作为通信人,我们究竟该如何看待AI?
引入AI,可以基于现有相对成熟的规则库和经验建立更智能更精准的算法,帮助进行更有效的告警过滤。 告警根因分析处理流程(《智能自治网络案例报告》,GSMA) AI智能告警分析还有一个很大的优势,就是可以跨网元、跨地域、跨厂商进行关联告警分析,提升故障判断的准确率。 举个例子,传统方式下,当某项业务或功能异常,A设备的工程师会发现告警,然后进行基本排查。如果找不到原因,会通知对端B设备的工程师排查。如果还未发现原因,再通知和业务关联的C甚至D设备的工程师排查。 AI处理告警信息是联动的。它通过对各个设备告警信息的统一分析,根据之前学习的结果,直接就判断出最有可能的Top3原因。 这样一来,故障处理的效率就会大幅提升。 未来真正的自治网络,不仅能够自主发现故障,更可以实现故障自愈。 也就是说,发现故障或异常后,AI在很短的时间内就可以进行类似VM(虚拟机)自动隔离,备份资源接管等操作,第一时间内实现业务恢复,无需人为干预。 流量智能预测 通信业务流量趋势,具有非常明显的时间特点。每天不同时间、不同地点的业务量负荷,都有潜在的规律。 例如学校,就有很强的潮汐效应,白天宿舍区域流量小,教学区域流量大,晚上恰好相反。 除了平时之外,法定节假日期间的用户流量趋势,也有明显的特征。 引入AI,对流量进行精准预测,可以帮助运营商提前对基站和承载网资源进行动态调整(扩容缩容)。自治网络下,AI可以自己完成调整动作。 根据算法做出的预测,实际还是源于数据。一方面是当前实时的高颗粒度数据,另一方面,是往期的历史数据。 AI可以根据这些数据,通过机器学习算法,学习出流量在时间和空间上的内在规律,从而得出预测结果,指导资源调整。 网络切片管理 网络切片,是5G带来的一个重要概念。 简单来说,它就是在物理网络上,划分出多个逻辑网络,实现不同的服务质量等级。 网络切片虽然好,但也带来了部署和维护的工作量。 AI可以使用历史流量数据进行训练学习,从而预测各种场景下的资源需求,最终生成切片策略并下发。 在切片运行的过程中,AI同样可以根据实时运行得到的数据,对模型和策略进行优化,让它们更加完美。 引入AI,可以快速完成切片业务的部署,减少上线时间。在用户业务关闭后,第一时间释放切片以及对应的资源。 网络能耗控制 5G网络的能耗一直都是一个大问题。在未来的网络运营过程中,虽然可以通过液冷等被动方式控制能耗,但更主要的手段,应该是动态调整功率输出的方式进行主动能耗控制。 这个和前文所说的AI性能动态调整场景有很大的关联。根据AI流量预测,调整资源分配,设备输出功率也随之变化,从而达到最佳效率,不浪费。 网络安全防护 目前通信网络面临前所未有的安全威胁。病毒、恶意攻击、敲诈勒索每天都在发生,而且数量激增。 病毒的演变越来越快,攻击类型也越来越复杂。传统的防御,是特征匹配的方式进行攻击识别,在识别成功率和效率方面越来越吃力。即使是专家进行人工分析,也很难保证准确率。 此外,万物互联时代,物联网爆发,网络会变得更加庞大复杂,被动防御的工作量和难度也会大幅增加。 未来,安全防御逐渐从被动防御走向主动防御,从辅助安全走向内生安全。这些都离不开AI的帮助和支持。 AI通过对网络流量、终端行为、内容载荷以及系统日志等信息进行深度分析学习,识别异常行为、恶意代码和风险操作,并建立更灵活的模型,可以挖掘出隐藏更深的威胁。 此外,AI对垃圾短信防控、网络合规扫描也有巨大的帮助。 4 AI落地,有哪些挑战和困难? 前面吹了半天AI落地的好处,现在我们来看看AI落地的困难。 AI那么强,是不是我们现在就能拿起来就用呢? 当然不是。 AI的落地应用,对运营商和设备商来说,难度很大。这个难度,不仅是资金和技术方面的,更是人才和文化方面的。 资金我们就不多说了,现在干什么都离不开钱。我们先说说技术。 前面我们说的AI四大要素,从技术层面来讲,算力目前有专门的解决方案提供商,问题不太大。更多的问题,是集中在数据和算法上。 数据是发展AI的前提。