Dienstleistungen

Telekommunikationsnetze mit ML: Störungen vorhersagen, Ausbau planen

Ein Netzknoten fällt selten ohne Vorwarnung aus: Fehlerraten steigen, Alarme häufen sich, Tickets zu derselben Region gehen ein. Netz- und Betriebsverantwortliche bei Telekommunikationsanbietern und Netzbetreibern erfahren an einem Tag, wie Machine Learning solche Signale auswertet, Störungen ankündigt und die Ursachensuche verkürzt. Der zweite Schwerpunkt liegt auf Auslastungsprognosen, mit denen sich Netzausbau und Investitionen begründen lassen. Zwei Übungen mit Netzdaten und eine Fallstudie verbinden die Methoden mit der Einführung in OSS/NMS.

Für wen

Verantwortliche für Netz und Betrieb bei Telekommunikationsanbietern und Netzbetreibern, die Verfügbarkeit und Kapazität ihrer Netze mit KI-Unterstützung steuern wollen.

KI-Tagesseminar · 1 Tag

Ausfälle früher erkennen und Netzkapazität auf Basis von Prognosen erweitern

Das nehmen Sie mit

  • Alarme, KPIs und Störungstickets bewerten Sie danach, was sie zu einer Störungsprognose beitragen.
  • Anomalien in Netzdaten haben Sie selbst aufgespürt und eingeordnet, einschließlich der Frage nach der auslösenden Ursache.
  • Aus einer Auslastungsprognose leiten Sie einen begründeten Ausbaubedarf für ein Netzsegment ab.
  • Für die Anbindung an OSS/NMS und die Einbindung der Betriebsteams liegt ein erster eigener Fahrplan vor.

Ablauf

  1. Teil 1

    Modul 1 – Datenlage: Was Alarme, KPIs und Tickets über den Netzzustand verraten

    • Netzalarme, KPIs wie Paketverlust oder Latenz und Störungstickets als gemeinsame Datenbasis
    • Wo Machine Learning ansetzt, damit Knoten oder Strecken gar nicht erst ausfallen
    • Was Prognosemodelle im Netzbetrieb leisten und wo ihnen Historie oder Datenqualität Grenzen setzen
    • Vorführung: Der bevorstehende Ausfall eines Netzelements wird gemeldet, bevor Kunden ihn bemerken
    • Bestandsaufnahme: in welchen Netzsegmenten sich bei Ihnen Engpässe abzeichnen
  2. Teil 2

    Modul 2 – Störungsprognose: Anomalien finden, Ursachen eingrenzen

    • Anomalieerkennung in Zeitreihen von Auslastung, Fehlerraten und Alarmaufkommen
    • Ausfallerkennung: aus wiederkehrenden Vorzeichen auf absehbares Versagen von Komponenten schließen
    • Root-Cause-Analyse: bei Folgealarmen die auslösende Störung eingrenzen helfen
    • Übung: Einen Auszug aus Netz-Messdaten nach Auffälligkeiten durchsuchen und die Befunde bewerten
    • Vom Reagieren auf Meldungen zum vorausschauenden Netzbetrieb: was sich an Abläufen ändert
  3. Teil 3

    Modul 3 – Kapazitätsplanung: Auslastung und Wachstum prognostizieren

    • Prognosen der Auslastung je Standort und Strecke, Fortschreibung des Verkehrswachstums
    • Netzausbau auf Prognosedaten stützen statt auf Faustregeln und Erfahrungswerte
    • Dienstqualität halten: Auslastungsschwellen festlegen, ab denen nachgerüstet wird
    • Übung: Aus einer Verkehrsprognose den Ausbaubedarf eines Netzsegments herleiten
    • Investitionsentscheidungen mit prognostizierten Engpässen belegen
  4. Teil 4

    Modul 4 – Integration: Modelle in OSS/NMS und Betriebsabläufe einbinden

    • Anbindung an OSS/NMS: woher die Modelle ihre Daten beziehen und wohin Warnungen fließen
    • Automatisierung: welche Reaktionen das System selbst auslöst und welche der Betrieb freigibt
    • Modelle dauerhaft betreiben: Überwachung der Prognosegüte und klare Zuständigkeiten
  5. Teil 5

    Modul 5 – Transfer: Fallstudie, Betriebsteams und eigener Fahrplan

    • Fallstudie: Wie ein Netzbetreiber Störungsprognose und Kapazitätsplanung mit KI eingeführt hat
    • Netzbetrieb und Planung früh beteiligen, Vorbehalte gegenüber Modellwarnungen aufgreifen
    • Eigenen Fahrplan zum datengestützten Netzbetrieb skizzieren: Datenquellen, Pilotsegment, erste Prognose

VoraussetzungenSie bringen ein Grundverständnis von Netzbetrieb oder IT-Betrieb mit.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen