في ظلّ الزيادة الهائلة للبيانات في قطاع الاتصالات، يواجه المشغلون تقلبات مستمرة في مؤشرات الأداء الرئيسية (KPIs)، إلى جانب فشل الشبكة. ويُعد تحديد الأسباب الجذرية لهذه المشاكل أمراً مهماً للحفاظ على الأداء الأمثل للشبكة وضمان خدمة عالية الجودة. لكن غالباً ما تكون هذه المهمة معقدة نظراً للتغيّرات المتعددة.
لمواجهة هذا التحدي، تقوم Yuvo بدمج تقنيات الذكاء الاصطناعي القابلة للتفسير (XAI) في التحليل الآلي للسبب الجذري (RCA). يمكّن هذا النهج المتقدم مشغلي الاتصالات ليس فقط من تحديد أسباب المشكلة بل من فهم سبب ظهور أنماط معينة، مما يضمن حلولاً أسرع وأكثر دقة.
تحليل السبب الجذري الآلي
يبدأ حل (RCA) الخاص بنا بنموذج التعلم الآلي الذي تم تدريبه على فهم ديناميكيات مؤشر الأداء الرئيسي، سواء كان ذلك زمن استجابة الشبكة، أو فقدان الحزمة، أو إنتاجية المستخدم. من خلال بيانات الشبكة التاريخية، يُدرك النموذج كيف تؤثر العوامل المختلفة على سلوك مؤشرات الأداء الرئيسية. وبعيداً عن مجرّد التنبؤ بقيم مؤشرات الأداء الرئيسية المستقبلية، تكمن القوة الحقيقية للنموذج في شرح الأسباب الكامنة خلف تجاوز مؤشر الأداء الرئيسي حدوده الطبيعية.
بمجرّد معايرة النموذج، نستخدم SHAP (شرحات SHapley Additive) لتحليل مختلف العوامل ومشاكلها مع مؤشرات الأداء الرئيسية، مما يوفّر للمشغلين رؤية واضحة وقابلة للتنفيذ حول الأسباب الجذرية لمشاكل الشبكة.
تطوير نموذج التنبؤ
أما على مستوى قطاع الاتصالات، فتتأثر مؤشرات الأداء الرئيسية بالعديد من المتغيرات المترابطة. كما تؤثر عوامل مثل حركة مرور بيانات المستخدم وتغييرات التكوين والظروف البيئية على الأداء، ولكن قد يكون من الصعب تحديد علاقتها ببعضها فعلياً. هذا هو المكان الذي يتفوّق فيه الذكاء الاصطناعي.
في Yuvo، نستفيد من التعلم الآلي لرسم خريطة طريق تتناسب مع التعقيدات المحتملة، واكتشاف "الصيغة" التي تحرك سلوك مؤشرات الأداء الرئيسية بشكل فعال. تتضمن عملية التنبؤ الخاصة بنا كيفية استيعاب كميات هائلة من بيانات الشبكة القديمة وفي الوقت الآني من طبقات متعددة، بما في ذلك مستوى التحكم ومستوى المستخدم وتكوينات الشبكة. تعمل هذه البيانات كأساس لتدريب النماذج القوية التي تلتقط الديناميكيات المعقدة لمؤشرات الأداء الرئيسية.
الذكاء الاصطناعي القابل للتفسير: سد الفجوة بين البيانات والقرارات
في حين يمكن لنماذج الذكاء الاصطناعي اكتشاف الأنماط والتنبؤ باتجاهات مؤشرات الأداء الرئيسية، فإن قابلية تفسير تلك التنبؤات هي التي تحوّل البيانات إلى رؤية قابلة للتنفيذ. تُعد الشفافية في Yuvo، أمراً أساسياً. لا تتنبأ نماذجنا بانحرافات مؤشرات الأداء الرئيسية فحسب، بل تقدم تفسيرات منطقية للعوامل التي تؤدي إلى هذه الحالات الشاذة.
ويُعد هذا التفسير ضرورياً لسببين:
- بناء الثقة: يحتاج خبراء الاتصالات - الخبراء المختصون لدينا - إلى فهم الأسباب الكامنة خلف توصيات الذكاء الاصطناعي. كما تكشف حلول الذكاء الاصطناعي القابل للتفسير (XAI) عن "عملية التفكير" الخاصة بنموذج الذكاء الاصطناعي، بما يتناسب مع خبرة الشركات الصغيرة والمتوسطة على أرض الواقع، مما يعزز الثقة في النظام.
- إطلاق رؤية جديدة: يكشف الذكاء الاصطناعي في كثير من الأحيان أنماطاً قد لا يتوقعها حتى المهندسون ذوو الخبرة. تكشف اللحظات المفاجئة نموذجاً عن الارتباطات الخفية، ويقدم وجهات نظر جديدة ويفتح آفاقاً جديدة لتحسين الشبكة وإدارتها.
إن الحلّ الذي نقدّمه يعمل على تعزيز آلية صنع القرار من خلال تقديم تفسيرات واضحة إلى جانب طرح التوقعات، ومزج الرؤية الواضحة التي ترتكز على الذكاء الاصطناعي مع الخبرة التشغيلية العميقة لخبراء الاتصالات.
