AI在网优工作中的三年发展与挑战

"该文档是关于AI在网优工作三年滚动规划的介绍，主要涵盖了2018年和2019年的进展以及2020年的展望。2018年和2019年的工作重点是建立机器学习算法库，形成网络优化产品，并通过AI技术推动网络优化的智能化转型。2020年的目标是进一步推广AI在网优中的应用。文档还提到了AI技术在实际应用中面临的一些困难，如有效数据不足、算法选择困难、数据标签化的问题等。" 在AI应用于网络优化（网优）工作的三年滚动规划中，2018年和2019年是关键的起步阶段。首先，公司选取了回归、分类、聚类、关联和神经网络等十种经典机器学习算法，逐步建立自己的算法库，旨在通过不断挖掘和拓展，构建具有企业特色的智能能力库。这一过程中，研究工作不仅局限于算法库的建设，还与具体业务相结合，比如天馈优化、精准扩容和多层网参数配置等专题研究，旨在将研究成果转化为网络优化产品。 2019年，AI技术开始在成熟的网优业务中得到全网落地推广。依托人工智能，研发基于AI的核心网优产品，推动网络优化技术向智能化的深度转型。这标志着AI技术在网优领域的应用逐渐从理论研究转向实践应用。 然而，2020年及以后的推广工作并非一帆风顺。根据总部网络部的报告，自动优化算法工具虽然已经在大部分省份推广应用，但仍存在普及率不高的问题，尤其是在核心城区的覆盖率不足。此外，由于缺乏有效的数据源、数据格式多样性和依赖人工经验的传统优化方式，工具的使用并未达到预期效果。同时，机器学习在网优和网规中的应用也遇到了挑战，如数据量虽大但有效样本不足，数据格式差异大导致处理复杂，以及算法选择的困扰。 数据问题成为阻碍AI技术落地的关键因素。例如，天馈自动优化试点中，有效经纬度数据比例低，郊区和偏远地区的数据获取困难。在高干扰分析中，仍需依赖具备业务经验的人工进行定制化标签定义。另一方面，机器学习算法的多样化带来了选型难题，每种算法都有特定的适用场景和个性化参数设置，需要专业知识进行匹配和调优。 面对这些困难，解决方案可能包括提升数据质量和可用性，建立统一的数据标签标准，降低数据获取难度，以及优化算法选择流程，确保模型的泛化能力和适应性。通过对比其他行业，可以借鉴其标准化评价标准来降低标签化难度，同时寻求提高数据的可用周期，以增强模型的长期有效性。 总结来说，AI应用于网优工作的三年规划展示了技术发展的路线，但也揭示了实际应用中亟待解决的数据、算法选择和业务集成等问题。未来的努力方向应集中在解决这些难题，以充分发挥AI在提升网络性能和优化效率上的潜力。