Ultimi Comunicati Stampa

Redazione ufficio stampa

Leggi gli ultimi comunicati stampa e naviga nell'archivio dell'Ufficio Stampa del Gruppo TIM. Leggi i comunicati

Le potenzialità dell’Intelligenza Artificiale e del machine learning sono utilizzate, con grande successo, dagli operatori di telecomunicazioni principalmente per ottimizzare la gestione della propria rete con l’obiettivo di fornire una sempre maggiore qualità del servizio ai propri clienti e razionalizzare gli investimenti.

Scarica il PDF

Down

AI Machine Learning rete TIM

3979 KB

Mai come in questo periodo il termine Intelligenza Artificiale è sulla bocca di tutti e spesso accompagnato da falsi miti e infondate paure sul futuro. È indubbio che l’avvento dell’AI generativa e in particolar modo la disponibilità di motori generativi quali, tra gli altri, ChatGPT [a] e Midjourney [b] ha dato a tutti la possibilità di toccare con mano una tecnologia che può sembrare magica, misteriosa e generare paure ed incertezze. Le potenzialità delle soluzioni di AI sono però utilizzate da molte aziende da diversi anni per estrarre valore ed informazioni oggettive dai dati, aiutando in tal modo a prendere decisioni manageriali sulla base delle evidenze oggettive, migliorare i processi interni e fornire servizi di qualità sempre maggiore verso i clienti. In TIM sono presenti le competenze multidisciplinari legate alle tematiche di AI che hanno reso possibile la realizzazione e l’utilizzo in campo di soluzioni, principalmente basate su approcci di Machine Learning, per l’ottimizzazione della rete TIM.

Un approccio multidisciplinare

Le competenze richieste per ideare e realizzare un progetto data driven di impatto, con reali ricadute sul core business aziendale, sono variegate, intrafunzionali e vanno ben oltre la pura componente algoritmica, la cui qualità rimane, per altro, fondamentale per la riuscita dell’attività. Nella fase iniziale del lavoro, la visualizzazione dei dati è lo strumento più efficace per definire dove direzionare le attività in base ai dati a disposizione e alle prime evidenze visuali: in tutte le fasi del progetto le competenze di data visualization user experience rivestono un ruolo cruciale per definire gli obiettivi e condividere i risultati. Una volta identificato il potenziale caso d’uso si passa alla raccolta e all’analisi dei dati. In questa fase sono fondamentali le piattaforme software che mettono a disposizione dei data analyst non solo i dati stessi, ma anche gli strumenti per l’analisi statistica e le attività di data quality, che tipicamente occupano una buona parte delle attività. Le fasi di analisi dei dati si svolgono tipicamente in parallelo con i primi approcci algoritmici, in cui i data scientist sperimentano i primi modelli anche per capire come indirizzare al meglio le attività. Le successive fasi del progetto procedono, in modo iterativo, dalla realizzazione dei modelli di machine learning, alla condivisione dei risultati con gli esperti di processo delle linee operative (esperti di dominio), che devono fornire i feedback necessari per il corretto addestramento del modello, fino ad arrivare ad un primo trial per valutare in campo le prestazioni e l’utilità della soluzione ideata. Le tecniche di AI e ML utilizzate sono le più svariate, da semplici modelli ad albero, alle più complesse reti neurali profonde (Deep Learning) o all’apprendimento dinamico del Reinforcement Learning, fino ad arrivare alle tecniche generative (Gen AI e LLM). Le competenze sono sempre in continuo aggiornamento anche grazie alla collaborazione con importanti atenei italiani, quali ad esempio il Politecnico di Torino, e la partecipazione ad associazioni di settore, quale ad esempio l’associazione italiana di Intelligenza Artificiale (AIxIA) di cui TIM è socio. Spesso però sono testate le più evolute soluzioni algoritmiche e poi viene selezionata la soluzione con il miglior compromesso tra le prestazioni e i requisiti infrastrutturali necessari: si preferisce ad esempio un algoritmo “ad albero” rispetto ad una rete neurale se le differenze prestazionali non giustificano la necessità di un hardware specifico necessario per far girare la soluzione di deep learning. Un grande supporto per rendere disponibili velocemente in campo le soluzioni ideate è fornito dalle piattaforme cloud IT per il ML grazie al paradigma dell’MLOps (vedi articolo “Le opportunità offerte dall’AI ad un operatore Telco”- Notiziario Tecnico TIM 3-2023). In contesti specifici, quali ad esempio la configurazione dinamica della rete, i requisiti di bassa latenza e alta affidabilità necessitano di un approccio EdgeML train in the cloud, infer at the edge”, che sfrutta le potenzialità dell’Edge Computing per rendere disponibile la logica algoritmica in modo decentralizzato ai bordi della rete, lì dove è necessaria. I progetti sono inoltre realizzati in modo olistico e responsabile (Responsible AI) non limitandosi solo agli aspetti tecnici, ma abbracciando ambiti più ampi, in completa sinergia con le funzioni aziendali competenti, quali gli aspetti regolatori, il rispetto delle linee guida etiche dell’azienda e l’analisi degli impatti che le soluzioni di AI possono avere sulla società.

