Исследователи ПНИПУ создали интеллектуальную систему на основе искусственного интеллекта, которая в реальном времени предсказывает недовольство качеством связи еще до того, как абонент сам его заметит. Главные преимущества разработки — точность в 92,7%, отказ от затратных опросов и простая интеграция в существующую инфраструктуру провайдеров, что позволит существенно сократить расходы. Об этом CNews сообщили представители ПНИПУ.

Исследование выполнено в рамках программы стратегического академического лидерства «Приоритет-2030».

Почти каждый сталкивался с тем, что собеседника не слышно, видео зависает, страница не грузится. Провайдеры проверяют качество связи по техническим параметрам — например, за какое время сигнал доходит до сервера или как быстро скачивается файл.

Но эти цифры не отвечают на главный вопрос: комфортно ли человеку на самом деле? Техника видит каждый показатель по отдельности, а на качество влияет их сочетание. Например, нестабильность связи, когда сигнал идет рывками, при видеозвонке сделает голос заикающимся, из-за чего разговор будет сложно понимать. А при просмотре фильма та же самая нестабильность может быть почти незаметна: картинка будет идти ровно, потому что проигрыватель делает небольшой запас данных. Один и тот же параметр по-разному влияет в разных ситуациях. Иногда достаточно одного проблемного показателя, чтобы все сломалось. А бывает, даже несколько отклонений остаются незамеченными для пользователя.

У провайдеров есть два основных способа проверить, доволен ли человек интернетом. Первый — это технические замеры, которые не учитывают сочетания параметров и не могут предсказать, будет ли пользователю комфортно. Второй метод — жалобы и опросы. Чтобы провести опрос, нужно нанять сотрудников, обзвонить тысячи абонентов, потратить на это дни или недели, а потом обрабатывать ответы. Но к тому моменту, когда результаты готовы, качество связи уже изменилось. Если ждать жалоб, то проблема уже успеет испортить жизнь многим людям до того, как ее начнут чинить. Получается, что ни технический мониторинг, ни сбор жалоб не позволяют увидеть проблему заранее и понять, что именно нужно исправить.

Исследователи ПНИПУ создали интеллектуальную систему, которая в реальном времени отслеживает технические параметры и предсказывает, доволен ли пользователь качеством связи, еще до того, как он сам заметит неладное и начнет жаловаться. В основе разработки лежит метод искусственного интеллекта, выявляющий скрытые связи между показателями сети и реальными ощущениями человека.

Главное преимущество такого подхода в том, что оператор получает возможность устранять проблемы до того, как абонент почувствует дискомфорт, — система позволяет вывести технический анализ сетевых метрик на новый уровень и полностью отказаться от дорогостоящих опросов пользователей, практически без потери достоверности результатов. Кроме того, благодаря простой интеграции в существующую инфраструктуру провайдеров решение существенно сокращает затраты на внедрение и обеспечивает экономию средств без необходимости кардинальной модернизации оборудования.

Для анализа система берет пять параметров. Первый – время, за которое сигнал доходит до сервера и возвращается обратно (пинг). Второй – нестабильность интернет-соединения (джиттер). Третий – потеря данных, когда часть из них не доходит до адресата (потеря пакетов). И еще два — объем переданного/ полученного трафика. Это стандартные метрики, которые собирает любой провайдер — никаких дополнительных датчиков или дорогих систем мониторинга не требуется.

Ученые намеренно собирали данные для обучения в самых сложных условиях — на корпоративном оборудовании, которое одновременно работает через проводную, сотовую и спутниковую связь, постоянно переключаясь между ними. В такой среде проблемы возникают постоянно: скачки времени отклика, потери данных, перепады скорости. Если система научилась предсказывать человеческий комфорт в этом хаосе, то на обычной домашней сети, где все стабильно, она будет работать безошибочно. Информацию собирали в течение пяти дней, чтобы захватить и пиковые нагрузки, и ночные спады, и обычные рабочие часы.

«Почему именно пять дней? Маленькая выборка не показала бы разные режимы работы: пиковые нагрузки, спады, тихие часы. Большая — усреднила бы закономерности. Мы специально подбирали период, в котором есть разнообразие: и обычная нагрузка, и пики, и переходные процессы. Пять дней оказались оптимальным окном, чтобы охватить все эти режимы. Этого хватило, потому что методика системно-когнитивного анализа работает именно с небольшими и «шумными» выборками, то есть с неидеальными данными, где есть случайные отклонения», — сказал Алексей Елохов, аспирант кафедры «Вычислительная математика, механика и биомеханика» ПНИПУ.

Для каждого момента времени в этих записях уже была рассчитана оценка качества — так называемое «Качество пользовательского опыта» (Quality of Experience, QoE). Эта оценка была получена на основе стандартных методик, которые изначально опирались на опросы пользователей: например, после видеоконференции или звонка через приложение людям предлагали оценить качество по пятибалльной шкале.

«Модель проанализировала тысячи сочетаний параметров и выявила, какие комбинации ведут к комфорту, а какие — к дискомфорту. Теперь, глядя на текущие показатели сети, она может сама сказать: «при таких параметрах пользователь будет доволен» или наоборот останется разочарованным», — сказал Александр Алексеев, доктор технических наук, кандидат экономических наук, доцент, начальник управления организации научных исследований ПНИПУ.

Главное отличие этой разработки от большинства нейросетей в том, что она не просто выдает прогноз, а объясняет причину. Инженер видит, какой именно параметр сейчас портит качество и что нужно изменить в настройках.

После того как модель обучили на собранных данных, ее проверили на другой, незнакомой части информации, чтобы понять, как она будет работать в реальных условиях. Такой подход исключает случайность и подтверждает, что модель не просто запомнила примеры, а научилась обобщать. Точность прогноза составила 92,7%. Это значит, что из 10 предсказаний ошибочным будет меньше одного. Для задачи, где речь идет о субъективном человеческом восприятии, такой показатель — высокий результат.

«С помощью модели мы обнаружили несколько закономерностей. Потеря данных до 0,3% практически незаметна для пользователя, но как только этот показатель превышает 1,8%, качество связи резко падает. Самое сильное влияние на комфорт оказывает даже не то, насколько быстро сервер отвечает, а стабильность этого времени. Если ответ приходит с постоянными рывками и задержка все время скачет, человек будет недоволен, даже когда в целом скорость хорошая. При нестабильности в диапазоне от 1,3 до 3,3 миллисекунды качество остается хорошим, а вот когда скачки достигают 3,3–22,8 миллисекунды, качество заметно ухудшается. Также модель выявила оптимальные диапазоны скорости: для входящего трафика — от 238 до 12 111 Кбит/с, для исходящего — от 239 до 1 985 Кбит/с. Эти диапазоны система определила на основе реальных данных: именно в них качество связи было наилучшим», — сказал Алексей Елохов.

Систему можно встроить в существующее оборудование любого провайдера. Тогда инженеры смогут не ждать жалоб от пользователей, а работать на опережение: программа сама подскажет, где назревает проблема, еще до того, как кто-то заметит неладное. Например, если показатели начинают приближаться к критическим значениям — потери данных растут или стабильность сигнала ухудшается — модель выдаст предупреждение, и специалисты успеют перенастроить оборудование. А если настроить систему отдельно для видеозвонков, онлайн-игр или просмотра фильмов, точность прогнозов станет еще выше, потому что модель будет учитывать, чем именно занят пользователь.

Короткая ссылка