SHAP: الكشف عن الدوافع الرئيسية خلف ثغرات مؤشرات الأداء الرئيسية
تعتمد تقنية SHAP على نظرية الألعاب والتي تعمل على تحليل تنبؤات الذكاء الاصطناعي، مما يوفّر رؤية شفافة لكيفية تأثير كل ميزة على مؤشر الأداء الرئيسي. بعبارات بسيطة، تتعامل تقنية SHAP مع كل ميزة على حدة - مثل معلومات تكوين الشبكة أو نشاط المستخدم أو الإنذارات - باعتبارها عنصراً أساسياً في اللعبة، وفوق كل ذلك تقدم تنبؤات نموذج ("الدفع").
على سبيل المثال، إذا كان هناك ارتفاع مفاجئ في زمن استجابة الشبكة، فيمكن لتقنية SHAP تحديد ما إذا كانت المحركات الأساسية هي زيادة في تحميل بيانات المستخدم، أو تغيير في التكوين، أو مشغل إنذار. يساعد هذا الإسناد الواضح المشغلين على فهم الأسباب الجذرية للحالات الشاذة بسرعة، مما يتيح اتخاذ إجراءات معيّنة لحل المشكلة.
من خلال جعل مخرجات نموذج الذكاء الاصطناعي قابلة للتفسير، تعزز تقنية SHAP الثقة، مما يسمح للمشغلين بمعالجة الثغرات في سلوك مؤشرات الأداء الرئيسية.
القرارات المصممة للخبراء المختصين
يُعد تحديد السبب الجذري لثغرات مؤشرات الأداء الرئيسية أكثر تعقيداً من مجرّد تحديد العوامل للنتائج. يحدّد المزوّدون العناصر المطلوبة كما يتطلب من كل من مؤشرات الأداء الرئيسية الموثوقية والنزاهة. ولمعالجة هذا التعقيد، قام الخبراء المتخصصون في شركة Yuvo بتسخير معرفتهم العميقة في مجال الاتصالات لاتخاذ قرارات منظمة تقود عملية RCA.
كل قرار يُنظّم عوامل الشبكة (أو العدادات) في مسارات محددة، حيث يمثّل كل مسار سبباً جذرياً محتملاً محدداً بواسطة مجموعة فريدة من العدادات. يتم تسجيل هذه المسارات بناءً على تجميع قيم SHAP الخاصة بالعدادات الفردية، مما يسمح للنظام بتصنيف الأسباب الجذرية المحتملة وتحديد الأولويات المحتملة للمساهمين في انتهاكات مؤشرات الأداء الرئيسية. تعمل هذه البنية على إنشاء رؤية أكثر دقة وقابلة للتنفيذ، حتى عبر مختلف الموردين وعناصر الشبكة.
إضافة إلى ذلك، يتم اتخاذ القرارات وفقاً لمختلف مؤشرات الأداء الرئيسية. على سبيل المثال، قد يركز القرار المصمم لموثوقية الشبكة على الأجهزة وكثافة حركة البيانات، في حين أن قرار تكامل البيانات قد يؤكد على أخطاء نقل البيانات أو فقدان الحزمة. وتضمن هذه الميزة أن حل RCA الخاص بنا مصمم بدقة ليناسب احتياجات كل شبكة، مما يمكّن المشغلين من التصرف بسرعة وثقة.
فوائد الذكاء الاصطناعي القابل للتفسير في تحليل السبب الجذري
يوفّر استخدام Yuvo لتقنية XAI في RCA مزايا عدّة لمشغلي الاتصالات:
- تعزيز عملية اتخاذ القرار: من خلال توضيح كيفية تأثير مختلف العوامل على مؤشرات الأداء الرئيسية، يمكن للمشغلين التصرف على هذا الأساس، ومعالجة الدوافع الحقيقية لقضايا أداء الشبكة.
- طرح الحلول بوقت أسرع: من خلال تحديد الأسباب الجذرية للحالات الشاذة، يمكن للمشغلين تحديد المشكلة بشكل مباشر، مما يقلّل وقت التوقف عن العمل ويحسّن الموثوقية.
- تعزيز الثقة في أنظمة الذكاء الاصطناعي: توفّر تقنية XAI الشفافية، مما يضمن قدرة المشغلين البشريين على اعتماد التوصيات المستندة إلى الذكاء الاصطناعي بثقة.
- قدرة التوسع: يتم التوسع عبر مؤشرات أداء رئيسية متعددة، مما يضمن عمليات RCA متسقة وقابلة للتطوير عبر مختلف قطاعات الشبكة.
لوحات المعلومات لطرح الرؤية القابلة للتنفيذ:
توفّر منصة Network Insight (NI) الخاصة بنا للمشغلين لوحات معلومات تفاعلية تصوّر نتائج عملية التحليل الآلي للسبب الجذري. توفّر لوحات المعلومات نظرة عامة على مستوى عالٍ من الدقة، مما يسمح للمشغلين بتفسير الرؤية المحددة بسرعة واتخاذ الإجراءات اللازمة:
وكما نرى، يلعب دمج XAI بتحليل السبب الجذري دوراً أساسياً في بناء الثقة التي يحتاجها مشغلو الاتصالات لتبنّي الحلول التي تعتمد على الذكاء الاصطناعي بثقة. ومن خلال توفير رؤية شفافة ومفهومة حول ثغرات الشبكة، تتجاوز حلول XAI التوقعات، مما يُمكّن أصحاب المجال من التصرف بناءً على التوصيات المستندة إلى الذكاء الاصطناعي.
يقدم حل Yuvo، المدعوم بأساليب حسابية ومجموعة من قرارات خبراء الاتصالات، نهجاً واضحاً ومدعوماً بالبيانات لمعالجة ثغرات الشبكة بفعالية.