I dati della rete TIM

La rete TIM, con le sue oltre 10.000 centrali di rete fissa, 135.000 apparati stradali e 74.000 nodi radiomobili sparsi per tutto lo stivale, produce una enorme quantità di dati, preziose “tracce digitali” del suo funzionamento che, se correttamente analizzate, possono fornire utili indicazioni sullo stato attuale della rete e su possibili ottimizzazioni anche in ottica predittiva. Per poter trarre utili informazioni i dati stessi devono essere completi, digitali e affidabili: in altre parole la data quality è una prerogativa fondamentale per costruire algoritmi di successo. I dati infatti sono le fondamenta su cui si basano gli algoritmi di Machine Learning che riescono a fornire nuove informazioni solo se sono addestrati su dati che descrivono correttamente e in modo completo il contesto di interesse. 

Figura 1: Principali ambiti di applicazione di AI&ML per la rete TIM

Clicca qui per ingrandire l'immagine

Le potenzialità predittive degli algoritmi di Machine Learning sono sfruttate a pieno quando si riesce ad applicare con successo il supervised machine learning, ovvero si ha una base dati da cui gli algoritmi possono correttamente apprendere il contesto di riferimento. È quindi importante, per una transizione verso una AI native company, diffondere la data culture a tutti i livelli dell’organizzazione, per progettare i processi con il criterio fondante di generare dati affidabili, digitali e ben strutturati. Le prime attività di TIM in tale contesto si sono focalizzate su casi d’uso a supporto della supervisione del funzionamento delle reti di accesso fissa e mobile (assurance), della diagnosi di guasti della rete fissa e dell’ottimizzazione della rete radiomobile (planning), come sarà approfondito nei prossimi paragrafi. Un altro grande settore in cui estrarre valori dai dati è quello della manutenzione (maintenance) degli apparati di rete. In parallelo sono in corso altre attività quali ad esempio l’ottimizzazione dei processi di installazione e configurazione dei servizi sottoscritti dagli utenti (delivery). Con particolare riferimento all’installazione presso la casa del cliente del servizio di FTTH (Fiber To The Home), si stanno sviluppando modelli predittivi per pianificare al meglio gli interventi. Anche nel contesto di ottimizzazione dei consumi energetici (energy) sono in corso attività, come già descritto in [1], sulla visualizzazione dei dati ed algoritmi di anomaly detection.

