RU2018145323A

RU2018145323A - Сетевой помощник на основе искусственного интеллекта

Info

Publication number: RU2018145323A
Application number: RU2018145323A
Authority: RU
Inventors: Пабло ТАПИЯ
Original assignee: Тупл, Инк.
Priority date: 2016-06-07
Filing date: 2017-06-07
Publication date: 2020-07-09
Also published as: EP3465459A1; US20170353991A1; RU2753962C2; EP3465459B1; RU2018145323A3; JP7145764B2; ES2866946T3; WO2017214271A1; EP3465459A4; US10708795B2; JP2019521427A

Claims

1. Один или более машиночитаемых носителей, хранящих исполняемые компьютером команды, которые при исполнении заставляют один или более процессоров выполнять действия, включающие:

прием данных о производительности, относящихся к производительности сети в отношении по меньшей мере одного пользовательского устройства и сетевых компонентов беспроводной сети, из нескольких источников данных;

идентификацию по меньшей мере одной проблемы, влияющей на производительность сети в одной или более областях с низкой производительностью, причем эта проблема отрицательно влияет на данные о производительности, которая падает ниже заранее заданного порога;

анализ данных о производительности с использованием обучаемой модели машинного обучения для выявления прогнозируемой основной причины проблемы, влияющей на производительность сети, на основе одного или более симптомов, связанных с проблемой, причем обучаемая модель машинного обучения использует несколько типов алгоритмов машинного обучения для анализа данных о производительности, причем данные о производительности содержат данные в реальном времени или данные не в реальном времени для конкретного временного интервала;

предоставление прогнозируемой основной причины для представления через пользовательский интерфейс; и

уведомление по меньшей мере одного пользователя о прогнозируемой основной причине, влияющей на производительность сети, через пользовательский интерфейс.

2. Один или более машиночитаемых носителей по п. 1, в которых данные о производительности включают в себя данные о производительности одного или более сетевых компонентов, данные о производительности пользовательского устройства, данные из социальных сетей, данные об аварийных сигналах, данные запросов на устранение неисправностей или данные ключевого индикатора производительности.

3. Один или более машиночитаемых носителей по п. 1, в которых действия дополнительно включают:

выдачу рекомендации по меньшей мере одной последовательности действий с использованием обучаемой модели машинного обучения для решения проблемы на основе прогнозируемой основной причины;

анализ данных о производительности с использованием обучаемой модели машинного обучения для определения потенциального воздействия, влияющего на беспроводную сеть оператора; и

установление приоритетов устранения неисправностей сети для проблемы, чтобы реализовать последовательность действий для решения проблемы в определенном порядке.

4. Один или более машиночитаемых носителей по п. 1, в которых действия дополнительно содержат:

рекомендацию по меньшей мере одной последовательности действий с использованием обучаемой модели машинного обучения для решения проблемы на основе прогнозируемой основной причины;

просмотр изменений, внесенных в один или более узлов в одной или более областях с плохой производительностью, на основе последовательности действий; и

отслеживание производительности сети, чтобы определить, достигнуто ли ожидаемое улучшение производительности.

5. Один или более машиночитаемых носителей по п. 1, в которых прогнозируемая основная причина является первой прогнозируемой основной причиной, причем действия дополнительно включают:

определение того, что точность первой прогнозируемой основной причины находится ниже заданного порога, на основании, по меньшей мере частично, измерения ошибки обучения;

переобучение обучаемой модели машинного обучения с использованием дополнительного типа алгоритма машинного обучения, основанное на измерении ошибки обучения, связанной с первой прогнозируемой основной причиной; и

предоставление второй прогнозируемой основной причины для представления через пользовательский интерфейс.

6. Один или более машиночитаемых носителей по п. 1, в которых анализ данных о производительности включает в себя отслеживание геолокации пользовательского устройства в течение интервала времени и дополнительный анализ данных о производительности, которые связаны с геолокациями, для определения прогнозируемой основной причины.

7. Один или более машиночитаемых носителей, хранящих исполняемые компьютером команды, которые при исполнении заставляют один или более процессоров выполнять действия, включающие:

прием данных о производительности, относящихся к производительности сети в отношении по меньшей мере одного пользовательского устройства и сетевых компонентов беспроводной сети, из множества источников данных;

анализ данных о производительности с использованием обучаемой модели машинного обучения для определения порядка приоритетов для реализации решения проблемы, влияющей на производительность сети, на основе одного или более симптомов, связанных с проблемой, причем обучаемая модель машинного обучения использует несколько типов алгоритмов машинного обучения для анализа данных о производительности, при этом данные о производительности содержат данные о производительности в реальном времени или данные о производительности не в реальном времени для конкретного интервала времени; и

установление приоритетов устранения неисправностей сети для реализации решения, которое устраняет одну или более основных причин проблемы, для представления через пользовательский интерфейс.

