Le reti mobile ci supportano nello scambio di informazioni, nel commercio e l’intrattenimento. AI e ML spingeranno verso 4 stadi di evoluzione.
Ogni giorno parliamo e sentiamo parlare di machine learning (ML) e di intelligenza artificiale (AI). Basta pensare al modo in cui i nostri telefoni rispondono ai comandi vocali oppure all’identificazione dei contatti a partire da una semplice foto. Uno dei principali beneficiari del nostro mondo super-connesso saranno le stesse reti mobile alle quali ci siamo affidati per lo scambio di informazioni, la comunicazione, il commercio e l’intrattenimento.
AI e ML spingeranno le reti attraverso quattro stadi di evoluzione, dalle reti di auto-guarigione di oggi a reti di apprendimento, dalle reti per il riconoscimento dei dati alle reti per le auto a guida autonoma.
Indice dei contenuti
FASE I: Reti mobile che si auto-aggiustano “So cosa è successo”
Le reti di oggi sono in Fase I, contraddistinte da cicli di feedback in tempo reale per il monitoraggio dello stato della rete e per l’ottimizzazione in tempo reale per risolvere i problemi e migliorare le prestazioni. I sistemi di sensori e le ottimizzazioni della rete si basano su regole umane ed euristiche attraverso semplici analisi descrittive.
Queste regole sono generalmente facili da interpretare, ma non sono ottimali per alternative moderne basate sui dati perché sono hard-coded e quindi non si possono adattare ai cambiamenti ambientali, inoltre mancano della complessità adeguata per affrontare efficacemente una vasta gamma di possibili situazioni. In realtà, queste regole sono limitate dall’incapacità della mente umana perché non consentono agli esseri umani – responsabili delle prestazioni della rete – di poter prevedere i problemi, rendendo “il tempo reale” il fattore limitante affinché una rete possa offrire prestazioni ottimali.
FASE II: Network di apprendimento – “Cosa succederà?”
Essere tempestivi è tutto. I network che si trovano nella fase II continueranno a cercare schemi del passato per prevedere i comportamenti futuri. Il ML può essere indirizzato per analizzare i fattori impattanti come il giorno e l’ora, oppure eventi della rete o anche fattori esterni ricorrenti.
Il valore nei dati risiede nelle correlazioni probabilistiche tra le prestazioni del passato della rete e le soluzioni manuali che possono fornire le ottimizzazioni future. Il ML è in grado di catturare il maggior numero di correlazioni possibili, affinché i ricercatori egli esperti dei dati possano lavorare insieme al meglio e testare e calibrare i modelli di ML prima della loro messa in produzione. I modelli di ML possono rivelare una distribuzione esaustiva dei KPI di rete, ma anche una vertiginosa serie di fattori esterni che influenzano gli esiti futuri.
Queste previsioni danno ai supervisori umani degli avvertimenti avanzati su come distribuire le risorse di rete ed eseguire ulteriori ottimizzazioni, che portano a migliori prestazioni a fronte di costi inferiori. Ad esempio, una rete di guida autonoma è in grado di rilevare le deviazioni minime previste dal percorso ed emettere degli avvisi per gli operatori umani, ben prima che emergano problemi reali. La raccolta continua di dati e il confronto con previsioni sulla realtà aumenterà la precisione la quale garantirà migliori modelli di nuova generazione.
I metodi di ML della Fase II includono i metodi supervisionati sia lineari che non lineari, reti neurali e lotti di apprendimento (ad esempio, riqualificazioni notturne). Nella Fase II, assistenza predittiva significa più tempo per gli operatori umani per eseguire cambiamenti e il risultato è un importante passo avanti in termini di prestazioni di rete.
FASE III: Reti data-aware – “Cosa dovrei fare?”
Nella fase III gli algoritmi revisionano le prestazioni passate, a prescindere dalle indicazioni umane, identificando i fattori correlativi non ancora scoperti che potrebbero influenzare le prestazioni future al di fuori della logica umana. Questo procedimento avviene cercando al di là dei dati di rete e di orientamento iniziale e focalizzandosi su insiemi di dati esterni sia generati che simulati.
Le macchine utilizzano le conoscenze ottenute da metodi controllati e applicano tale conoscenza a metodi non supervisionati, rivelando fattori di correlazione da scoprire senza l’intervento di una guida umana.
La rete di Fase III fornisce previsioni di molteplici scenari futuri possibili e crea previsioni che consentono la gestione dei possibili risultati di business sulla base di azioni teoriche. Ad esempio, la rete potrebbe far sì che i manager umani scelgano tra una serie di possibili risultati, in questo modo inizia l’era dell’ottimizzazione della rete strategica, durante la quale la rete prevede più possibilità rispetto a quelle che potrebbe fornire un’analisi umana. I metodi di ML per la fase III comprendono l’apprendimento approfondito, le tecniche di simulazione e altre tecniche avanzate di informatica come le statistiche avanzate, i modelli di governance e la selezione automatica dei modelli.
FASE IV: Reti a guida-autonoma – “Fallo!”
Una rete che si trovi nella Fase IV può: (1) identificare autonomamente e dare priorità ai fattori di interesse che impattano la performance della rete, (2) prevedere accuratamente i vari esiti in modo che gli umani possano eseguire gli interventi appropriati, e (3) distinguere i fattori casuali da quelli correlativi per guadagnare insight più approfonditi e guidare le decisioni nel modo migliore.
La distinzione tra causale e correlativo si basa a sua volta su analisi probabilistiche. La capacità dell’intelligenza artificiale di stabilire le cause è la capacità di capire le basi delle prestazioni di rete in contrapposizione ai segni correlativi a tali cause. La capacità di identificare i fattori causali porterà a previsioni più accurate e ad una rete ancora più performante. In questa fase, la rete acquisisce la capacità di ragionare “causa contro effetto” in modo autenticamente intelligente.
Una rete nella Fase IV può scegliere autonomamente una linea d’azione per massimizzare l’efficienza operativa e a fronte di influenze esterne può migliorare la sicurezza contro le nuove minacce in entrata e – più in generale – operare per massimizzare un dato insieme di KPI. Il sistema è adattabile ai cambiamenti in tempo reale e impara e migliora continuamente in un contesto che si basa sui dati. I metodi di ML degni di nota per la fase IV includono l’apprendimento approfondito, l’apprendimento per rinforzo, l’apprendimento online, i sistemi dinamici e altre tecniche informatiche avanzate.
Network, riparati!
Applicare rimedi a livello locale prima ancora che a livello globale è appropriata nel caso di AI e ML. Nonostante il mondo possa trarre grandi vantaggi dalla democratizzazione e la mobilitazione dei dati, saranno la rete mobile e la società nella rete che si distingueranno per trarre i maggiori benefici al più presto, nel viaggio verso un nuovo sistema di macchine veramente intelligenti.
Francesco Marino
Giornalista esperto di tecnologia, da oltre 20 anni si occupa di innovazione, mondo digitale, hardware, software e social. È stato direttore editoriale della rivista scientifica Newton e ha lavorato per 11 anni al Gruppo Sole 24 Ore. È il fondatore e direttore responsabile di Digitalic
