為了確保良好的服務，移動網絡運營商需要測試其網絡的穩(wěn)定性和性能，但是由于涉及大量數據，因此使用手動方法幾乎不可能做到這一點，因此，運營商轉向了人工智能來解決這一挑戰(zhàn)。

隨著第五代移動通信的出現，網絡測試人員面臨著一種新情況。5G的許多方面–頻段不同，網絡運營商的不同推出計劃，物聯(lián)網，傳統(tǒng)移動通信，流量網絡等應用的廣泛性–導致高度差異化的網絡和測試數據。

以通常的匯總形式分析此數據會迅速導致結果失真和錯誤的解釋。人工智能能夠為這個難題提供一個很好的解決方案?；谒惴ǖ姆椒▋H反映特定的理論。

這些可能并不理想，但是數據本身是可靠的。諸如模式識別之類的AI方法能夠在沒有先入之見的情況下評估數據集，并發(fā)現那些對人類分析家而言仍然隱藏的關系。

大數據需要人工智能

近年來，“人工智能”一詞已經泛濫成災，通常沒有明確定義其含義，并且在能夠學習的系統(tǒng)(人工智能的特征)與僅基于人工智能的系統(tǒng)之間沒有區(qū)別。復雜的算法。

術語“機器學習”更為具體。這里的目標是從大量數據中自動得出通用規(guī)則。學習過程完成后，可以基于多維依存關系或特征做出是/否決定。

決策規(guī)則是通過在真實數據點之間近似來學習的，而不是由人類專家制定的。此方法需要非常大的數據量和密集的培訓階段。但是在應用階段，它幾乎可以自發(fā)地正確解釋新的測量數據。

有監(jiān)督和無監(jiān)督學習

機器學習大致可以分為兩種：有監(jiān)督的和無監(jiān)督的。

監(jiān)督學習的目標是找到數據與事件或預定義標簽之間的統(tǒng)計關系，以便生成未知輸入的估計值。物體識別是一種廣泛使用的應用，其中圖像中特定物體的存在和位置(例如“圖片中有/不存在貓”)是通過模式(邊緣，彩色區(qū)域)的多階段解釋來確定的等)。

為了進行培訓，該學習軟件將顯示帶有人類標簽的圖像，并計算出可以做出決定的特征。這些規(guī)則隱藏在AI系統(tǒng)的神經網絡中，而不是在算法中制定。

非可視模式識別的一個示例是確定網絡測試的呼叫穩(wěn)定性得分(CSS)。

無標簽的學習無標簽。該算法必須獨立識別模式或多維數據集合，以便從它們中得出可用的結論，例如，目的是測量新數據點與已知數據點之間的差異。無監(jiān)督學習的典型任務是異常檢測，該異常檢測無需專家的支持即可識別異常數據。