人工智能算法模型在運營商固網(wǎng)業(yè)務(wù)的應(yīng)用及存在問題

1

概述

隨著5G及人工智能時代的到來，通信行業(yè)的競爭也越發(fā)激烈，各大運營商都希望能在每個業(yè)務(wù)中為客戶提供優(yōu)質(zhì)的服務(wù)，提升用戶滿意度，保留更多的用戶，其中就包含固網(wǎng)業(yè)務(wù)。人工智能技術(shù)同5G技術(shù)一樣剛剛登上歷史舞臺，都處于“嬰兒期”，日后也都會茁壯成長，本文討論人工智能算法模型今后在通信運營商實際生產(chǎn)環(huán)境中對固網(wǎng)業(yè)務(wù)用戶保留維系的應(yīng)用及存在的問題。

當前，各個領(lǐng)域都開始向更智能化、通信更快的方向前進，比如美國Google、特斯拉等企業(yè)開始研發(fā)的無人駕駛汽車，中國阿里巴巴、京東等電商使用的精準營銷系統(tǒng)，這些都是通過人工智能深度學習及機器學習算法加上快速的通信網(wǎng)絡(luò)融合而成的新技術(shù)。對于通信行業(yè)，5G與人工智能技術(shù)同樣和這個領(lǐng)域摩擦碰撞出了火花，例如智能化的故障排查檢測、智慧城市等一系列項目。在眾多的5G、人工智能技術(shù)與通信行業(yè)融合的項目中，智能化運營維護就是一個非常有應(yīng)用前景，并且是實實在在產(chǎn)生經(jīng)濟效益的方向，通過人工智能算法達成的智能化運維將會大大提升通信運營商的運行效率，減少之前非智能化時代的不必要開支。

從通信運營商角度出發(fā)，如果可以預知用戶行為，例如固網(wǎng)業(yè)務(wù)行為、手機離網(wǎng)、換機等，并且有針對性地得知用戶產(chǎn)生一系列行為的主要原因是什么，然后，對用戶進行有針對性的維系挽留，有目標性的故障問題解決，那么，對于通信運營商來說，這一個運行系統(tǒng)將會為其保留更多的用戶，帶來更多的經(jīng)濟效益。從用戶角度出發(fā)，如果通信運營商可以提早有針對性地幫助其解決使用通信產(chǎn)品時的問題，讓其產(chǎn)品體驗感更加舒適的話，對用戶來說也是一個福音，也愿意繼續(xù)使用原本的產(chǎn)品服務(wù)。

上述的這些智能運維系統(tǒng)設(shè)想，都可以通過人工智能算法來實現(xiàn)，預知用戶行為，并采取有目標的高效運維。本文以固網(wǎng)存量保障業(yè)務(wù)為例，闡述人工智能算法與通信運營相互合作的應(yīng)用過程及后續(xù)智能化發(fā)展還需解決的問題。

固網(wǎng)業(yè)務(wù)行為預測的智能化運維實施主要分為2個部分，第1部分為用戶離網(wǎng)行為的預測，該部分將使用深度學習領(lǐng)域的人工神經(jīng)網(wǎng)絡(luò)算法，最終給出用戶離網(wǎng)的概率，例如一個用戶的離網(wǎng)概率為 78.5%。在建立神經(jīng)網(wǎng)絡(luò)的過程中會遇到的數(shù)據(jù)清洗、變量篩選都會在下文中詳細說明。第2部分為影響用戶固網(wǎng)業(yè)務(wù)離網(wǎng)行為變量的重要度排名，比如，對某一用戶離網(wǎng)行為影響較大的前 3個變量為 MOS告警數(shù)、用戶上行帶寬、費用。這些變量的重要度排名將會給營銷維系人員一個參考，讓他們有針對性地對用戶進行挽留。該部分使用機器學習中決策樹分支的隨機森林算法。

圖1示出的是固網(wǎng)用戶離網(wǎng)預測算法。

▲ 圖1 固網(wǎng)用戶離網(wǎng)預測算法

在建立模型的過程中將會選取 O 側(cè)指標、B 側(cè)指標、故障信息、投訴信息、附屬業(yè)務(wù)、用戶家庭圈等數(shù)據(jù)。模型算法建立的過程中依舊存在許多問題，例如數(shù)據(jù)庫的復雜程度、原始數(shù)據(jù)庫的填充錯誤以及設(shè)計人工智能算法的工作人員對通信類數(shù)據(jù)不了解等問題，這些問題都會影響最后智能化運維的效果，具體細節(jié)將在下文中討論。