没有高质量的数据,在此基础上建立的算法模型就没有准确率可言。 目前数据最大的问题,是不够“干净”。 对于不同的运营商,或者同一运营商的不同省市公司,数据的采集和存储缺乏统一的标准,也没有进行规范要求。这就容易导致数据的缺失和失真。 为了让数据能够被AI消化,运营商需要花费大量的精力对数据进行规整和清洗。这无形中增加AI落地的难度和成本。 此外,数据也不是想用就可以用的。 现在世界各国法规对用户数据的使用有越来越严格的要求,即使是运营商,也不能随便采集和使用用户的数据,必须符合合规的要求。 运营商握有数据,搞AI还比较方便。设备商就比较尴尬了,他们是没有数据的。 运营商那边不提供数据,设备商这边的研发和建模就没办法进行。运营商如果给设备商提供数据,也必须进行脱敏。再来看看人才。 任何技术的研究都离不开人才,AI也一样。 传统运营商和设备商,懂通信不懂AI。而AI企业,懂AI不懂通信。如此一来,既懂通信又懂AI的人才,就显得非常宝贵。 尤其是运营商这边,作为AI落地的主要战场,AI人才缺口更大。就算AI解决方案提供出来,基层没有AI工程师去驾驭,显然也是不行的。 除了人才之外,还有制度和文化。 AI不是一项独立的技术,它需要整个运维工作流程和管理制度做出调整、配合,才能发挥威力。 各个岗位的员工,是否愿意接纳AI,是否有AI意识,也是AI能够成功落地的关键。 总而言之,AI不是一日建成的。整个通信行业的各个环节,都需要持续投入大量的时间、金钱、人力,去培养和孵化它。 5 “通信+AI”的未来 根据研究机构Tractica/Ovum的报告,电信行业中,AI应用带来的年收入,将从2016年的3.157亿美元,增长至2025年的113亿美元。年复合增长率将达到48.8%。 同时,报告还预测,到2025年,全球电信行业对人工智能软硬件和服务的投资将达到367亿美元。 另一家咨询机构Analysis Mason的调研报告也声称,80%的运营商预期在2025年之前实现40%以上的网络运营自动化,其中约有三分之一的运营商预期网络自动化将达到80%以上。 通信+AI,是大势所趋。 目前,国内三大运营商和主流设备商都在AI方面有很大的投入,也有了可喜的成果。 中国移动的九天人工智能平台、中国电信的CTNet2025 2.0,中国联通的智立方CUBE-NET2.0+,都是针对AI的生态平台。他们希望通过平台赋能,吸引更多开发者使用他们的AI引擎,从而形成生态。 运营商的重点在于平台和生态,而设备商的重点在于场景化的解决方案。 前面我们介绍的场景,设备商都处于积极的开发阶段。算法模型在不断的打磨中,逐渐从低级走向高级。算法的效率,也在显著的提升。 按照目前的发展态势,待到5G成熟之日,也是AI全面落地开花之时。 6 最后的话 最后,小枣君想说一下,AI对通信工程师职业发展的影响。 毫无疑问,通信网络往智能化方向发展的趋势是无法阻挡的,AI对部分人工岗位的取代也是无法避免的。 我们现在还不能确定AI的发展速度到底能有多快,也不知道具体什么时候才能真正威胁到我们的饭碗。但是,提前规划,早做准备,是不会错的。 还是那句老话,越是低级的、重复的、机械化的工作,越有可能被AI取代。 如前文所说,我们通信人,先想办法成为通信+AI的复合型人才。 既然AI要替我们来管理和维护网络,那么,我们干脆让自己成为管理AI的人。毕竟,再好的AI,也必须在人类的管理之下工作。 我们通信工程师可以努力学习AI知识,成为一名AI专家,利用自身的网络运维经验,将通信专业知识和AI技能进行深度融合,可以设计出更好的AI模型算法,也能够帮助AI进行更有效率的训练优化。 总而言之,与其抗拒和排斥AI,不如积极拥抱AI,拥抱变化。能够适应变化的人,才能在变革浪潮到来之时,屹立潮头永不倒。 好啦,以上就是今天的内容,感谢大家的耐心阅读!如果您喜欢这篇文章,请记得帮忙转发哟!谢谢! (编辑:好传媒网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |