MLSIP | Limitaciones identificadas y roadmap futuro del proyecto

Con la fase de validación final llegando a su fin, el proyecto MLSIP ha demostrado ser un éxito, cumpliendo sus objetivos de crear un sistema de enrutamiento inteligente funcional y eficaz. Sin embargo, como todo proyecto de investigación e innovación, esta fase también ha servido para identificar limitaciones y trazar una clara hoja de ruta para su evolución futura hacia un producto comercial robusto.

Se han identificado dos áreas de mejora principales:

• Incorporación de datos reales de operador: La limitación más significativa es que los modelos de IA se han entrenado exclusivamente con datos simulados en el testbed. Aunque este entorno es realista, no puede capturar la complejidad y los patrones predecibles del tráfico de un operador de telecomunicaciones real. Se ha concluido que el uso de datos históricos de un operador aumentaría de manera significativa el porcentaje de éxito, ya que los patrones de telefonía reales (horarios punta, destinos frecuentes) son altamente predecibles, lo que permitiría a los modelos aprender con una precisión mucho mayor.
• Optimización de la latencia: La arquitectura actual, con el servicio MLSIP desplegado en un contenedor Python independiente, introduce una pequeña latencia en cada consulta de enrutamiento. Aunque mínima, en escenarios de altísima concurrencia podría ser un factor a considerar. Como mejora futura, se propone explorar la implementación del servicio como un módulo nativo de Kamailio desarrollado en C. Esta aproximación reduciría drásticamente los tiempos de respuesta, asegurando decisiones de enrutamiento prácticamente instantáneas y mejorando la escalabilidad global del sistema.

Estas limitaciones no restan valor a los logros del proyecto, sino que definen los siguientes pasos lógicos. La base tecnológica desarrollada en MLSIP es sólida y funcional. El camino a seguir ahora se centrará en refinar el sistema con datos del mundo real e integrarlo de forma aún más profunda en la infraestructura de red, preparando el terreno para su despliegue en entornos de producción.