圖2示出的是固網(wǎng)用戶離網(wǎng)預測模型。

▲圖2 固網(wǎng)用戶離網(wǎng)預測模型

根據(jù)前期階段的實驗結(jié)果、人工智能算法可以幫助提高通信運營商進行智能化運維，提高運維效率。

2

深度學習算法模型研究

2.1 深度學習應(yīng)用設(shè)計概述

在通信行業(yè)進行人工智能化運維的改造主要包含幾個方面。

第1，設(shè)計人工智能算法，仔細依照業(yè)務(wù)實際情況來設(shè)計，要深入了解通信業(yè)務(wù)的過程及最終目標。

第2，進行有效的數(shù)據(jù)選取，清洗整理建模所需要的數(shù)據(jù)，根據(jù)原始數(shù)據(jù)生成新的字段變量。

第3，將生成驗證完成的模型進行自動化運行，這一過程包含建模數(shù)據(jù)庫的定時自動生成以及模型的定時自動調(diào)取數(shù)據(jù)、更新輸出。

以固網(wǎng)業(yè)務(wù)離網(wǎng)行為預測為例，該項目的目標是幫助運營商有針對性地挽留維系固網(wǎng)業(yè)務(wù)用戶，主要由2個部分組成。

第1，由模型算法給出用戶的離網(wǎng)概率。

第2，給出對用戶離網(wǎng)行為影響較大的幾個變量排名，方便一線運維人員有目標性地與用戶進行交流。

2.2 人工神經(jīng)網(wǎng)絡(luò)算法

在固網(wǎng)業(yè)務(wù)離網(wǎng)行為預測項目的第 1 個部分，使用了深度學習分支的人工神經(jīng)網(wǎng)絡(luò)，使用這個算法的原因是該算法較機器學習的回歸模型更具有包容性，深度學習算法不需要像機器學習算法一樣，需要前期對數(shù)據(jù)進行復雜的清洗來達到減少共線性，減少誤差率的目的。再者，人工神經(jīng)網(wǎng)絡(luò)也比傳統(tǒng)的回歸模型具備更高的準確度。

人工神經(jīng)網(wǎng)絡(luò)是模仿人類大腦神經(jīng)元而形成的，一個神經(jīng)網(wǎng)絡(luò)由多層神經(jīng)元構(gòu)成，每一層神經(jīng)元都有輸入與輸出，每一層神經(jīng)元接受上一層神經(jīng)元的輸入，經(jīng)過加權(quán)處理再傳入下一層神經(jīng)元當中，以此類推。人工神經(jīng)網(wǎng)絡(luò)主要分為輸入層、輸出層及隱藏層 3 個部分。

圖3示出的是神經(jīng)網(wǎng)絡(luò)示意圖。

▲圖3 神經(jīng)網(wǎng)絡(luò)示意圖

第1部分輸入層的作用是向算法傳輸數(shù)據(jù)變量的值，通常來說，輸入層的輸入節(jié)點數(shù)量與數(shù)據(jù)變量數(shù)量相等。這一層的節(jié)點都是被動地接受外來數(shù)據(jù)，不做任何改動，復制獲取得到的數(shù)據(jù)并向下一層中的多個隱藏節(jié)點傳輸數(shù)據(jù)。

第2部分隱藏層的任務(wù)就是對輸入的數(shù)據(jù)進行處理改變。隱藏層可以有一層或者多層，隱藏層的節(jié)點數(shù)目不定，但是越多的節(jié)點會使得模型的非線性更加突出。

第3部分的輸出層就是輸出經(jīng)過神經(jīng)元處理的數(shù)據(jù)，針對設(shè)計變量輸出相應(yīng)的值，在固網(wǎng)業(yè)務(wù)項目中輸出0~1的數(shù)值代表概率。

2.3 隨機森林算法

固網(wǎng)業(yè)務(wù)離網(wǎng)預測的第2個部分是變量重要度的排名，該部分要對所有變量進行排名篩選，選擇出幾個會影響離網(wǎng)行為的重要特征變量。選擇隨機森林算法來完成，隨機森林對特征值重要度評估的大體思路不復雜，在每一棵形成的樹上觀察每一個特征變量的貢獻度，然后將這些貢獻度平均一下，即獲得了特征變量的重要度排名。每一棵樹觀察的貢獻度即是基尼指數(shù)：

隨機森林算法的一大優(yōu)勢在于其解決了每棵樹之間存在強共線性問題，在決策樹方法中，假設(shè)有一個對于寬帶離網(wǎng)行為非常重要的變量，然后還有一些其他的重要變量存在，那么在決策樹算法中，幾乎每一次每棵樹都會選用影響力最大的那個變量作為最頂層樹的分類標準，其次是其他重要變量，那么，按這個思路所形成的所有決策樹都會十分相似，這樣會導致結(jié)果存在高誤差。但是隨機森林算法不同，該算法很好地克服了這個問題，隨機森林算法強制每一次的分叉都選用一部分的變量，所以，這樣的做法不僅將重要的變量列入考慮范疇，其他的變量也享受了公平的“待遇”，一視同仁地選擇分叉處的變量。所以，利用隨機森林算法得出的重要度排名是有最小誤差保證的。

