Zusammenfassung
Der Kunde ist ein führender US-amerikanischer Mobilfunknetzbetreiber und eines der weltweit größten Telekommunikationsunternehmen. LTTS führte für ihn zwei Programme durch, die beide auf dasselbe Ziel abzielten: die Ersetzung menschlicher Reaktionen durch technische Vorausschau.
Im Netzwerk entwickelte LTTS ein KI-gestütztes Beratungs- und Entscheidungshilfesystem, um den Support für den Funkzugang von reaktiv auf proaktiv umzustellen: Modelle zur Erkennung von Anomalien, die auf über 20 TB an Live-, historischen, kontextbezogenen und Experten-Daten basieren und darauf ausgelegt sind, servicebeeinträchtigende Ausfälle mehr als 24 Stunden im Voraus zu erkennen. Auf der kommerziellen Seite automatisierte LTTS die Tests der Netzwerkdienste, die für jede Einführung einer Wholesale-Marke erforderlich sind, und verkürzte so die Regressionszyklen von Stunden und Tagen auf Minuten.
Lesen Sie die vollständige Fallstudie – jederzeit und überall
Fallstudie herunterladenDie Herausforderung
Ein nationales Radionetzwerk weist ständig kleinere Störungen auf, und der Betreiber erfährt davon durch seine Kunden. Das Fehlermanagement ist alarmgesteuert, und ein Alarm ist eine Quittung: Er bestätigt, dass bereits etwas ausgefallen ist. Es folgen Einsätze vor Ort. Es folgen Tickets.
Die gleiche reaktive Haltung prägte auch das Großhandelsgeschäft. Die Einführung einer neuen MVNO-Marke im Netz des Betreibers bedeutete manuelle Tests in jeder Umgebung unter Einbeziehung mehrerer Anbieterteams in der Kette. Lange Vorlaufzeiten, keine Berichte zur Serviceverfügbarkeit und Tickets zur Kundenzufriedenheit als erstes Anzeichen für eine Verschlechterung der Servicequalität.
Der Netzbetreiber wollte in beiden Bereichen dasselbe: als Erster zu erfahren,
Technische Komplexität
Beide Probleme sind aus Gründen schwierig, die in einer Demo nicht zum Vorschein kommen.
Ein Alarm ist eine Bestätigung, keine Warnung.
Auch der Alarmkanal ist verrauscht. Eine veröffentlichte Analyse eines siebentägigen Betreiberdatensatzes mit über 5,5 Millionen Alarmen ergab, dass es sich bei rund 49 % um Fehlalarme handelte, die durch Filterung vollständig entfernt wurden. Vorhersagen müssen auf der Grundlage von Leistungsdaten getroffen werden, nicht anhand des Alarmstroms.
Die schlimmsten Ausfälle lösen überhaupt keine Alarmsignale aus.
In der Branche wird dies als „schlafende Zelle“ bezeichnet. Ein erteiltes Patent definiert dies als einen Zellenausfall, der dazu führt, dass Mobilfunkdienste für Teilnehmer nicht mehr verfügbar sind, während das Netz aus Sicht des Netzbetreibers weiterhin betriebsbereit erscheint; es geht kein Alarm an die Leitstelle. Um dies zu erkennen, muss man die Verkehrsmuster analysieren und nicht nach Fehlern suchen.
Es geht fast nichts kaputt – und genau das ist das Problem.
Hier liegt ein schwerwiegendes Problem des Klassenungleichgewichts vor. Eine begutachtete Studie zu einem realen Netz eines Netzbetreibers mit rund 10.000 Basisstationen, von denen jede etwa ein Dutzend austauschbare Komponenten umfasst, ergab, dass pro Jahr nur wenige hundert defekte Komponenten ausgetauscht wurden. Es gibt keinen umfangreichen, beschrifteten Fehlerdatensatz, aus dem gelernt werden könnte, und das Netz verändert sich im Rahmen des Modells ständig.
Eine „Wholesale“-Einführung ist ein kombinatorisches Testproblem.
Jede neue Marke erfordert eine erneute Validierung von Sprach-, SMS-, MMS- und Datendiensten sowie von Richtlinien wie der Drosselung nach Ausschöpfung des Datenvolumens. Dies gilt für alle Umgebungen, Geräte und Betriebssystemversionen, wobei auch Drittanbieter in die Kette eingebunden sind und jede Schnittstelle anhand der Spezifikationen des TM Forum Open API und der GSMA geprüft wird.
Geschäftsergebnisse
Was hat sich geändert?
Stunden und Tage in Minuten
Warum es glaubwürdig ist
Gerätebasierte Servicetests und UI-Workflows werden über verschiedene Umgebungen hinweg unbeaufsichtigt ausgeführt, anstatt manuell von mehreren Anbieterteams durchgeführt zu werden.
Was hat sich geändert?
45 bis 50 % weniger Aufwand bei der Testplanung; 75 % Effizienzsteigerung
Warum es glaubwürdig ist
Ein wiederverwendbares Framework, das gemäß den Spezifikationen des TM Forum und der GSMA entwickelt wurde, sorgt dafür, dass jede neue Marke eine geprüfte Suite übernimmt, anstatt Testfälle von Grund auf neu erstellen zu müssen. Durch die Automatisierung entfallen die Wartezeiten, die einen manuellen Zyklus dominieren: Umgebungen, teamübergreifende Übergaben, manuelle Ergebniserfassung.
Was hat sich geändert?
Fehler bei der Drosselung nach Ablauf der Gültigkeit festgestellt
Warum es glaubwürdig ist
Ein Fehler im Live-Betrieb, der nicht von einem Abonnenten, sondern durch eine Testsuite entdeckt wurde.
Was hat sich geändert?
Von reaktiver zu proaktiver Erkennung
Warum es glaubwürdig ist
Durch kontinuierliche automatisierte Überprüfungen werden Lücken in der Verfügbarkeit aufgedeckt, noch bevor Kunden Supportanfragen stellen. Zuvor gab es überhaupt keine Berichte zur Serviceverfügbarkeit.
Was hat sich geändert?
Auslegungsziel: über 24 Stunden bei einem Konfidenzniveau von 95 %
Warum es glaubwürdig ist
Das System wurde auf diese Vorlaufzeit ausgelegt und aufgebaut, wodurch die Wartung nicht mehr als Warteschlange, sondern als fester Terminplan abgewickelt wird.
Was hat sich geändert?
20 TB über ein Jahr, Streaming
Warum es glaubwürdig ist
Kafka-Datenerfassung in Elastic Containers, wobei Live-Daten zusammen mit historischen Daten, Kontextinformationen und Expertenmeinungen ausgewertet werden.
Was hat sich geändert?
10 bis 15 % weniger Ausfallzeiten; 5 bis 8 % mehr Produktivität
Warum es glaubwürdig ist
Modellierte Referenzwerte aus vergleichbaren Programmen zur vorausschauenden Instandhaltung bei rotierenden und älteren Anlagen. Der Mechanismus basiert auf der Vorlaufzeit: Geplante Arbeiten sind kostengünstiger als Notfallmaßnahmen.
Erfolgsgeschichten