8. Один или более машиночитаемых носителей по п. 7, в которых анализ данных о производительности включает в себя анализ производительности различных сот сети, чтобы сформировать список из одной или более сот с наибольшим уровнем нарушений, которые вносят свой вклад в проблему.

9. Один или более машиночитаемых носителей по п. 7, в которых анализ данных о производительности включает в себя анализ данных о производительности с использованием обучаемой модели машинного обучения для определения потенциального воздействия, влияющего на беспроводную сеть оператора.

10. Один или более машиночитаемых носителей по п. 7, в которых данные о производительности включают в себя данные о производительности одного или более сетевых компонентов, данные о производительности пользовательского устройства, данные из социальных сетей, данные об аварийных сигналах, данные запросов на устранение неисправностей или данные ключевого индикатора производительности.

11. Один или более машиночитаемых носителей по п. 7, в которых действия дополнительно содержат:

выдачу рекомендации по меньшей мере одной последовательности действий с использованием обучаемой модели машинного обучения для решения проблемы на основе одной или более основных причин;

реализацию последовательности действий в соответствии с установлением приоритетов устранения неисправностей сети;

рассмотрение изменений, внесенных на основе последовательности действий;

12. Один или более машиночитаемых носителей по п. 7, в которых установление приоритетов устранения неисправностей сети является первым установлением приоритетов устранения неисправностей сети, и при этом действия дополнительно содержат:

определение того, что первое установление приоритетов устранения неисправностей сети не является оптимальным;

переобучение обучаемой модели машинного обучения с использованием дополнительного типа алгоритма машинного обучения, основанное на измерении ошибки обучения, связанной с установлением приоритетов устранения неисправностей сети; и

второе установление приоритетов устранения неисправностей сети для представления через пользовательский интерфейс.

13. Один или более машиночитаемых носителей по п. 7, в которых анализ данных о производительности включает в себя отслеживание геолокации пользовательского устройства в течение определенного интервала времени и анализ данных о производительности, которые связаны с геолокациями, для установления приоритетов устранения неисправностей сети.

14. Реализуемый компьютером способ, включающий:

прием, на платформе адаптера данных, выполняющейся на одном или более вычислительных узлах, данных о производительности, относящихся к пользовательскому устройству и сетевым компонентам беспроводной сети оператора, из нескольких источников данных, причем данные о производительности включают данных о производительности одного или более сетевых компонентов, данные о производительности пользовательского устройства, данные из социальных сетей, данные об аварийных сигналах, данные запросов на устранение неисправностей или данные ключевого индикатора производительности;

идентификацию, в приложении поиска и устранения неисправностей сети, выполняющемся на одном или более вычислительных узлах, по меньшей мере одной проблемы, влияющей на производительность сети в одной или более областях с низкой производительностью, причем эта проблема отрицательно влияет на данные о производительности, которая падает ниже заранее заданного порога;

анализ, с помощью приложения для поиска и устранения неисправностей сети, выполняемого на одном или более вычислительных узлах, данных о производительности с использованием обучаемой модели машинного обучения для определения прогнозируемой основной причины проблемы, влияющей на производительность сети, причем обучаемая модель машинного обучения использует несколько типов алгоритмов машинного обучения для анализа данных о производительности;

предоставление, через приложение поиска и устранения неисправностей сети, выполняемое на одном или более вычислительных узлах, по меньшей мере одной из прогнозируемых основных причин для представления через пользовательский интерфейс; и

уточнение обучаемой модели машинного обучения на основе обратной связи с пользователем, касающейся точности прогнозируемой основной причины, причем уточнение включает в себя переобучение обучаемой модели машинного обучения на основе обучающего корпуса, который модифицируют на основе по меньшей мере одной обратной связи с пользователем или одного или более правил выбора модифицированного алгоритма.

15. Реализуемый компьютером способ по п. 14, дополнительно включающий:

анализ производительности различных сот сети, чтобы сформировать список из одной или более сот, являющихся главными нарушителями правил, которые способствуют возникновению проблемы;

ранжирование одной или более сот, являющихся главными нарушителями правил, в порядке приоритета для установления приоритетов устранения неисправностей сети для проблемы для реализации решения, которое устраняет предполагаемую основную причину проблемы; и

уточнение обучаемой модели машинного обучения на основе обратной связи с пользователем относительно точности установления приоритетов устранения неисправностей сети, причем уточнение включает в себя переобучение обучаемой модели машинного обучения на основе обучающего корпуса, который модифицируют на основе по меньшей мере одной обратной связи с пользователем или одного или более правил выбора модифицированного алгоритма.