3

深度學習應(yīng)用與不足

3.1 深度學習算法應(yīng)用

利用人工神經(jīng)網(wǎng)絡(luò)輸出的概率大大提升了一線運維人員的工作效率，固網(wǎng)業(yè)務(wù)離網(wǎng)預測項目的建模數(shù)據(jù)庫包含了 200 萬名固網(wǎng)業(yè)務(wù)用戶，如果選取離網(wǎng)概率高于 70%的用戶，那么一線運維人員可以將運維的范圍從 200萬名用戶縮小至 30萬名用戶，運維工作量從人數(shù)上來說降低了 87%，大大提升了工作效率以及運維的精準度。利用隨機森林算法給出的特征變量重要度排名中，排名前 3 位的是上網(wǎng)總上行流量、tcp 建立時長、上網(wǎng)總下行流量。

圖4示出的是特征變量重要度。

▲圖4 特征變量重要度

3.2 深度學習算法的不足

雖然，利用人工智能的方法可以幫助實現(xiàn)運維的智能化，但是在實現(xiàn)的過程中依舊存在許多問題。其中最主要的問題是數(shù)據(jù)庫的完整度與清洗難度。大部分通信運營商都會選擇讓第三方公司幫助其采集數(shù)據(jù)，但是在采集數(shù)據(jù)的過程中因為缺少監(jiān)管，同時對數(shù)據(jù)完整度的重視程度不高，導致許多第三方公司在采集導入數(shù)據(jù)的時候出現(xiàn)問題，比如少采集、錯誤采集數(shù)據(jù)、導入填充數(shù)據(jù)時存在數(shù)據(jù)字段錯行的現(xiàn)象、錯誤的值填入了錯誤的字段名稱下方。在數(shù)據(jù)處理及模型設(shè)計方面，存在不相符的問題，換而言之，懂得人工智能算法的人才不清楚通信業(yè)務(wù)，明白通信業(yè)務(wù)的人才不明白人工智能算法，導致在項目進行過程中有重復無效的動作發(fā)生，嚴重拖慢了項目進程，甚至導致項目設(shè)計錯誤。綜上所述，在實施真正的智能化運維之前，一定要保證數(shù)據(jù)源的準確度，不然再優(yōu)秀的模型算法設(shè)計及團隊協(xié)作都不可能完成任務(wù)，數(shù)據(jù)一定要有質(zhì)量保證。所以，通信運營商可以對采集數(shù)據(jù)的第三方公司進行更加嚴格的監(jiān)管，協(xié)商簽署可以保證數(shù)據(jù)源頭質(zhì)量的合作協(xié)議。對于復合型人才缺少的問題，當前解決的方法是增強團隊協(xié)作能力，在管理智能化項目團隊的時候要有明確的分工安排，讓通信人才和人工智能人才緊密地融合團結(jié)在一起。

除此之外，還存在前期模型驗證的問題，每一個算法模型在前期建立完畢之后，一定需要人員去嘗試驗證，這樣才可以方便之后的模型迭代與優(yōu)化，這個工作一定要在設(shè)計之初完成，計劃好每一次需要驗證的版塊。例如，固網(wǎng)業(yè)務(wù)行為預測，當?shù)谝粋€人工神經(jīng)網(wǎng)絡(luò)搭建完畢之后，一定需要將其輸出的結(jié)果投放至市場上去驗證，如果準確率不高的話，需要工作人員及時地對數(shù)據(jù)庫及算法本身進行檢查，嘗試重新整理，清洗數(shù)據(jù)，再建立更新模型。

人工智能算法在智能運維方面的價值一定要在保證數(shù)據(jù)庫盡量完整準確，工作人員深度了解業(yè)務(wù)情況的前提下，才可以發(fā)揮出來。

4

人工智能未來展望

從用戶體驗角度出發(fā)，利用人工智能實現(xiàn)的智能化運維一定會創(chuàng)造出新的通信產(chǎn)品體驗，從經(jīng)濟角度出發(fā)，智能化運維會為通信運營商帶來新的經(jīng)濟增長點。如何在這個新老時代交接之際把握住機會，學會將人工智能技術(shù)運用到通信運維當中就是非常必要的一步。在電信運營商的發(fā)展戰(zhàn)略中，學會挽留維系客戶是非常重要的一點，例如固網(wǎng)業(yè)務(wù)等的用戶維系挽留，如果可以預知用戶行為，并進行維系挽留，那么對于運營商來說是非常有利的。

所以，深度學習及機器學習算法在通信運營領(lǐng)域是有用武之地的，是可以幫助運營商提高工作效率，在不同的業(yè)務(wù)中實現(xiàn)智能化的，但是，在徹底實現(xiàn)智能化之前，要做的就是保證數(shù)據(jù)源的完整性與準確性，保證復合型人才的培養(yǎng)速度。那么，在不久的將來，由智能化運維武裝的通信企業(yè)必定會為自己帶來可觀的收益，同時，為通信行業(yè)的用戶帶來人工智能及 5G 時代的優(yōu)質(zhì)服務(wù)。