Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK

L'EVENTO

Machine learning e manutenzione predittiva: per le telco una marcia in più

Come ridurre i costi, guadagnare efficienza e recuperare valore sugli Ott: telco a confronto nell’Executive Cocktail realizzato in collaborazione con Comarch

28 Nov 2018

Patrizia Licata

giornalista

Il machine learning può essere un alleato strategico per la competitività delle aziende di telecomunicazione chiamate a gestire reti più complesse garantendo un costante innalzamento della qualità del servizio che non gravi però sui costi. Di fronte alla concorrenza degli OTT, ma anche per rispondere alle evoluzione tecnologiche come IoT e 5G, per le telco la manutenzione predittiva su apparati e applicazioni basata sul machine learning è una svolta tecnologica – anzi, un cambio di paradigma necessario. Questo il tema affrontato nel corso dell’Executive Cocktail CorCom e AI4Business su “Predictive Maintenance: ottimizzazione dei processi di assurance mediante l’utilizzo del Machine Learning” realizzato in collaborazione con Comarch. I lavori sono stati introdotti dal direttore responsabile di CorCom, Gildo Campesato, e si sono chiusi con una tavola rotonda moderata dal direttore responsabile di AI4Business, Nicoletta Boldrini, cui hanno preso parte rappresentanti di Tim, OpenFiber, Wind Tre, Clouditalia, Enel X.

Come ha osservato Francesco Vatalaro, ordinario di Telecomunicazioni, Università di Roma Tor Vergata, la manutenzione predittiva si inquadra nel più ampio scenario dell’Industria 4.0: la manutenzione predittiva, infatti, si basa su algoritmi nutriti da quantità massicce di dati (Big data) raccolte da sensori e oggetti connessi e poi analizzati. “Si tratta di una policy trend-oriented che rappresenta un’evoluzione importante rispetto alla manutenzione preventiva“, ha affermto Vatalaro, “perché non svolge solo prevenzione periodica di eventuali malfunzionamenti, bensì una vera previsione basata sui dati”.

I vantaggi sono molteplici: aumento della vita utile degli apparati, della sicurezza e della produttività, miglioramento della qualità erogata, riduzione dei ritardi nella produzione e nei servizi con incremento della customer experience. Vantaggi che toccano non solo le telco, ma per le telco in particolare la capacità di sfruttare al meglio i nuovi algoritmi di machine learning (e la successiva evoluzione del deep learning) significa recuperare competitività rispetto agli OTT, aziende native digitali che sull’intelligenza artificiale si sono già portate avanti, curando le problematiche di perdita di servizio e di qualità per guasti improvvisi e casuali che l’approccio predittivo, al contrario di quello preventivo, sa affrontare. “Per questo parliamo di cambio di paradigma e non solo di tecnologia”, ha sottolineato Vatalaro.

Quattro le use case tecnologiche di applicazione degli algoritmi di machine learning incorporati in un portafoglio di “intelligent assurance” mirato illustrate da Daria Cattelan, OSS Pre-Sales Consultant di Comarch, multinazionale IT con sede a Cracovia e un ricco portafoglio di software sviluppati in-house tra cui soluzioni di data analytics e automazione. Il primo riguarda la fase di detection, con l’ottimizzazione della root-cause analysis e attività, quali raggruppamento (clustering) e classificazione degli allarmi, che vengono completamente automatizzate. Il secondo use case si sposta sull’attività di service desk, correlando automaticamente ticket aperti e problematiche grazie al machine learning. Il terzo caso riguarda l’ottimizzazione del rilevamento delle anomalie: questo permette all’operatore di giocare d’anticipo rispetto all’allarme e agire tempestivamente. Infine, la quarta use case tocca la fase delle “raccomandazioni”: fornisce supporto all’operatore nelle decisioni, facendo leva su un database di conoscenze da cui gli algoritmi di machine learning apprendono la risposta più adeguata per ogni situazione in base alle esperienze passate.

“Le telco riceveranno grandi benefici dall’uso del machine learning nei loro processi, come configurazione di rete, self-healing in caso di guasti, o manutenzione”, ha affermato Cattelan. “Il machine learning aiuta gli operatori ad aumentare l’efficienza operativa e a ridurre i costi di reti sempre più complesse che ospitano innovazioni come IoT e 5G”. L’esperienza della multinazionale IT è che con l’automazione le telco riducono del 30% gli incidenti e del 20% i tempi di riparazione, ma, ha sottolineato Cattelan, “il fattore umano resta fondamentale: sono le persone che istruiscono e supervisionano l’AI”.

Come ha ribadito Luca Flecchia, Data driven innovation practice head di P4I, l’intelligenza artificiale è un abilitatore, ma non sostituisce l’essere umano che dà gli input al software o alla macchina. Per questo è fondamentale anche la qualità del dato, preparato con un accurato processo di data cleaning in modo che gli analytics lo rendano utilizzabile.

Per le telco i temi chiave sono la necessità di fare riferimento a casi d’uso concreti su risultati e benefici, anche in previsione di architetture multi-vendor e applicazioni molteplici sui diversi strati della rete, e far fronte alla fame di nuove competenze e ai cambiamenti a livello organizzativo e manageriale. Come emerso nella tavola rotonda cui hanno partecipato i maggiori operatori attivi in Italia, le telco hanno bisogno di ottimizzare la manutenzione per essere più efficienti, ridurre i costi e rispondere agli obblighi normativi anche in vista delle comunicazioni tra oggetti e macchine (M2M): i tempi di riparazione devono essere velocissimi o applicazioni come la telemedicina e l’auto autonoma non potranno essere sicure, ha sottolineato Ferdinando Gandolfi, Infrastructure manager, Wind Tre.

Tim si è già portata avanti sull’applicazione della predictive maintenance, sempre più strategica per ridurre i costi operativi legati alla customer experience, ha affermato Paolo Chiozza, Wholesale operations assurance, Tim; servono però anche cambiamenti nell’organizzazione aziendale e nuove competenze, dal data scientist all’esperto di processo.

Per Openfiber, operatore wholesale-only, la customer experience è riferita non al consumatore ma agli operatori clienti: l’obiettivo è fornire a tutti il massimo della qualità a costi sostenibili, ha indicato Domenico Angotti, Responsabile ingegneria di rete di Openfiber.

Fra le grandi sfide che le telco sentono di dover fronteggiare con l’avvento dell’AI è l’interazione uomo-macchina: per esempio, occorrerà capire come integrare il canale self-service con quello basato sull’operatore in carne ed ossa in modo fluido, sinergico e trasparente, ha osservato Stefano Cirilli, Head of Operations management & performance service on line, Tim.

Visibilità sullo stato dell’arte dei vendor e sui prodotti disponibili sul mercato nei diversi ambiti di applicazione è un’altra delle priorità, ha aggiunto Alessandra Martino, System Integration Manager, Enel X.

Per tutti gli operatori l’AI emerge come tecnologia strategica per la competitività: le aziende delle reti, rispetto ai player solo digitali, possiedono la fondamentale marcia in più dei dati, patrimonio da analizzare e valorizzare per l’efficienza, la sostenibilità e l’esperienza utente. Come dire: altro che dumb pipes.

@RIPRODUZIONE RISERVATA
Argomenti trattati

Approfondimenti

I
industria 4.0
M
machine learning

Articolo 1 di 5