizieren, um Maßnahmen an den Netzwerken zeitnah und proaktiv auslösen zu können.
Die Lösung
Auf dieser Datengrundlage kann eine effektive und effiziente Datenverwaltung für verschiedene Typen qualitativer und quantitativer Daten implementiert werden. Darauf bauen maßgeschneiderte Modelle auf, die sich an die wechselnden Anforderungen des Unternehmens anpassen können. Die Daten werden aus verteilten Datenbanken oder Streamingdaten-Pipelines eingelesen.
Sie werden in der gesamten Pipeline versioniert, nachverfolgt und validiert. Darüber hinaus werden verschiedene Versionen von ML-Modellen implementiert und durch ein Modellregister und einen Modell-Workflow verwaltet. Die Bereitstellung von Modellen in verschiedenen Umgebungen erfolgt mithilfe von Workflow-Management-Tools, mit denen der Ablauf von Anfang bis Ende verwaltet wird. Diese Pipelines können auch mit Cloud-nativen ML-Workloads implementiert werden, die als Container-basierte Mikrodienste bereitgestellt werden. Deren Infrastruktur-Anforderungen reichen von einem einzelnen Knoten, auf dem Docker ausgeführt wird, bis zu einem Cluster von Knoten, die von einem Container-Orchestrierungssystem wie Kubernetes verwaltet werden.
Prozesse zur Sicherung der Datenqualität
In komplexen Organisationen wie Telekommunikationsunternehmen bestehen Systeme und Anwendungen für bestimmte Funktionen nebeneinander. Dabei sind Datenbanken voneinander isoliert, so dass eine hohe Redundanz besteht und Daten oft falsch zugeordnet sind. Data Governance umfasst eine Reihe von Strategien, Prozessen und Regeln für die Verwaltung und Optimierung von Daten mit dem Ziel, den Wert der Geschäftsdaten von datengesteuerten Unternehmen zu steigern. Das Ziel eines Data-Governance-Systems besteht darin, Prozesse zur Vermeidung und Korrektur von Datenproblemen zu nutzen und zu optimieren und dadurch die Qualität der für die Entscheidungsfindung verfügbaren Daten zu verbessern. Dafür ist eine vereinfachte Gesamtsicht erforderlich, eine einheitliche und zertifizierte Sicht auf die Daten im Hinblick auf die verschiedenen Quellen, aus denen sich die Informationsressourcen eines Unternehmens zusammensetzen.
Ein Governance-System für Netzwerk-Analysedaten könnte ein nützliches Instrument sein, um die langfristige Wettbewerbsfähigkeit von Telekommunikationsanbietern zu fördern. Es bietet:
- zentralisierte Überwachung und allgemeine Verwaltung von Datenströmen,
- höhere Effizienz und leistungsfähige Datenkontrolle,
- einzigartige Schnittstelle für Systemeigentümer, Benutzerleitung und Anwendungsmanagementgruppen
- Standardkontrollen in Echtzeit für jede Art von Datenstrom
- erweiterte anpassbare Kontrollen
- einfache Aktualisierung (neue Streams, Timeshift usw.) und
- unmittelbare Hinweise auf Probleme beim Datenfluss.
Interessante Anwendungsfälle
Von den Interessen unserer Kunden und den Markttrends ausgehend, hat Reply verschiedene Anwendungsbereiche für Advanced Analytics, ML und KI-Techniken untersucht.
Fehlermanagement und -prognose
Dienstunterbrechungen und Störungen sind in einem Telekommunikationsnetz unvermeidlich. Daher ist dies ein kritischer Bereich, in dem KI eine Schlüsselrolle spielen kann. Anwendungen in verschiedenen Bereichen und mit Fokus auf verschiedene Geräte werden gemäß den Anforderungen unserer Kunden in Erwägung gezogen.
Prognose und Optimierung des Netzwerkverkehrs
Kunden, die eine Verbesserung der Capex-Effizienz und der QoS anstreben, benötigen eine Prognose und Optimierung des Netzwerkverkehrs. Für den Telekommunikationssektor werden Netzwerke, die sich auf Basis von Echtzeit- und Ereignisdaten selbst optimieren und automatisch auf Eingaben von ML/KI-Algorithmen reagieren, immer bedeutender.
Abwanderungsprognose und Kundenbetreuung
Telekommunikationsunternehmen achten sehr auf ihre eigenen Endkunden. Die in OSS- und BSS-Bereichen gesammelten Informationen können so verarbeitet werden, dass sich Ausfälle, QoS-Einbußen und Beschwerden der Endkunden eines Telekommunikationsanbieters verhindern lassen. Die Abteilungen Qualitätssicherung und Kundenbetreuung befassen sich mit der Prognose der Eröffnung von Problemtickets und der Verhinderung von Kundenabwanderung, die dank KI-Techniken heute gut untersucht sind.
Erweiterte Analysen und Visualisierung
Die Entwicklung von Lösungen für erweiterte Analysen, bei denen Data-Mining- und Mustererkennungsverfahren mit Fachwissen kombiniert werden, ist für Kunden, die das verborgene Potenzial der Daten nutzen und die Fehlersuche im Netz unterstützen möchten, von entscheidender Bedeutung. Diese Lösungen ermöglichen eine Ursachenanalyse, die wiederum eine Grundlage für Anwendungsfälle im Bereich Fehlermanagement bilden kann. Eine weitergehende Prüfung des Visualisierungstools wird unsere Kunden dabei unterstützen, datengestützte Entscheidungen zu treffen und fortschrittliche Berichtslösungen zu nutzen.
Bild-/Videoverarbeitung und Objekterkennung
Mit der Entwicklung von 5G-Netzen und dem zunehmenden Einsatz von Drohnen wird für unsere Kunden die Möglichkeit außerordentlich wichtig, Bilder und Videos so zu verarbeiten, dass sie nützliche Informationen bieten, die am Edge verarbeitet werden können.
Warum Reply?
Reply setzt auf einen kontinuierlichen Prozess der Erforschung, Auswahl und Förderung innovativer Lösungen auf dem Markt, um die Wertschöpfung innerhalb von Organisationen unterstützen zu können.
In den vergangenen Jahren hat das Bewusstsein für die enormen Möglichkeiten, die sich aus der Nutzung von Netzwerkdaten ergeben, zugenommen. Für unsere Kunden im Bereich Telekommunikation zielen wir darauf ab, technologische Kompetenzen in den Bereichen Datenanalyse, Modellierung und Prozess-Reengineering zu kombinieren, um kulturellen Wandel zu fördern und einen neuen Ansatz für das Datenmanagement einzuführen – unabhängig davon, ob dies unternehmensintern oder durch externe Dienstleister erfolgt.