Objetivo de los modelos discriminativos

Los modelos discriminativos buscan el límite entre categorías / clases dentro de los conjuntos de datos para poder clasificar / categorizar rápidamente todo dato nuevo. Su objetivo es, entonces, clasificar los datos en categorías, de forma parecida a como el grupo de rock Van Halen insiste en tener un bol de caramelos M&M entre bastidores, pero sin los marrones.

 

Las técnicas de IA generativa calculan la probabilidad basada en las ocurrencias previas y probables, lo que le permite generar nuevos puntos de datos. Por el contrario, las técnicas de IA discriminativa calculan las condiciones límite, para que los datos puedan descartarse o incluirse de forma binaria —los M&M rojos, naranjas o verdes se aceptan; los M&M marrones se descartan—, algo que no permite crear datos nuevos, solo clasificar aquellos que ya fueron suministrados.

 

La IA discriminativa se basa en una fase de entrenamiento en la que cada dato recibe una clase o etiqueta. Después, se extraen las características de separación (por ejemplo, el color de un M&M). A continuación, se entrena el modelo para identificar el límite que separa las clases (por ejemplo, marrón frente a otros colores). Una vez entrenado, el modelo se evalúa con un nuevo conjunto de datos (es decir, uno distinto de aquel de entrenamiento) para determinar la precisión del modelo y si está preparado para aplicarse a futuros conjuntos de datos.

 

Uso de modelos de IA generativos y discriminativos para la detección de fallas

En el contexto de OSS/BSS, los modelos discriminativos son fundamentales en las tareas de clasificación y toma de decisiones, entre las que se incluyen:

• Predicción de la pérdida de clientes: mediante los algoritmos discriminativos, las empresas de telecomunicaciones pueden analizar el comportamiento de los clientes, predecir posibles bajas y, en consecuencia, realizar intervenciones específicas.
• Detección de fallas en la red: los OSS pueden aprovechar modelos discriminativos para identificar y predecir fallas en la red mediante un análisis integral de los datos de telemetría.
• Detección de llamadas spam: los modelos discriminativos ayudan a clasificar las llamadas según la probabilidad de que sean spam. De este modo, el operador notifica que una llamada entrante es potencialmente spam para mejorar así la experiencia del usuario.
• Búsqueda de similitudes en datos de registro y telemetría: la detección de anomalías y el reconocimiento de patrones en datos de registro no estructurados pueden ofrecer información relevante sobre la calidad de funcionamiento y seguridad de la red. Sirven para la clasificación y segmentación de datos telemétricos (pero no añaden información alguna sobre las distribuciones subyacentes en los datos, algo que sí consiguen los modelos generativos), también.
• Predicción de fallas: identificación de los componentes que son más probables de fallar pronto, basándose en datos históricos y métricas en tiempo real.
• Gestión del tráfico y asignación de recursos/capacidad: el análisis de patrones de tráfico y uso para identificar las áreas de congestión es algo que los operadores (o algoritmos de autooptimización) pueden aprovechar para identificar las áreas donde asignar recursos de forma más eficiente.
• Segmentación de clientes: clasificación de los clientes en diferentes grupos en función de sus patrones de uso para personalizar el marketing, las ofertas de servicios y las experiencias.
• Monitoreo de la calidad del servicio (QoS): clasificar dinámicamente las transacciones de red en función de sus métricas de QoS (latencia, fluctuación y pérdida de paquetes).
• Análisis de redes sociales y de usuarios: clasificación de las conexiones sociales para identificar a las personas influyentes o los nodos centrales de actividad dentro de una red de telecomunicaciones: algo que podría ser útil para la planificación de la capacidad, el marketing, la difusión de información y otras aplicaciones.

Separar la señal del ruido: el auge de la IA discriminativa en las operaciones

Las siguientes técnicas ayudan a separar la señal del ruido, por lo que permiten:

• Mejorar la toma de decisiones: los modelos discriminativos se enfocan en los límites de clase y, por lo tanto, proporcionan las clasificaciones precisas. Esto permite a los responsables disponer de información específica y basada en datos a la hora de decidir.
• Optimización de recursos: la automatización de tareas complejas (como la detección de anomalías, los patrones de uso y la segmentación de clientes) mejora la asignación eficiente de recursos.
• Resiliencia, conformidad y seguridad: dentro de la perspectiva fluctuante donde se juega la complejidad de las redes, las diferentes normativas y amenazas, estos modelos ofrecen información rápida a gran escala, garantizando la optimización de operaciones.

La IA discriminativa ofrece unas capacidades extraordinarias para la práctica de las soluciones OSS/BSS, añadiendo eficiencia, precisión e inteligencia a diversas funciones de los operadores de redes. Si no quiere perderse la primera parte de esta serie, enfocada en la IA generativa en las telecomunicaciones, puede encontrarla [aquí]. En conjunto, estos dos artículos arrojan luz sobre la naturaleza complementaria de las IAs discriminativa y generativa, así como sobre su papel fundamental para el futuro de las telecomunicaciones.

 

A través de la comprensión integral de ambas tecnologías los proveedores de telecomunicaciones pueden preparar las estrategias más eficaces, maximizar la eficiencia/eficacia operativa e impulsar la innovación en este panorama cada vez más competitivo y fluido.