機器學習和5G密不可分。在管理5G龐大的數(shù)據(jù)量和復雜性時，機器學習和執(zhí)行獨立智能決策的能力是十分必要的。如果沒有機器學習，網(wǎng)絡無法預測流量需求、安全風險和用戶行為的變化。5G愿景的基礎是網(wǎng)絡具有預測性和主動性以實現(xiàn)低延遲和高可靠性的能力，而這是現(xiàn)今的4G網(wǎng)絡無法實現(xiàn)的。機器學習允許網(wǎng)絡進行自我優(yōu)化，確保前所未有的性能和服務連續(xù)性，從而可以主動減少潛在故障。

本文探討了在5G領域使用機器學習的一些實例，為基于機器學習在5G 領域的高級應用和分析方法指出了潛在的可能方向。隨著5G應用對網(wǎng)絡性能的要求日益增加，更加強大和優(yōu)化的網(wǎng)絡將會為大幅度提高網(wǎng)絡性能，隨之而來也為用戶帶來更好的體驗。

機器學習在網(wǎng)絡服務中的應用

1、性能管理

挑戰(zhàn)：在網(wǎng)絡功能虛擬化帶來的超動態(tài)網(wǎng)絡環(huán)境和向軟件定義網(wǎng)絡的轉(zhuǎn)變中，在任何給定的時間了解所有系統(tǒng)和虛擬網(wǎng)絡功能以及PNFs 等性能狀態(tài)，將變得更加困難。如果沒有正確的工具，我們無法有效監(jiān)控不斷變化網(wǎng)絡環(huán)境的關鍵業(yè)務指標，從而無法保證提供穩(wěn)定的服務。解決此問題的傳統(tǒng)方法帶來了資源的大量浪費，通常過度配置服務以確保穩(wěn)定性，但也有可能在服務資源不足的情況下導致系統(tǒng)故障。解決方案：基于機器學習主動監(jiān)控和預測所有網(wǎng)絡組件的狀態(tài)、性能和利用率的能力，使得運營商可以通過動態(tài)擴展網(wǎng)絡資源以實時滿足可變需求來實現(xiàn)高效的資源利用率。這使運營商能夠運行更高效的網(wǎng)絡。

2、主動排查故障

挑戰(zhàn)：當與網(wǎng)絡相關的問題出現(xiàn)時，可能會導致網(wǎng)絡中出現(xiàn)大量級聯(lián)故障，所有故障都源于根本性問題。這會觸發(fā)多個系統(tǒng)警報，但使用隔離和修復的任務既費時又費力。解決方案：利用機器學習預測何時發(fā)生故障及其可能性，并在故障發(fā)生之前采取預防措施。如果問題已經(jīng)出現(xiàn)，則可以快速隔離引發(fā)問題的根本因素，從而使運營商能夠減少網(wǎng)絡中的故障數(shù)量并縮短解決每個問題所需的時間。

3、自動解決問題

挑戰(zhàn):由于當今網(wǎng)絡的復雜性，在網(wǎng)絡的正常運行中出現(xiàn)的故障數(shù)量不斷增加。這些故障對服務的穩(wěn)定性構(gòu)成巨大威脅，并明顯增加了對運營商運營支持的需求。這既消耗了寶貴的資源來進行故障排除，同時又使網(wǎng)絡和服務的連續(xù)性仍然存在風險——直到根本問題被確定、隔離和解決。解決方案：如果網(wǎng)絡擁有了通過機器學習和自動化及時解決網(wǎng)絡問題的能力，運營商能大大縮短在出現(xiàn)問題時響應問題所花費的時間，并能夠釋放運營團隊的人力以處理更復雜的任務。

4、最佳的自動服務組合

挑戰(zhàn)：當服務組合在SON環(huán)境中自動化運行或被手動完成時，主要考慮的因素是服務的功能交付。但缺少適當?shù)墓ぞ咭馕吨谠S多情況下無法考慮成本優(yōu)化。反過來，這導致服務的總成本居高不下。如何通過算法優(yōu)化服務組合的成本一直以來是運營商關心的話題。解決方案：引入監(jiān)控交付服務總成本的能力，以及預測不同配置和交付選項的成本影響的能力至關重要。在編寫和進行服務時考慮到這些指標，運營商才可以真正優(yōu)化其網(wǎng)絡運營成本。這樣可以提高最大化運營利潤的能力，同時也獲得了對每項服務營利能力的詳細信息。

5、服務質(zhì)量監(jiān)管

挑戰(zhàn)：由于運營商提供的眾多復雜服務所涉及的系統(tǒng)數(shù)量龐大，有效監(jiān)控服務質(zhì)量的能力變得尤為重要。但傳統(tǒng)的方法對于如此龐大的信息系統(tǒng)，處理起來已經(jīng)變得力不從心。解決方案：機器學習及相關算法，可以通過監(jiān)控服務質(zhì)量，通過數(shù)據(jù)分析和預測客戶的體驗質(zhì)量，來幫助運營商識別并解決客戶可能遇到的問題。

