Американский оператор связи, специализирующийся на продаже международных дешевых международных звонков в какой то момент обнаружил проблему оттока клиентов. Был проведен анализ истории звонков и выборочный опрос клиентов. Оказалось, что клиенты стали уходить из-за того, что участились случаи, когда клиент не мог дозвониться с первого или второго раза, что привело к их уходу к более дорогому, но в то же время, более надежному оператору.
РешениеКоманда специалистов в области программирования и телекоммуникации выявила причину нестабильного качества связи. Дело в том, что для инициации соединения сервером Asteisk проводился выбор канала связи, как правило, из 4-7 каналов по принципу перебора от самого дешевого, к более дорогому. Дешевые каналы не означает плохие, но их качество стало нестабильным и время от времени они оказывались недоступными, давали много шумов или обрыв связи.
Сначала специалисты оператора попытались изменить алгоритмы выбора канала связи, но оказалось, что классические алгоритмы не могут предсказать поведение канала связи, а выбор по умолчанию более стабильного, но более дорогого канала приводит к неприемлемому значению доходности оператора.
Решением оказалось применение open source нейросети TensorFlow для предсказания поведения канала связи.
Техническое решениеДля подготовки модели данных были подняты исторические данные за последние два года, которые хранились в виде параметров звонков, таких как:
- дозвон -не дозвон
- уровень шума
- длительность разговора
- признак прерывания звонка
и другие, всего около 30 параметров. Нейросеть обучали на простом офисном компьютере с одной графической картой среднего класса. Графическую карту пришлось применить т.к. расчеты на процессоре распараллеливались не более чем на 4 потока. Выигрыш по времени был в десятки раз, и работающую схему мы получили уже через месяц экспериментов. Еще месяц ушел на контроль решений нейросети и адаптацию ее решений к системе команд Asterisk.
ВлияниеВ результате обучения удалось достигнуть результатов прогнозирования качества канала связи в 83% с глубиной прогнозирования 5 минут, и с 61% с глубиной прогнозирования 30 минут. Команда на этом не остановилась, и включила алгоритм дообучения. В течение полугода удалось повысить точность прогноза до 93% с глубиной прогнозирования в 5 минут, и 67% с глубиной прогнозирования 1 час, что позволило практически исключить применение канала связи с текущим плохим состоянием.
Источник: это наш проект. Хотите сделать так-же?
Связывайтесь с нами.