Cinco coisas que você deveria saber sobre aprendizado de máquina
Enviado em 14.05.2021

Cinco coisas que você deveria saber sobre aprendizado de máquina

A maturidade das soluções de aprendizado de máquina (ML – machine learning) tem crescido furtivamente nos últimos anos. Podemos ver o ML permeando […]

A maturidade das soluções de aprendizado de máquina (ML – machine learning) tem crescido furtivamente nos últimos anos. Podemos ver o ML permeando silenciosamente muitos domínios em nossas vidas – ajuda nosso software de navegação GPS a encontrar o melhor caminho pela cidade, ajuda a detectar e mitigar ataques cibernéticos e fraudes de cartões de crédito online, sugere a próxima grande série de streaming para assistir.

Onde se encontra a força do aprendizado de máquina?

A computação tradicional requer que um computador seja programado por um ser humano com um algoritmo (um conjunto de regras, uma receita) a fim de resolver um problema. No entanto, muitos problemas são demasiado complexos para serem bem descritos por linhas de código – é aqui que o ML se destaca.

O ML é a capacidade de um computador aprender a resolver um problema sem ter sido programado para isso. Durante o processo de aprendizagem, os mecanismos de ML derivam modelos a partir de “dados de aprendizado”. Depois que a fase de aprendizagem é terminada, esses modelos são aplicados a novos dados. Com o mecanismo e a metodologia de treinamento adequados, o ML oferece soluções para problemas como classificação, regressão (previsão), descoberta de padrões ou classificação.

O planejamento, a implementação e a operação de redes de transporte de telecomunicações são áreas onde estes tipos de problemas são complexos de resolver, com sistemas baseados em regras apresentando limitações. Quais são as principais coisas que se deve saber sobre o ML, no que se refere às redes de transporte?

Cinco coisas que você deveria saber:

  1. É tudo uma questão de dados!

Um sistema de ML eficaz requer grandes quantidades de dados, repetições de eventos semelhantes para que o sistema possa aprender com eles. Até alguns anos atrás, era difícil encontrar volumes tão grandes de dados sobre um determinado assunto.

Os recentes avanços tecnológicos têm contribuído para a ubiquidade dos dados, sendo o mais relevante em nosso escopo a disponibilidade de dados de sensores de todos os tipos de hardware, incluindo dispositivos de rede.

Atualmente, roteadores, switches, ROADMs, amplificadores e transponders monitoram continuamente conjuntos ricos de dados, empurrando-os por meio de telemetria de fluxo em direção a lagos ou repositórios de dados. Como por exemplo, o mecanismo óptico mais recente da Infinera, o ICE6, monitora centenas de parâmetros que podem ser expostos a aplicativos através de streaming ou interfaces de usuário.

  1. e sobre o poder da computação

Juntamente com grandes conjuntos de dados, vem uma grande escala computacional. Os processos de aprendizagem requerem um poder de processamento grande o suficiente para tirar proveito do “big data” em num períodos de tempo razoáveis. A evolução dos processadores, incluindo hardware optimizado para “tarefas inteligentes”, e a virtualização dos processadores e técnicas de computação em nuvem tornaram a capacidade de computação mais barata e mais acessível do que nunca.

  1. O ML tem muito a oferecer às redes de telecomunicações

Nos últimos anos, os fornecedores de telecomunicações têm trabalhado com operadoras na aplicação de ML a problemas de rede. Os exemplos seguintes destacam o seu enorme potencial:

  • A previsão de falha de rede e a manutenção preventiva envolvem a previsão de problemas de rede com base em padrões aprendidos com os dados históricos da rede e a sua resolução antes de ocorrerem. Esta abordagem fornecerá disponibilidade de rede adicional, ajudará as operadoras a cumprir os SLAs, e melhorará a experiência do cliente.
  • A análise da causa principal e a solução de problemas usam um algoritmo de ML treinado com uma grande variedade de instantâneos de falhas de rede para classificar eventos de acordo com a causa principal subjacente, acelerando a sua resolução e reduzindo o tempo de inatividade.
  • A recomendação de aumento da rede, onde um algoritmo de ML treinado com grandes conjuntos de dados de rede para descobrir tendências de tráfego e ocupação, prevê o crescimento do tráfego, sugerindo atualizações de capacidade antes do tempo, permitindo uma melhor adequação do tempo de despesas às receitas de serviços.
  • Problemas de roteamento, onde um mecanismo de ML fornece previsões de padrões de tráfego e evolução para um mecanismo de computação de caminhos, permitindo o equilíbrio dinâmico dos pedidos de largura de banda e carga de rede. Este tipo de automatização resulta na maximização do retorno do investimento.
  • A avaliação rápida e precisa do desempenho óptico para caminhos arbitrários em redes ópticas abertas oferece os meios para maximizar a capacidade de transmissão, assegurando ao mesmo tempo o desempenho óptico requerido – outra forma de reduzir custos e maximizar o investimento.
  • Os elementos de rede com eficiência energética utilizam o ML para monitorar a utilização de recursos e determinar quando desligar o hardware com base nos dados históricos da rede.
  1. O ML não irá resolver “por magia” todos os problemas

No entanto, é fundamental definir as expectativas corretas. As soluções de ML não são produtos “de prateleira” a serem instalados e executados sem outras considerações.

  • O ML requer a preparação dos dados: garantindo a qualidade dos dados coletados, limpando-os de informações que possam distorcer o resultado, convertendo-os em um formato adequado para a modelagem, certificando-se de que as amostras de formação treino e teste vêm da mesma distribuição.
  • Em seguida, diferentes modelos precisam ser testados e o melhor deles selecionado.
  • As etapas para a produção da solução, tais como a integração em um ambiente de software e no processo empresarial, também merecem ser cuidadosamente consideradas.

Outros aspectos a ter em mente ao adotar o ML são que estes sistemas não são determinísticos, mas sim probabilísticos, e que as decisões de ML nem sempre podem ser descritas em termos de parâmetros físicos simples. Estes exigirão que fornecedores e operadores, cientistas de dados e especialistas em rede, trabalhem em conjunto na construção da confiança no ML, começando pelos aplicativos de baixo risco e evoluindo para sistemas de detecção e resolução totalmente automatizados.

  1. O aprendizado de máquina já está hoje beneficiando as operadoras de rede

O uso crescente de ML em vários setores está contribuindo para o aumento da demanda por largura de banda. As implantações típicas de ML integram um conjunto de sensores distribuídos, mas, devido a restrições de computação local, dependem de um armazenamento e processamento central de dados massivo, colocando novas cargas na conectividade de rede.

Não é interessante que as mesmas técnicas na origem das novas demandas de largura de banda sejam em breve utilizadas pelas operadoras para melhorar a entrega dessa mesma capacidade de rede?

A quantidade, o alcance e a qualidade dos dados disponíveis em uma rede moderna, e a capacidade de transmiti-los, armazená-los e processá-los, são fortes facilitadores para o uso de técnicas de ML. Ao garantir que as expectativas certas sejam definidas e as melhores práticas sejam seguidas, o futuro é brilhante para a aplicação do ML às redes de transporte.

Andres Madero – Diretor de Desenvolvimento de Arquitetura para Fornecedor de Serviços e de Desenvolvimento de Negócios da América Latina na Infinera.

Comentários