6、收入流失

挑戰(zhàn)：由于當前“不斷變化的”網(wǎng)絡中存在越來越多的疏漏點，系統(tǒng)或過程故障可能導致收入損失的情況不斷增加。解決方案：通過快速識別漏洞發(fā)生的位置并隔離網(wǎng)絡中斷的根本原因，運營商能夠顯著減少收入損失。 而且，運營商能夠設置預防措施，以防止之前的問題再度發(fā)生。

7、小基站理念

挑戰(zhàn)：如果運營商以與主要小基站相同的方式管理小型的小基站區(qū)域部署，那么需要維護的區(qū)域絕對數(shù)量將難以管理。解決方案：允許運營商主動監(jiān)控和預測服務降級、小區(qū)中斷、睡眠小區(qū)、體驗質(zhì)量降級和小區(qū)異常等實時信息對于優(yōu)化網(wǎng)絡性能至關重要。此功能與本地化小型單元中任何潛在問題的能力相結(jié)合，使運營商能夠防止整個網(wǎng)絡出現(xiàn)故障級聯(lián)。這是通過動態(tài)生成自主動作來實現(xiàn)的，這大大降低了與小型小區(qū)管理相關的運營和維護成本。

機器學習在用戶中的應用

1、客戶流失分析

挑戰(zhàn)：客戶流失仍然是所有運營商面臨的障礙，這會帶來高昂的代價。目前用于應當對客戶流失的策略關注的是如何在事發(fā)后進行修復。這是一種耗費資源、成本高昂且通常無效的保留手段，在用戶去意已決的情況下，運營商試圖說服客戶留下的做法可能無法解決根本性問題。解決方案：通過主動識別可能流失的客戶及導致其離開的特定用戶體驗問題，運營商可以主動采取措施以最大限度地減少客戶流失。這不僅可以保護當前和未來的運營收入，還可以改善整體客戶體驗。

2、欺詐檢測

挑戰(zhàn)：各種詐騙手段層出不窮，這是持續(xù)面臨的挑戰(zhàn)。CFCA行業(yè)調(diào)查確定的前5大外部欺詐活動帶來的損失估計超過260億美元，此外包括外部欺詐、欠費、內(nèi)部欺詐等問題造成的硬收入損失占到了全球電信業(yè)務收入的6.9%，達到了1550億美元。解決方案：通過實時識別曾發(fā)生過的網(wǎng)絡欺詐行為或是通過識別新出現(xiàn)的欺詐行為，工作人員員能夠明顯減少處理問題所花費的時間。這可以保護客戶不會成為欺詐的受害者，也能保護運營商的聲譽和品牌。

3、基于目標和情境的活動管理

挑戰(zhàn)：營銷活動通常是基于大眾的普遍喜好，很少反映客戶的個人偏好。傳統(tǒng)的廣告也未考慮營銷內(nèi)容的購買環(huán)境，也沒有能力衡量廣告在推動購買決策方面的成功程度。解決方案：通過機器學習分析用戶數(shù)據(jù)，獲取客戶偏好的策略以及給出針對某一群體客戶需求的適宜報價，以及基于推薦系統(tǒng)的套餐推薦、營銷活動等，運營商能有效提升其市場占有率并吸引新的客戶。

4、用戶使用分析

挑戰(zhàn)：運營商無法通過全球統(tǒng)一的方法跟蹤和分析客戶如何與所有服務接觸點互動。這些用戶接觸點可能包括數(shù)字頻道，例如網(wǎng)站、客戶服務應用程序或傳統(tǒng)的呼叫中心。這導致操作員無法全面了解客戶如何使用其服務，并限制了操作員優(yōu)化此過程的能力。解決方案：通過研發(fā)客戶參與情況的端到端視圖能力，運營商能夠通過識別各流程中存在的障礙以優(yōu)化所有渠道。

5、全渠道環(huán)境中的個性化客戶體驗

挑戰(zhàn)：客戶接觸旨在促進與所有客戶的互動，但由于個體差異，對某一用戶而言的完美體驗可能會讓另一用戶倍感不適。這可能會在特定時間中給大部分客戶群帶來欠佳的用戶體驗。解決方案：機器學習能夠識別并向客戶展示為其量身定制的全渠道體驗，能夠最好地反映和回應其個人喜好，這對于保留目前的高價值客戶至關重要。

在5G基礎設施建設和運營過程中，機器學習和人工智能技術扮演了越來越重要的作用。當人們還在爭論和定義新的5G服務時，運營商們已經(jīng)在努力面對這場前所未有的數(shù)據(jù)颶風。為了克服管理5G服務交付的能力，將機器學習嵌入網(wǎng)絡的基礎結(jié)構(gòu)和運營管理已經(jīng)成為這個行業(yè)的必由之路。