經過深藍、阿爾法狗等一系列鋪墊，人工智能（AI）已經成為一門顯學，甚至達到了誰都能說上兩句的程度。但是AI當下仍處于早期發展階段，實際應用相對有限，在電信網絡層面亦是如此。

作為在該領域***個吃螃蟹者，華為今年4月發布了SoftCOM AI戰略，將AI技術注入到網絡云化的架構和解決方案中，力圖打造一張“自動駕駛、永無故障”的網絡，以架構性的創新從根本上解決電信行業的結構性問題。

當前電信運營商所面臨的盈利不佳、競爭力下降等一系列挑戰的背后，是電信網絡復雜性加劇、OPEX居高不下的困局。一方面，網絡管理難度已經遠遠超過人的能力，有分析顯示70%的重大網絡故障是由誤操作等人為原因所造成；另一方面，運營商的OPEX已經是CAPEX的三倍以上，并且還在持續上升，單獨降低建網成本無助于降低總體成本。該公司的目標是在全云化網絡構架基礎上引入AI技術，打通從規劃部署、到網絡維護、到網絡運營的數字化全流程；在降低運維成本的同時提升端對端業務部署效率，使能業務快速部署，推動運營商的網絡走向全面智能化。

兩個多月時間過去了，SoftCOM AI又有了哪些新的進展？2018世界移動大會·上海（MWCS 2018）期間，華為在其主展臺上展示了SoftCOM AI的相關內容、擺出頗多干貨，特別是提煉出了不少具體的應用場景，將原本的理論、概念逐步落地，讓人直觀體驗到AI究竟如何解決電信網絡的關鍵問題。

以AI解決預測類問題

在電信網絡中有諸多預測類的問題，比如能耗預測、資源利用率預測。影響預測的因素眾多，時間、位置、天氣、人流車流等均有較強相關性；同時，這些因素又是動態變化的，難以以普通數理統計方式來解決。

有統計顯示，基站站點能耗費用（電費）占到網絡運營成本的16%之多，因此針對基站站點的節能減排是運營商的努力目標。另一方面，網絡話務量往往存在明顯的潮汐效應，忙時與閑時能達到4倍的差距，但大部分基站設備卻始終保持持續運行狀態（所有資源24小時一直開），能耗并沒有隨話務量動態調整，造成了相當大的浪費。傳統的一刀切方式嚴重依賴于定時關斷等人工設置的統一默認值，可能會影響到用戶的通話和上網體驗。

如何在節能的同時又能確保用戶體驗不下降？華為認為，這需要對每個小區進行精準的無線資源利用率預測，并根據這個預測來控制載波的關斷；同時，監控KPI/KQI的變化，根據調整策略部署后KPI/KQI的變化動態調整關斷參數。

然而，傳統的分析工具顯然對這類復雜場景下的預測無能為力，靠人力將影響預測的不確定因素與無線資源利用率關聯起來非常困難，在實踐中基本無法實施。

SoftCOM AI則通過AI訓練平臺時空計算模塊中的神經網絡算法，將各種影響因素的歷史時空特征數據和無線資源利用率之間的映射關系找出來，確定權重矩陣和偏置矩陣，從而得到無線資源利用率預測模型。在預測模型建設完成之后，就可部署到系統中，根據無線資源利用率預測結果設置關斷門限參數，計算滿足小區關斷門限的時間段，***解決了上述問題。

以AI一步找到***解

電信網絡中，尤其是無線系統，很多參數需要經過反復漫長的迭代優化才能得到***解，SoftCOM AI的出現使得“一步找到***解”成為可能。

大規模天線技術（Massive MIMO）是5G時代的核心技術之一。為充分發揮Massive MIMO的優勢，需要對Massive MIMO基站的各項參數進行靈活的適應性調整，以應對業務的變化。然而，不同地點、不同場景、不同用戶分布，天線組合的參數不一，3G時代天線一共只有十幾種種組合，很容易通過專家的經驗判斷來選擇；到了4G時代，天線的參數增加到數百種組合，已經很難憑借過去的經驗來判斷；而5G時代的幾千種參數組合更是人工經驗判斷所不能實現的。加上人工操作效率低、風險大、難以實施，Massive MIMO基站迫切需要更加智能的、可自我優化的機制。

SoftCOM AI通過引入AI來分析處理各種復雜場景特征和波束參數組合的對應關系。比如針對體育館、CBD和車站的地點、用戶數、吞吐率等情況，利用AI對海量的輸入參數和進行計算分析，得出針對各種場景的波束參數的初始優化建議，這樣就能極大縮短漫長的調試階段，直接得到某個地點某種場景下的波束的***配置參數。

在日本運營商的實際使用中，通過AI技術已實現了短短數天得到一個站點的***初始值，效率比傳統方式有了巨大提升。

以AI從海量告警迅速找到故障源

在運維領域，運營商面臨著一個普遍的問題——故障發生后會引起海量告警，生成大量重復工單和無效派單，找出根因的難度就像是海里尋針。比如一個站點PTN掉電會產生高達600多條的告警和11張工單，而真正的根因只有一個；又比如日本運營商一個月的總告警量到實際價值工單差別巨大，99.96%告警都是無效告警。

集中故障處理系統的應用是一個進步，在這樣的機制下，單網元的大量重復告警會被過濾和處理，并進行系統派單。但由于缺乏跨域關聯分析，故障發生時每個相關網元皆會輸出一張故障工單，重復工單的問題仍未解決。

如何徹底解決這個問題？基于SoftCOM AI提出的華為AI精益派單方案引入了關聯分析算法，通過頻繁項挖掘結合網絡拓撲結構圖，利用拓撲圖約束規則和告警類型約束規則，可對海量的歷史跨域告警數據進行深度過濾和學習，最終透過大量的告警找到故障根因，形成真正有效的工單。

據統計，通過AI精益派單方案，系統可過濾約30%重復工單和30%無效工單。通過根因分析，可進一步減少30%無需上站工單，極大提高運維效率。

結語：

過去十年，電信網絡經歷了All IP、ALL Cloud變革，如今正呼喚著一場智能化的革新，華為SoftCOM AI正順應了這樣的時勢。此次對應用場景提煉與厘清，標志著SoftCOM AI已經由概念階段開始落地、進入到發展的快車道，相信很快就會有實際的用例出現，而一張“自我演進、永不故障”的網絡也將不再遙不可及。

關于華為SoftCOM AI更多干貨和進展，歡迎關注“人工智能園地”微信公眾號，并期待聽到您的聲音。

歡迎光臨人工智能園地微信公眾號 [[237700]]