Все больше людей, как в области мобильных технологий, так и за ее пределами, говорят об искусственном интеллекте, коротко — ИИ. Что естественно, ведь информационные технологии прошли долгий путь, и вместо того, чтобы ограничиваться вымышленными примерами, такими как HAL 9000 и Cortana, искусственный интеллект помогает нам решать повседневные задачи в лице виртуальных помощников, таких как Alexa и Siri. Они, конечно, более ограничены в возможностях, чем их аналоги в популярной культуре, но помощь машин в настоящее время является повсеместной идеей.
Когда речь заходит об индустрии мобильных технологий, большинство людей, говоря об искусственном интеллекте, на самом деле часто подразумевают смежную область компьютерных наук, которая называется машинным обучением (МО). Разница кажется незначительной, но она сводится к задачам и функциям, которые призвана решать каждая из технологий. Не вдаваясь в такие эксперименты, как тест Тьюринга или китайская комната Сирла, можно сказать, что ИИ пытается воспроизводить способность живых людей принимать решения.
Хотя ИИ и использует машинное обучение, он больше полагается на использование предварительно загруженных в него знаний и решение проблем на основе известных ему моделей окружающего мира. Примечательны случаи, когда ИИ одерживал победу над чемпионами мира по шахматам (а в последнее время — и в более сложную игру в Го), использовался для беспилотного управления автомобилями и даже для торговли акциями и облигациями (впрочем, неясно, сможет ли ИИ превзойти обезьяну в этом отношении).
Между тем, машинное обучение, сосредоточено на познании мира. Основное внимание уделяется решению прикладных и, зачастую, узконаправленных задач. Таким образом, машинное обучение помогает ИИ принимать решения, основываясь на обнаружении связей и повторяющихся шаблонов в массивах данных. Статистическое моделирование и вероятностный вывод играют здесь гораздо большую роль, и машинное обучение связывают с другим модным термином — большие данные (Big Data). Когда такие отрасли, как банковское дело, маркетинговые исследования и даже производство утопают в данных, МО поможет отфильтровать и систематизировать информацию быстрее и эффективнее, чем это сделают люди.
Применение искусственного интеллекта и машинного обучения в мобильной индустрии
Разговоры о применении ИИ в мире мобильных технологий зачастую вращаются вокруг улучшения качества услуг, включая обслуживание клиентов. Операторы мобильной связи (ОМС) располагают большим количеством информации о клиентах, и отсеивание этих данных с использованием искусственного интеллекта (ИИ) и машинного обучения (МО) может помочь понять клиентов. Обработанные данные могут быть использованы различными способами. Первый — для улучшения обслуживания клиентов. Объединение машинного обучения с точками взаимодействия с клиентами (включая ИИ чат-ботов или виртуальных помощников) позволяет компании лучше понимать обстоятельства конкретного абонента и, следовательно, быстро и точно реагировать на его потребности. Автоматизированные системы могут адаптироваться к распространенным запросам клиентов, снижая уровень стресса клиентов, и оперативнее решая проблемы.
Но один из самых интересных способов применения МО касается обеспечения работы сети оператора. Компания Huawei утверждает, что смещение акцента с голосовой связи на обмен сообщениями и мобильный интернет значительно изменили работу сетей. Разнообразие применяемых технологий еще больше усложняет ситуацию — 2G, 3G, 4G и Wi-Fi имеют свои собственные требования, сферы применения и способы развертывания. И это, не говоря уже о 5G. Поддержание наиболее эффективной нагрузки на сеть — с точки зрения как мощностей, так и маршрутизации обмена сообщениями — становится сложной задачей, требующей принятия ряда решений. МО может просеивать эти массивы данных, чтобы создать картину поведения сети, информируя оператора о причинах сбоев или снижения эффективности работы сети, или же помогая делать прогнозы по улучшению обслуживания.
С этим также напрямую связан процесс автоматизации. Комплексные проблемы, которые выявляют аналитика и диагностика, необходимо устранять эффективно и вовремя. То, что они спровоцированы комбинацией нескольких факторов, усложняет задачу. ИИ и МО могут взять на себя управление оптимизацией сети, как это предполагает Huawei, динамически распределяя «вычислительные ресурсы… с целью автоматической адаптации основных алгоритмов принятия решений к текущему состоянию радиосвязи, пользователей и трафика». Это выходит за рамки простой оптимизации сети, поскольку напрямую влияет на качество обслуживания и, следовательно, удовлетворенность клиентов. Возможность точнее регулировать эффективность сети в режиме реального времени может усилить позиции оператора мобильной связи сразу в нескольких областях бизнеса.
Защита сети с помощью машинного обучения
Помимо улучшения качества обслуживания клиентов и оптимизации работы сети, у машинного обучения есть еще одно применение, с которым GMS очень заинтересована помочь операторам мобильных сетей: повышение уровня безопасности и контроля над сетью. Машинное обучение — это поиск шаблонов, поэтому поиск расхождений или конкретных паттернов в данных — логичное развитие этой идеи. Это означает, что правильно натренированная система машинного обучения способна обнаруживать признаки мошенничества в пределах сети.
