Aprendizaje automático aplicado al dominio de las redes ópticas.

Abstract

En el marco de nuestro proyecto de grado, nos propusimos abordar y resolver distintos desafíos asociados a las redes ópticas, específicamente en el ámbito de las telecomunicaciones, utilizando técnicas de ciencia de datos y aprendizaje automático. Nos enfocamos en dos casos de estudio: uno en colaboración con Antel, para desarrollar un flujo de datos completo para el manejo de la informaci ón de su red, y otro utilizando un conjunto de datos proporcionado por Fraunhofer HHI para estimar la calidad de transmisión (QoT) en redes ópticas. En la primera etapa, nuestro objetivo principal fue el desarrollo de un modelo de datos y la creación de un pipeline de datos para Antel, que nos permitiera consumir información de diversas fuentes, transformarla y almacenarla de manera eficiente. Diseñamos un sistema para tratar tanto con datos estáticos provenientes de fuentes preexistentes (como archivos CSV y bases de datos de Antel) como con datos dinámicos que planeábamos obtener a través de interfaces modernas como APIs y sistemas de transmisión de datos en tiempo real (por ejemplo, Kafka). Logramos establecer un marco inicial para el procesamiento y análisis de datos, incluyendo herramientas para la visualización que facilitaron comprender la distribución de la red óptica de Antel y su operativa. La segunda etapa se centró en aplicar y evaluar modelos de aprendizaje automático que pudieran predecir la calidad de transmisión en redes ópticas, usando un amplio conjunto de datos proporcionado por Fraunhofer HHI. Inicialmente, realizamos un análisis exploratorio para comprender la estructura del conjunto de datos y las interrelaciones entre las diversas características. Luego, implementamos modelos variados, desde métodos de boosting hasta redes neuronales más complejas, explorando su rendimiento tanto en problemas de clasificación como de regresión. Observamos que con una adecuada selección de características, era posible lograr modelos con alta precisión, incluso superando, en ciertos aspectos, los resultados de estudios previos realizados por Fraunhofer HHI. El trabajo también nos proporcionó oportunidades para explorar técnicas avanzadas de optimización de hiperparámetros utilizando herramientas especializadas y para explorar herramientas para estudiar la interpretación de los modelos, lo que nos permitió identificar de manera clara las características más relevantes para la predicción de la QoT. En conclusión, este proyecto ha dado lugar a una comprensión más profunda y una sólida implementación práctica en el manejo de redes ópticas y el aprovechamiento del aprendizaje automático para la estimación de parámetros críticos como la QoT. Sin embargo, queda espacio para mejorar, particularmente en la integración de datos en tiempo real y la aplicación de métodos estadísticos que puedan sacar provecho de todos los aspectos presentes en una red de estas características. A futuro, estos enfoques pueden extenderse para enriquecer la capacidad de predicción y respuesta adaptativa a condiciones cambiantes en tiempo real, lo que beneficiaría ampliamente a la toma de decisiones en la gestión de redes de fibra óptica.