现代最先进的电信网络(例如 5G 核心网、O-RAN 和 SDN)中的自动化操作都遵循相同的模式。 主要推动者是简化网络状态收集和消费的实体。 这是 网络数据和分析功能 (NWDAF) 在 5G 核心网, 无线电智能控制器 (RIC) 在 O-RAN 和 SDN控制器 在软件定义网络中。 这些实体中的每一个都采用三层方法来实现网络数据货币化。 虽然这些网络状态消费者的功能非常相似,但它们的实现却不同。 这导致供应商特定的解决方案、每个网络域的孤岛,更重要的是,减少了利用网络数据潜力获利的机会。
识别复杂性的三个层次
现代电信网络会产生大量数据。 上述各网络实体首先 收集网络数据 并将其暴露给感兴趣的网络状态消费者。 网络状态消费者是各种分析模块,可能不同于简单的基于阈值的算法, 分析当前网络状态 非常复杂的基于 AI/ML 的算法 预测未来的网络状态. 最后,基于这些算法的不同见解 动作被推向网络,取决于实施的自动化用例,因此循环已关闭。
现在让我们以一家欧洲 CSP 为例,该公司对如何改进其网络运营有很多想法。 他们执行了许多不同的概念验证,所有这些都集中在模型的分析部分。 这些 PoC 忽略了数据和自动化方面,导致非常次优的结果。 由于数据限制,许多用例产生了令人失望的结果,而当结果良好时,所需的自动化功能(还)不可用,这大大降低了用例的业务收益。 在另一种情况下,未部署节能用例,因为所需的策略管理功能不可用。
IBM 提倡分解数据和分析功能,并将它们与自动化功能相结合,因为没有自动化的可操作数据驱动分析洞察力不会带来全部业务价值。
在这里,我们确定了三个复杂层,其中三个提议的层中的每一层都带来了特定的价值:数据层中的数据民主化,分析层中的开放“即插即用”AI/ML 模块,以及最终直接作用于自动化层中可操作的见解。
- 数据层: 收集数据并使所有感兴趣的消费者都可以访问和理解这些数据。
- 分析层: 分析各种用例的数据以提供可操作的见解。
- 自动化层: 以自动化方式根据可行的见解采取行动。
今天的许多行业炒作都围绕着 AI/ML 和自动化。 然而,当谈到电信网络时,数据层的复杂性往往被忽视。
数据是新的自然资源; 然而,这并不意味着它易于使用和货币化。 为了从中获得最大利益, 正确的 数据必须是 有效率的 从它的藏身处开采,然后才开采 有价值的见解 可以从中生产出来。 除此之外,网络数据无时无刻不在产生,每个人都有——的确,每个CSP都有丰富的、无限的、永不停止的数据源。 因此,数据挖掘是当今每个 CSP 的业务。 问题是——如何确保您的数据挖掘是高效的,并允许您释放数据的力量?
有关如何开始的用例
自动化运营为电信运营商开启了无限可能。 这个概念与 科技进化时代的必然 走向分解,这极大地增加了现代电信网络运营的复杂性,但也作为 电信服务持续发展的主要推动力 面向前所未有的 SLA,例如超低延迟或增强型移动宽带。 从今天的角度来看,越来越多的电信运营将实现自动化,因为手动操作无法应对挑战。 然而,尚不清楚哪些成功用例将为运营商带来最佳货币价值。 我们称之为 商业价值假设. 今天我们可以区分两类:
- 明显的或 基本的 业务价值假设直观清晰的用例。 此类用例的示例包括节能、异常检测、自动根本原因分析、故障预测。 这些用例的价值已经被其他人证明,手头的任务是在自己的环境中开发和部署这些用例,这并不总是容易做到的。
- 越不明显或 有抱负的 商业价值假设尚未得到证实的用例。 可以将来自网络、客户域和呼叫数据记录的数据以及通过网络进行的交易进行组合,以得出有价值的新见解,例如,未预料到的相关性。 我们在这里指的是将网络数据与可能产生结果的其他数据源相结合的想法、内部直觉等,但它们的确切价值和所实现的质量改进的金钱尚未得到证明。
上述关于电信中数据驱动分析用例的货币价值仍然存在不确定性的阐述强调了 CSP 需要托管自己的 分析游乐场. 事实上,CSP 需要一个开放平台,他们可以在其中轻松开发和部署自己的分析模块,还可以部署 3路 最好的分析模块,因为 CSP 不太可能自己创建所有分析模型。
它需要以易于理解的方式轻松访问网络数据,以避免在寻找正确的网络数据集时浪费大量时间。 拥有现成可用的数据模型可以将实施用例的时间和精力减少 30% 到 50%。
将网络数据货币化的第一步是创建价值树。 在这个过程中,有必要认识到可以识别的各种价值类别是什么,并越来越详细地指定这些类别。 网络数据价值树不是静态的,它会随着新想法的出现而不断发展,成功实施的用例会激发新想法。
在分析要开发的用例时,重要的是要评估正确数据的可用性,以及您希望对数据分析的结果做什么:根据这些新获得的见解,需要采取哪些自动化行动。 与可以自动采取行动的见解相比,无法采取行动的见解的价值要低得多。
想了解更多? 联系我们 chris.van.maastricht@nl.ibm.com 和 Maja.Curic@ibm.com.