Вместо того, чтобы управлять идентификаторами, черными и белыми списками вручную, служба безопасности сетей может научить машину распознавать шаблоны в сообщениях и сортировать сообщения по категориям, таким как A2P, P2P, P2A, спам и так далее. Мошенничество и спам просто рассматриваются как отдельный класс сообщений, который впоследствии может быть обработан решением для защиты сети (Firewall) согласно соответствующим правилам.
Очевидно, что другим следствием этого является сокращение “серого” трафика. Поскольку машина способна различать A2P и P2P сообщения и определять их происхождение, она может помочь сети правильно маршрутизировать трафик. Таким образом, оператору становится еще проще обеспечить правильную отправку сообщений и защитить свой доход.
И поскольку система способна обучаться, адаптируясь к изменениям характера трафика, она позволяет решениям для защиты сети развиваться вместе с угрозами. Изучая сеть, система МО лучше понимает природу и происхождение проходящих через нее сообщений, получая способность точно идентифицировать сообщения, даже если они замаскированы или содержат неполные метаданные.
Как это работает
Как уже упоминалось, машинное обучение — это поиск шаблонов. Интересно то, как МО идентифицирует шаблоны посредством обучения (отсюда и «машинное обучение»): системе указывают, каким образом разработчики хотят сортировать данные, а она решает, как этого достичь.
Например, машине предоставят ряд идентифицированных входящих данных — таких, как изображения собак с пометкой «собака» и изображений кошек с пометкой «кошка», и из их числа она будет выбирать признаки, которые можно использовать для анализа будущих входящих данных (в примере собака/кошка это могут быть типичные окрасы шерсти, размер и форма ушей, размер тела и так далее). Это называется контролируемым обучением (существуют и другие способы), когда разработчики учат машины тому, на что нужно обращать внимание.
«Система», о которой идет речь, является нейронной сетью. По сути, это означает, что машинное обучение использует программное обеспечение, чтобы попытаться воспроизвести работу нейронов в органическом мозге. В отличие от одиночного алгоритма, машинное обучение использует несколько «узлов», которые отправляют информацию друг другу. Необработанные данные поступают в сеть (на входном уровне), которая обрабатывает и доставляет отсортированные или помеченные данные (выходной уровень).
В любой сети такого типа обычно имеется множество узлов между входным и выходным уровнями, и данные могут проходить через сеть по нескольку раз. Подобно нейронам в мозге, каждый узел получает сигналы от других узлов до тех пор, пока не будет достигнут порог (определяемый алгоритмом этого конкретного узла) и отправлен свой собственный сигнал. Во время обучения узлы в нейронной сети “взвешиваются”, по сути, сообщая другим принимающим узлам, какой уровень приоритетности у каждого из них — наподобие “синаптической обрезки” в биологическом мозге. Разные узлы могут работать с разными частями данных (технически говоря, это не такие признаки, как «цвет» или «размер», а математическое выражение информации, полученной в виде входных данных от других узлов), и сеть в целом адаптируется путем регулировки того, насколько окончательный вывод должен полагаться на результаты, предоставленные определенными узлами.
Это должно быть интересно операторам мобильных сетей, ведь нейросети можно задать примеры предварительно промаркированного трафика сообщений. С их помощью она научится различать категории, по которым ей предстоит сортировать трафик, а также признаки, обычно проявляемые сообщениями каждой категории. В дальнейшем нейронная сеть сможет идентифицировать, классифицировать и фильтровать новые сообщения без потребности в конкретных, заранее установленных правилах. Любые сообщения, которые она не сможет классифицировать, будут помечены и переданы операторам-людям — и обратная связь, полученная от операторов, поможет в дальнейшем обучении системы.
Направляемое машинное обучение
Эта обратная связь важна для концепции направляемого машинного обучения. По сути, это контролируемое обучение с дополнительным уровнем человеческого контроля. Машинное обучение может быть невероятно гибким — в правильных обстоятельствах. Тем не менее, машины склонны формировать определенные искажения восприятия на основании данных, задействованных в обучении, например — двусмысленностей. Их нужно контролировать и проверять, чтобы гарантировать, что они функционируют, как запланировано. Кроме того, машины не могут обладать глубоким пониманием контекста вне полученных входных данных: они зависят от ранее обработанной информации и обучения.
Следовательно, машинам необходимы управление и правила, которые дополняют или заново формируют их предыдущий опыт. В этом отношении мобильные операторы располагают несколькими вариантами на выбор. Они могут составлять белые списки — доверенных отправителей, чьи сообщения не будут заблокированы или помечены. Они также могут задавать системам МО черные списки URL-адресов, связанных с мошенничеством и спамом, а также ключевые слова и фразы, которые могут содержаться в спаме. Таким образом, операторы могут использовать гибкость и автоматизацию машинного обучения, одновременно вручную осуществляя мониторинг и контролируя трафик, когда это необходимо.
Операторы мобильной связи (ОМС) могут извлечь много пользы из разработок в области ИИ, и особенно об этом стоит помнить в контексте обмена сообщениями. Машинное обучение может улучшить сервисы обмена сообщениями за счет правильной фильтрации P2P/A2P сообщений, блокировки спама и снижения количества случаев мошенничества.
Свяжитесь с экспертом GMS уже сегодня, и узнайте, как мы помогаем мобильным операторам повысить эффективность их сетей.