無(wú)線(xiàn)網(wǎng)絡(luò)優(yōu)化是一項(xiàng)長(zhǎng)期且復(fù)雜的工作，還面臨著網(wǎng)絡(luò)規(guī)模持續(xù)擴(kuò)大、多頻組網(wǎng)協(xié)同優(yōu)化難度增加、多網(wǎng)元專(zhuān)業(yè)知識(shí)要求高等挑戰(zhàn)。針對(duì)這一痛點(diǎn)問(wèn)題，中信科移動(dòng)持續(xù)進(jìn)行無(wú)線(xiàn)質(zhì)差自智化創(chuàng)新實(shí)踐，HiNet CRCA（Cell Root Cause Analysis）無(wú)線(xiàn)質(zhì)差小區(qū)根因分析系統(tǒng)引入質(zhì)差優(yōu)化專(zhuān)家智能體，結(jié)合專(zhuān)業(yè)知識(shí)與AI技術(shù)，可高效輸出優(yōu)化方案。通過(guò)知識(shí)圖譜與AI學(xué)習(xí)，系統(tǒng)不斷優(yōu)化分析模型，確保方案有效可靠，為用戶(hù)提供穩(wěn)定、優(yōu)質(zhì)的業(yè)務(wù)體驗(yàn)。
圖 質(zhì)差根因分析流程
專(zhuān)家知識(shí)圖譜+質(zhì)差優(yōu)化專(zhuān)家智能體應(yīng)用
該系統(tǒng)融合了專(zhuān)家經(jīng)驗(yàn)初始化的知識(shí)圖譜，憑借其在表達(dá)、推理、擴(kuò)展、跨領(lǐng)域融合及智能化上的卓越性能，確保了根因分析圖譜的可靠性和高效性。同時(shí)，系統(tǒng)融合了大模型的前沿技術(shù)，實(shí)現(xiàn)了基于大模型識(shí)別網(wǎng)絡(luò)優(yōu)化運(yùn)維意圖，主驅(qū)動(dòng)優(yōu)化任務(wù)的策略規(guī)劃與持續(xù)學(xué)習(xí)，靈活調(diào)度各類(lèi)優(yōu)化Agent應(yīng)用于質(zhì)差判定、根因定位和優(yōu)化方案輸出，成功應(yīng)對(duì)復(fù)雜根因分析，輸出專(zhuān)業(yè)且針對(duì)性的優(yōu)化建議，顯著提升分析效率與方案質(zhì)量，為無(wú)線(xiàn)優(yōu)化運(yùn)維工作的智能化轉(zhuǎn)型與效率升級(jí)開(kāi)辟了新路徑。
機(jī)器學(xué)習(xí)算法XGBoost AI算法修正應(yīng)用
機(jī)器學(xué)習(xí)XGBoost AI算法擁有高效、準(zhǔn)確、靈活等優(yōu)勢(shì)，可將專(zhuān)家經(jīng)驗(yàn)初始化模型的知識(shí)圖譜與XGBoost AI算法融合，降低對(duì)已有人工經(jīng)驗(yàn)的依賴(lài)，無(wú)線(xiàn)質(zhì)差根因分析系統(tǒng)實(shí)現(xiàn)質(zhì)差問(wèn)題自學(xué)習(xí)自?xún)?yōu)化的目標(biāo)，同時(shí)確保了根因識(shí)別率和判定準(zhǔn)確率的穩(wěn)步提升。
經(jīng)過(guò)多地系統(tǒng)化的聯(lián)合驗(yàn)證，質(zhì)差根因分析系統(tǒng)定位準(zhǔn)確率和質(zhì)差分析效率均有大幅提升。未來(lái)，隨著業(yè)界對(duì)自智網(wǎng)絡(luò)的投入和研究持續(xù)加速，中信科移動(dòng)將持續(xù)推動(dòng)其發(fā)展進(jìn)程，并致力于將AI大模型與無(wú)線(xiàn)知識(shí)圖譜技術(shù)深度融合，不斷提升系統(tǒng)根因定位的精確度，著力增強(qiáng)解決方案的實(shí)際效能，引領(lǐng)網(wǎng)絡(luò)優(yōu)化向更高水平的自智化邁進(jìn)。
