Quobis convoca a aquellas entidades especializadas en machine learning y redes neuronales, a presentar su propuesta de colaboración en el proyecto MLSIP parte del «Programa Único I+D 6G 2023»:

• Fecha límite (REAPERTURA DEL PROCESO): 8 de MARZO 2024.
• Estimación económica: 65.000 €

El objetivo general del proyecto MLSIP es optimizar el uso de la red y todas las capacidades que 5G, y 6G en un futuro, ponen a disposición de las comunicaciones unificadas para dar respuesta a una serie de casos de uso de comunicaciones en tiempo real, que precisan de una gran precisión temporal.

Para alcanzar este objetivo, MLSIP pretende implementar un módulo de conectividad para redes de comunicaciones en tiempo real 5G que, basándose en la información recibida de sesiones SIP anteriores, pueda decidir la mejor manera de enrutar el tráfico SIP a través de la red. Previamente es necesario analizar el uso de mecanismos de aprendizaje automático basados en la información obtenida de sesiones anteriores, para seleccionar las opciones más adecuadas que permitan gestionar tablas de rutas y calidad de los medios en el proxy SIP en tiempo real.

Justificación de la subcontratación

Para el desarrollo de parte de las actividades de investigación y experimentación del proyecto MLSIP, Quobis necesita apoyarse en una entidad con alta especialización y amplia experiencia en mecanismos de aprendizaje automático y redes neuronales.

Experiencia previa de la entidad en el ámbito de aplicación del proyecto

Se buscará una entidad, preferiblemente un organismo de investigación público o privado, que cuente con una sólida experiencia en la investigación y desarrollo de algoritmia de mecanismos de Machine Learning y definición de modelos basados en redes neuronales. También ha de tener capacidad investigadora, tanto en medios humanos como de equipamiento, para determinar los parámetros o métricas de calidad que resulten más adecuados para el propósito de evaluar la calidad de aplicaciones RTA en el testbed y escenarios objeto de esta propuesta.

Alcance de la subcontratación

Esta subcontratación tiene por objeto la adaptación de algoritmos de regresión lineal y sistemas de machine learning para la toma de decisiones (basada en información recibida del rendimiento y comportamiento de servicios de comunicaciones de voz IP) sobre la gestión de rutas de comunicación y la calidad de media a utilizar, en base a las experiencias previas.

Actualmente, la capacidad de monitorización de las comunicaciones proporciona una cantidad ingente de información estadística que puede ayudar a mejorar la calidad del servicio ofrecido. Por poner algún ejemplo, solo en los niveles de red y de transporte ya se obtiene información acerca de la congestión de las rutas, del retardo sufrido por los paquetes de datos y su variabilidad (jitter), de la tasa de pérdidas, así como directamente la capacidad del cuello de botella. Por otro lado, los valores que toman estos parámetros de calidad del servicio no son fijos, sino que varían extraordinariamente a lo largo del tiempo. Tradicionalmente, esta información la utilizan expertos para configurar adecuadamente los proxies SIP encargados de encaminar las sesiones multimedia. Por ejemplo, se puede elegir priorizar el tráfico a través de ciertos proveedores, seleccionar los codecs más adecuados para la codificación de los flujos multimedia, priorizar los flujos de audio frente a los flujos de vídeo, etc. En cualquier caso, estas decisiones no se pueden tomar en tiempo real, por lo que dan lugar a configuraciones quasi-estáticas o, en su defecto, a configuraciones muy específicas como respuesta a alarmas provocadas por una degradación excesiva del sistema.

El objetivo de esta tarea es automatizar esta toma de decisiones mediante mecanismos de aprendizaje automático. Con ello, se busca un doble beneficio: por un lado, hacer que el sistema funcione siempre en un punto óptimo de eficiencia, al poder variar la configuración de los equipos en tiempo real y de manera continua, en lugar de solo alternar entre varias configuraciones prefijadas de antemano; por otro, encontrar posibles relaciones entre los parámetros medidos que hayan podido pasar desapercibidas a nuestros expertos para así poder incrementar aún más las prestaciones en el caso general.

Esta tarea se plantea en dos fases:

• Considerar un modelo basado en Árboles de Decisión, donde su estructura permite razonar fácilmente acerca de las configuraciones seleccionadas. Este modelo podrá utilizarse incluso para mejorar las reglas manuales de configuración. Sin embargo, para un uso completamente automatizado, existe un riesgo elevado de sobreajustar el árbol de decisión a los parámetros de entrenamiento. Para evitarlo, se ha de considerar el uso de Bosques Aleatorios en el sistema final no supervisado.
• Mejorar la eficiencia del sistema mediante el entrenamiento paralelo una red neuronal feed-forward que proporcione unas decisiones equivalentes a las obtenidas mediante los árboles de decisión, pero necesitando menos recursos para ello.

Actividad que llevará a cabo la entidad subcontratada

La entidad subcontratada llevará a cabo la siguiente actividad descrita en el Plan de Proyecto detallado: Actividad 3.2 Adaptación de algoritmos de Machine Learning.

El objetivo de esta actividad es adaptar algoritmos de regresión lineal y sistemas de machine learning para la toma de decisiones (basada en información recibida del rendimiento y comportamiento de servicios de comunicaciones de voz IP) sobre la gestión de rutas de comunicación y la calidad de media a utilizar, en base a las experiencias previas.