Machine Learning per la gestione degli allarmi di rete

I dispositivi della rete TIM inviano numerose segnalazioni sul loro funzionamento, ma solo le più critiche, che possono evidenziare l’insorgenza di un disservizio, devono essere analizzate da personale specializzato per intervenire in tempo e ripristinare la normale operatività. In questo contesto è attivo da quattro anni il sistema PANAMA che, grazie ad algoritmi di Machine Learning che apprendono dai dati storici, è in grado di discriminare quando un allarme deve essere gestito con urgenza da un tecnico sul territorio e quando invece si tratta di allarmi “deboli”, che facilmente si risolveranno da soli. Un caso tipico si verifica durante temporali improvvisi con forti scariche elettriche, che creano instabilità nella rete di alimentazione, con temporanee interruzioni del funzionamento degli apparati che al termine del fenomeno riprendono la regolare attività. Ovviamente questi fenomeni possono avvenire a centinaia di chilometri di distanza dai centri di supervisione e quindi senza che gli operatori ne abbiano evidenza diretta. I meccanismi di ML permettono di filtrare questi eventi, alleggerendo il carico degli operatori remoti ed evitando interventi non necessari in campo. Per avere una idea dei numeri, nel 2022 il sistema ha evitato oltre 880.000 interventi di tecnici sulla rete di accesso fissa e mobile su un bacino di 5,7 milioni di allarmi analizzati. In questo modo, come è facile intuire, si abbassano i costi di gestione della rete e si migliora la qualità del servizio, intervenendo prontamente nella risoluzione dei problemi più importanti. Inoltre, l’algoritmo di PANAMA viene addestrato automaticamente ogni notte, per cui è stato ad esempio in grado di imparare a gestire gli allarmi della rete 5G senza nessuna specifica istruzione: questo dimostra ulteriormente la potenza e la versatilità di un approccio data driven. Grazie al Machine Learning, inoltre, TIM ha realizzato il sistema Aladdin per l’identificazione delle anomalie di traffico sulla rete IP, basato su un ensable di algoritmi di Machine Learning tra cui un autoencoder convoluzionale. Gli algoritmi implementati segnalano proattivamente quando il traffico si differenzia dalla normalità in modo significativo e permettono di allertare gli operatori di potenziali criticità, che potrebbero portare, se non affrontate in tempo, ad un grave disservizio su tutta la rete nazionale.

Figura 2: ALADDIN visualizza anomalia di rete prima di un #timdown

Clicca qui per ingrandire l'immagine

Ottimizzazione rete radiomobile

La gestione e l’ottimizzazione della rete radiomobile rappresenta un ambito di particolare interesse per l’utilizzo di algoritmi di AI, data la complessità e la specificità del dominio (propagazione, interferenza, incertezza della posizione e mobilità degli utenti, come descritto ad esempio in [2]). La realizzazione di applicazioni AI, ad esempio orientate alla realizzazione di use cases Self Organizing Network (SON), richiede quindi un approccio sistemico, in grado di abilitare un “accesso strutturato” a tale complessità [3]. A questo scopo TIM, facendo leva sulle competenze di eccellenza nell’ambito della simulazione radio [4], ha sviluppato un framework software in grado di realizzare un vero e proprio digital twin della rete di accesso radio, inserendo in un unico modello sia simulazioni radiomobili ad elevata accuratezza, sia le migliaia di indicatori, anche geolocalizzati, e di parametri che possono essere ricavati dagli elementi di rete.

Figura 3: Ottimizzazione delle aree di copertura cellulare mediante algoritmo ERIS

Clicca qui per ingrandire l'immagine

In questo contesto, è stato sperimentato in esercizio ERIS [5], un sistema che, basandosi su algoritmi di Reinforcement Learning (RL), suggerisce la configurazione ottimale di tilt delle antenne, al fine di garantire la migliore copertura possibile senza dover ricorrere all’installazione di nuovi siti. Questo approccio, molto potente in situazioni dove già si evidenza un potenziale miglioramento delle prestazioni della rete radiomobile, potrà essere utilizzato anche preventivamente andando a riconfigurare le antenne in base alle predizioni di carico della rete stessa. Grazie, infatti, alle potenzialità del deep learning e ad una base dati storica da cui poter apprendere, si sono sviluppati numerosi modelli in grado di predire, con un buon grado di accuratezza, i principali indicatori significativi per ogni cella, quali la quantità di utenti connessi e il traffico. Queste predizioni possono essere poi usate in modo preventivo per riconfigurare la rete, sia per far fronte ad attesi carichi maggiori, ad esempio attraverso algoritmi di MLB (Mobility Load Balancing), sia per ottimizzarne l’utilizzo con interventi di energy saving come descritto in [6]. Inoltre, l’analisi statistica delle serie storiche degli indic atori disponibili fornisce utili informazioni sullo stato della rete e consente l’emissione di early warning di situazioni potenzialmente migliorabili, prima che si verifichino degradi sulla qualità del servizio percepita dagli utenti. Data set analoghi, comprendenti anche indicatori georeferenziati derivati da misure MDT (Minimization of Drive Tests), sono utilizzati anche per attività innovative svolte in collaborazione con CNIT, sempre finalizzate alla realizzazione di algoritmi di ottimizzazione radio [7] ed all’estensione dei modelli predittivi anche ad altri indicatori, come la latenza, particolarmente rilevanti per la “Quality of Experience” dei servizi 5G [8].

