為了確保良好的服務(wù)，移動網(wǎng)絡(luò)運營商需要測試其網(wǎng)絡(luò)的穩(wěn)定性和性能，但是由于涉及大量數(shù)據(jù)，因此使用手動方法幾乎不可能做到這一點，因此，運營商轉(zhuǎn)向了人工智能來解決這一挑戰(zhàn)。

隨著第五代移動通信的出現(xiàn)，網(wǎng)絡(luò)測試人員面臨著一種新情況。5G的許多方面–頻段不同，網(wǎng)絡(luò)運營商的不同推出計劃，物聯(lián)網(wǎng)，傳統(tǒng)移動通信，流量網(wǎng)絡(luò)等應(yīng)用的廣泛性–導(dǎo)致高度差異化的網(wǎng)絡(luò)和測試數(shù)據(jù)。

以通常的匯總形式分析此數(shù)據(jù)會迅速導(dǎo)致結(jié)果失真和錯誤的解釋。人工智能能夠為這個難題提供一個很好的解決方案?；谒惴ǖ姆椒▋H反映特定的理論。

這些可能并不理想，但是數(shù)據(jù)本身是可靠的。諸如模式識別之類的AI方法能夠在沒有先入之見的情況下評估數(shù)據(jù)集，并發(fā)現(xiàn)那些對人類分析家而言仍然隱藏的關(guān)系。

大數(shù)據(jù)需要人工智能

近年來，“人工智能”一詞已經(jīng)泛濫成災(zāi)，通常沒有明確定義其含義，并且在能夠?qū)W習(xí)的系統(tǒng)(人工智能的特征)與僅基于人工智能的系統(tǒng)之間沒有區(qū)別。復(fù)雜的算法。

術(shù)語“機器學(xué)習(xí)”更為具體。這里的目標是從大量數(shù)據(jù)中自動得出通用規(guī)則。學(xué)習(xí)過程完成后，可以基于多維依存關(guān)系或特征做出是/否決定。

決策規(guī)則是通過在真實數(shù)據(jù)點之間近似來學(xué)習(xí)的，而不是由人類專家制定的。此方法需要非常大的數(shù)據(jù)量和密集的培訓(xùn)階段。但是在應(yīng)用階段，它幾乎可以自發(fā)地正確解釋新的測量數(shù)據(jù)。

有監(jiān)督和無監(jiān)督學(xué)習(xí)

機器學(xué)習(xí)大致可以分為兩種：有監(jiān)督的和無監(jiān)督的。

監(jiān)督學(xué)習(xí)的目標是找到數(shù)據(jù)與事件或預(yù)定義標簽之間的統(tǒng)計關(guān)系，以便生成未知輸入的估計值。物體識別是一種廣泛使用的應(yīng)用，其中圖像中特定物體的存在和位置(例如“圖片中有/不存在貓”)是通過模式(邊緣，彩色區(qū)域)的多階段解釋來確定的等)。

為了進行培訓(xùn)，該學(xué)習(xí)軟件將顯示帶有人類標簽的圖像，并計算出可以做出決定的特征。這些規(guī)則隱藏在AI系統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，而不是在算法中制定。

非可視模式識別的一個示例是確定網(wǎng)絡(luò)測試的呼叫穩(wěn)定性得分(CSS)。

無標簽的學(xué)習(xí)無標簽。該算法必須獨立識別模式或多維數(shù)據(jù)集合，以便從它們中得出可用的結(jié)論，例如，目的是測量新數(shù)據(jù)點與已知數(shù)據(jù)點之間的差異。無監(jiān)督學(xué)習(xí)的典型任務(wù)是異常檢測，該異常檢測無需專家的支持即可識別異常數(shù)據(jù)。