Search Menu

Cómo Telefónica usa la inteligencia artificial y el machine learning para conectar a los no conectados

Telefónica utiliza la ciencia de los datos para identificar y localizar de manera sistemática a los no conectados, incluyéndoles en sus redes y operaciones para llevar, de forma sostenible, conectividad a la mayor parte de América Latina.

Tiempo de lectura: 4 min

Patrick Lopez
Responsable de Innovación en Redes en Telefónica I + D

  

Suscríbete al blog de Telefónica y entérate antes que nadie.





 

Telefónica utiliza la ciencia de los datos para identificar y localizar de manera sistemática a los no conectados, incluyéndoles en sus redes y operaciones para llevar, de forma sostenible, conectividad a la mayor parte de América Latina.

El proyecto Internet para Todos es el buque insignia de Telefónica para conectar a los no conectados en LATAM. Hoy son más de 100 millones de personas las que viven sin contar con una conexión a Internet segura en el área de Telefónica. Las razones son múltiples, abarcando desde la geografía, la densidad de población y las condiciones socioeconómicas.

Históricamente, las redes fijas y móviles han sido diseñadas para alcanzar la máxima eficiencia en entornos urbanos densos. La implementación de estas tecnologías en áreas rurales remotas y de baja densidad es posible pero ineficiente, lo que desafía la sostenibilidad financiera del modelo.

Para ofrecer Internet en estos entornos de forma sostenible es necesario aumentar la eficiencia mediante la reducción sistemática de los costes, la optimización de la inversión y las implementaciones específicas.

La optimización sistemática requiere una medición continua de los conjuntos de datos financieros, operativos, tecnológicos y organizacionales.

1. Encontrar lo desconectado

El primer desafío al que tuvo que enfrentarse el equipo fue comprender cuántos no están conectados y dónde. El conjunto de datos era escaso e incompleto, el censo era antiguo y la población tenía mucha movilidad. En este caso, el equipo utilizó imágenes satelitales de alta definición a escala del país, además de modelos de redes neuronales, junto con datos del censo como la capacitación.

Implementando algoritmos visuales de aprendizaje automático, el modelo literalmente contó cada casa y cada asentamiento en la escala del país. Luego, se enriqueció con datos de cobertura cruzada de referencia de la fuente reguladora, así como con el conjunto de datos propiedad de Telefónica que consistía en sesiones de datos geolocalizados y mapas de implementación.

El resultado es un modelo con una representación visual, que proporciona un mapa de la dispersión de la población, con polígonos de cobertura superpuestos, que permite contar y localizar las poblaciones desconectadas con buena precisión (95% de la población con menos del 3% de falsos positivos y menos de 240 metros de desviación en la ubicación de las antenas).

2. Optimizar el transporte

Las redes de transporte constituyen la parte más cara de la implementación de la conectividad en áreas remotas. La optimización de la ruta de transporte tiene un gran impacto en la sostenibilidad de una red. Esta es la razón por la cual el equipo seleccionó esta tarea como el próximo desafío a enfrentar.

El equipo comenzó agregando datos de carreteras e infraestructura al modelo de fuentes públicas y utilizó la generación de gráficos para agrupar los asentamientos de población. El análisis de gráficos (ruta más corta, árbol Steiner) proporcionó rutas de transporte optimizadas para la densidad de población.

3. IA para optimizar las operaciones de red

Conectar zonas muy remotas, optimizar operaciones y minimizar el mantenimiento y la actualización son clave para un modelo operativo sostenible. Esta línea de trabajo es probablemente la más ambiciosa para el equipo. Y es que, cuando puede suponer 3 horas de avión y 4 días en barco llegar a algunas ubicaciones, ser capaz de estar seguro de que se puede detectar, o mejor dicho, predecir si se necesita o cuándo se necesita realizar el mantenimiento en su infraestructura es clave.

Igual de importante es cómo diseñar sus rutas para que sea lo más eficiente posible. En este caso, el equipo construyó una red neuronal entrenada con análisis histórico de fallas y alimentada con métricas de red para proporcionar un modelo capaz de supervisar el estado de la red de manera automatizada, con predicción de posibles fallas y una ruta de mantenimiento optimizada.

Creo que el tipo de enfoque basado en datos para la resolución de problemas complejos demostrado en este proyecto es la clave para la sostenibilidad de los operadores de red en el futuro. No solo es un problema rural, y es necesario aumentar la eficiencia y optimizar el despliegue y las operaciones para seguir reduciendo los costes.

> Originalmente publicado en el Blog Think Big:  https://blogthinkbig.com/internet-para-todos


Medios de comunicación

Contacta con nuestro departamento de comunicación o solicita material adicional.

Celebra con nosotros el Centenario de Telefónica
EMPIEZA LA AVENTURA
Exit mobile version