Conclusioni

Nel contesto della rete TIM sono già presenti soluzioni mature basate su Machine Learning per l’ottimizzazione della gestione della rete di telecomunicazioni, sia fissa che mobile. Oltre a quelli citati gli ambiti di applicazione possibile spaziano dalla pianificazione dell’agenda dei tecnici sul territorio, alla gestione degli investimenti, ad un supporto sempre più evoluto per le attività di gestione della rete. Un approccio multidisciplinare, il continuo aggiornamento delle competenze, la disponibilità di dati di qualità, di piattaforme dati e di strumenti informatici sono gli ingredienti fondamentali per realizzare soluzioni data driven di successo.

Bibliografia

  1. L’Intelligenza Artificiale per il saving energetico delle centrali https://www.gruppotim.it/it/newsroom/notiziario-tecnico-tim/Anno-2023/n2-2023/Intelligenza_Artificiale_per_il_saving_energetico_delle_centrali.html
  2. DIGIRAN: IL VALORE DELL’AUTOMAZIONE NELL’ACCESSO RADIO https://www.gruppotim.it/content/dam/telecomitalia/it/archivio/documenti/Innovazione/MnisitoNotiziario/2018/1-2018/capitolo6/capitolo%2006.pdf
  3. Open Service Management & Orchestration: un nuovo paradigma per la gestione automatizzata delle reti mobili https://www.gruppotim.it/it/newsroom/notiziario-tecnico-tim/Anno-2023/n1-2023/Open-Service-Management-Orchestration.html
  4. MANAGING COMPLEXITY: AUGMENTED INTELLIGENCE FOR 5G RADIO ACCESS DESIGN AND OPTIMIZATION https://www.gruppotim.it/content/dam/telecomitalia/it/archivio/documenti/Innovazione/MnisitoNotiziario/2019/2-2019/capitolo5/cap05_augmented_intelligence_5G.pdf
  5. Algoritmo ERIS per l’ottimizzazione della copertura e della capacità di rete con un approccio basato su Reinforcement Learning https://www.gruppotim.it/it/newsroom/notiziario-tecnico-tim/Anno-2023/n1-2023/Open-Service-Management-Orchestration/ERIS-algoritmo-ERIS-per-ottimizzazione-della-copertura-e-della-capacita-di-rete.html
  6. L’Intelligenza Artificiale per l’ottimizzazione energetica della rete di accesso radiomobile https://www.gruppotim.it/it/newsroom/notiziario-tecnico-tim/Anno-2023/n2-2023/Intelligenza_Artificiale_per_il_saving_energetico_delle_centrali/Intelligenza_Artificiale_per_ottimizzazione_energetica_della_rete_accesso_radiomobile.html
  7. Cellular Network Capacity and Coverage Enhancement with MDT Data and Deep Reinforcement Learning. «COMPUTER COMMUNICATIONS», 2022, 195
  8. Data-driven Predictive Latency for 5G: A Theoretical and Experimental Analysis Using Network Measurements, presented at PIMRC’23

Acronimi

AI     Artificial Intelligence

AIxIA     Associazione Italiana di Intelligenza Artificiale

API     Application Programming Interface

CCO     Coverage and Capacity Optimization

CI/CD     Continuous Integration/Continuous Deployment

CM     Configuration Management

CNIT     Consorzio Nazionale Interuniversitario per le Telecomunicazioni

EdgeML     Machine Learning at the Edge

ERIS     Enhanced Reinforcement learning for Innovating Self organizing networks

FTTH     Fiber To The Home

Gen AI     Generative Artificial Intelligence

IP     Internet Protocol

IT     Information Technology

KPI     Key Performance Indicators

LLM     Large Language Models

MDT     Minimization of Drive Test

ML     Machine Learning

MLB     Mobility Load Balancing

MLOps     Machine Learning Operations

PANAMA     Predictive Algorithms for Network Alarms MAnagement

PM     Performance Management

QCI     QoS Class Identifier

RAN     Radio Access Network

RESTART     RESearch and innovation on future Telecommunications systems and network, to make Italy more smart

RL     Reinforcement Learning

SMO     Service Management and Orchestration

SON     Self Organizing Network