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…
Mientras que Random Forest representa un enfoque clásico y robusto, el proyecto MLSIP también ha explorado la vanguardia del Machine Learning con la implementación de FT-Transformer (Feature Tokenizer + Transformer). Este modelo, basado en la misma arquitectura Transformer que ha revolucionado el procesamiento del lenguaje natural (impulsando modelos como ChatGPT), ha sido adaptado para trabajar…
Tras meses de diseño y desarrollo, el proyecto MLSIP ha alcanzado un hito clave: la validación comparativa de los modelos de Machine Learning. Tras un exhaustivo benchmark para evaluar qué algoritmo ofrece las mejores prestaciones para la tarea de optimización de rutas SIP, y los resultados han sido reveladores. El análisis se centró en comparar…
Dentro del arsenal de técnicas de Machine Learning, el proyecto MLSIP ha seleccionado Random Forest como uno de sus algoritmos principales para la optimización del enrutamiento SIP. Esta elección no es casual: Random Forest es conocido por su robustez, eficacia y, muy importante, su interpretabilidad, ofreciendo un equilibrio perfecto entre rendimiento y simplicidad. ¿Cómo funciona…
Las plataformas de Comunicaciones Unificadas (UC) son hoy el centro de la colaboración empresarial. Integran voz, vídeo, mensajería y compartición de pantalla en una única solución, permitiendo a los equipos trabajar de forma cohesionada sin importar su ubicación. Quobis, con su Quobis Communication Platform, es un actor clave en este mercado, y el proyecto MLSIP…
Para que el sistema MLSIP pueda tomar decisiones inteligentes, primero debe aprender. El campo del Machine Learning ofrece diversas técnicas, pero para el objetivo de predecir la calidad de una ruta SIP, el equipo de Quobis ha seleccionado el Aprendizaje Supervisado como el enfoque principal. Aprendizaje supervisado pera entrenar modelos de IA El aprendizaje supervisado…
En los servicios de emergencia, cada segundo cuenta. La capacidad de establecer una comunicaciones críticas fiables y claras puede marcar la diferencia en situaciones críticas. Los sistemas de comunicaciones de emergencia, que integran voz, datos y ubicación, dependen cada vez más del protocolo SIP, y es aquí donde el proyecto MLSIP puede aportar un valor…
La implementación del sistema MLSIP no se limita a usar un modelo de Machine Learning, sino que abarca un ciclo de vida completo que va desde la recopilación de datos hasta el despliegue y la monitorización del modelo. Este proceso, gestionado a través de una potente API RESTful, asegura que el sistema no solo sea…
Para que los algoritmos de Machine Learning de MLSIP aprendan a optimizar el tráfico, necesitan una materia prima fundamental: datos. Y no cualquier dato, sino un conjunto de datos masivo, variado y representativo que simule las complejidades de un entorno de producción real. Con este objetivo, el equipo de Quobis ha implementado un sofisticado entorno…
La telefonía empresarial ha evolucionado drásticamente. Hoy, las comunicaciones no se limitan a un teléfono fijo en la oficina; se extienden a través de softphones en portátiles, aplicaciones móviles y sistemas de videoconferencia, conectando a equipos que trabajan desde cualquier lugar. Esta flexibilidad depende de sistemas de telefonía basados en SIP, pero también expone las…