Resumen

Este patrón de código es parte de una serie que explora las predicciones de caída de llamadas de telecomunicaciones utilizando IBM Cloud Pak para datos, virtualización de datos, Watson OpenScale y Cognos Analyics.

Una caída de llamada es una situación en la que una llamada en una red inalámbrica se desconecta antes de que la persona que llama finalice la llamada. Algunas de las razones principales para la caída de llamadas son:

• Cobertura inadecuada, que puede deberse a múltiples razones:

  • Falta de infraestructura de la torre
  • Planificación de red inadecuada
  • No optimización de la red.

• Torres de celulares sobrecargadas: el número de suscriptores crece cada día y la mayoría de ellos están en teléfonos inteligentes. La capacidad de la red simplemente no se está incrementando al mismo ritmo, lo que resulta en redes sobrecargadas.

• Cambios en el paisaje urbano: ha habido casos en los que los edificios de varios pisos recientemente construidos causan que los suscriptores de los edificios adyacentes pierdan la recepción celular. Tales instancias son muy comunes con paisajes urbanos que cambian rápidamente y requieren análisis de datos de red de rutina por parte de los proveedores de servicios.

• Cambio entre torres: esta situación ocurre cuando una persona viaja o se mueve mientras habla. Las posibilidades de una llamada perdida aumentan si se produce una transferencia de llamada (transferencia de una estación transceptora base (BTS) a otra), especialmente en el caso de redes sobrecargadas.

• Fallas técnicas: esto está fuera del control de cualquier persona y los operadores generalmente monitorean los tiempos de inactividad a través de centros de operación de red bien equipados.

Este patrón de código le mostrará cómo crear un modelo para predecir las caídas de llamadas (capacitado en las fallas enumeradas anteriormente). Con la ayuda de un panel interactivo, utilizaremos un modelo de serie temporal para comprender mejor las caídas de llamadas. Como un beneficio para los proveedores de telecomunicaciones y sus clientes, se puede utilizar para identificar problemas en una etapa anterior, permitiendo más tiempo para tomar las medidas necesarias para mitigarlos. Las características principales de la solución incluyen:

• Construido en IBM Cloud Pak para datos.
• Los datos pueden provenir de múltiples fuentes de db, por ejemplo, un Db2 Warehouse (SMP) interno dentro de la instancia de Cloud Pak for Data, u otras fuentes externas como IBM Db2 en la nube, la base de datos Oracle y la base de datos Postgres. La virtualización de datos se utilizará para integrarlos a todos en una fuente de base de datos.
• Usando un servicio de notebook incorporado, un modelo de serie temporal predecirá las caídas de llamadas en las próximas 24 horas.
• Un modelo de predicción de caída de llamadas para cada torre celular. Estos modelos serán monitoreados por su calidad y equidad utilizando AI OpenScale.
• Un panel de Cognos Analytics que proporciona al usuario una visión general regional de los escenarios de caída de llamadas. Con la ayuda de Watson OpenScale, el modelo de serie temporal se mostrará en un gráfico, junto con las mejoras de rendimiento de los modelos.

Después de completar este patrón de código, aprenderá cómo:

• Usar virtualización de datos
• Cree conexiones desde Dbs alojadas en múltiples Cloud (AWS, Azure o IBM Cloud) o entornos locales
• Cree vistas desde uniones y publique datos en su proyecto actual
• Almacene modelos personalizados con tecnología de código abierto en Watson Machine Learning
• Implemente un modelo y conecte la implementación del modelo a Watson OpenScale en IBM Cloud Pak para datos e IBM Cloud
• Configure los modelos de imparcialidad y calidad del modelo en Watson OpenScale en IBM Cloud Pak para datos y en IBM Cloud, utilizando un cuaderno de Python
• Cree un proyecto y configure un cuaderno de Python en IBM Cloud Pak para datos

Flujo

1. Los datos almacenados en varias fuentes, como AWS Cloud e IBM Cloud, se virtualizan y se unen según sea necesario por los Modelos AI.
2. Los datos unidos se almacenan de nuevo en la base de datos interna de IBM Cloud Pak for Data y se asignan al proyecto de trabajo actual.
3. Cree modelos de aprendizaje automático utilizando Jupyter Python Notebooks para predecir la caída de llamadas por torre, y también un modelo de series de tiempo que proyecta un porcentaje de caída de llamadas basado en condiciones en tiempo real.
4. Modelo entrenado y / o almacenado en Watson Machine Learning, que también está conectado a Watson OpenScale.
5. Visualice y analice los conocimientos de los modelos entrenados y los datos utilizando paneles de datos de Cognos Analytics.
6. Configure montos de equidad, calidad y explicabilidad para el modelo de cada torre.

Instrucciones

Encuentre los pasos detallados para este patrón en el README. Los pasos le muestran cómo:

1. Clonar el repositorio.
2. Obtenga sus datos de la virtualización de datos.
3. Cree un nuevo proyecto en IBM Cloud Pak para datos.
4. Cargue el conjunto de datos a IBM Cloud Pak para datos.
5. Importar cuaderno a IBM Cloud Pak para datos.
6. Siga los pasos en el cuaderno.
7. Configure su computadora portátil para el monitoreo de caída de llamadas.
8. Configure Cognos Analytics Dashboard en su IBM Cloud Pak para la instancia de Datos para visualizaciones.

Smruthi Raj Mohan

Sri Kanth

Manjula G. Hosurmath

Fuente: https://developer.ibm.com/patterns/predict-manage-and-monitor-the-call-drops-of-cell-tower-using-cloud-pack-for-data/