El “PINV 15-257: Monitoreo de dispositivos móviles y descarga de datos en redes colaborativas MOSAICPy”, es un proyecto de investigación institucional, cuyo objetivo general es el: “Diseño de estrategias de evaluación de la calidad de la experiencia y de la calidad de servicios”.
En cuanto a los resultados esperados, se pueden mencionar:
1. Diseño e implementación de la plataforma de recolección y monitoreo de parámetros del sistema.
2. Diseño de un modelo de predicción de Calidad de la Experiencia (QoE)
3. Experimentación y prueba de las soluciones propuestas.
4. El aumento y fortalecimiento del intercambio científico y académico, sinergia y experiencia para futuras investigaciones.
5. Presentar un número de publicaciones científicas y trabajos técnicos basados en las conclusiones del proyecto y construir conocimiento e interacciones entre los socios para participar en futuros proyectos más ambiciosos.
6. Transferencia de Conocimiento a través de talleres y cursos.
Son miembros del equipo de investigación de este proyecto:
Prof. Dr. Carlos Nuñez, investigador principal.
Prof. MSc. María Elena García y el Prof. Dr. Diego Pinto, investigadores asociados locales.
Prof. Dr. Miguel García, de la Universidad Pablo de Olavide de Sevilla, España; investigador asociado internacional.
Los investigadores en formación: Ing. Brenda Quiñonez, Ing. Gabriela Vázquez e Ing. Mauricio Allegretti, y
Los estudiantes Guillermo Osorio y Jorge Mezquita.
Los investigadores en formación: Ing. Brenda Quiñonez, Ing. Gabriela Vázquez e Ing. Mauricio Allegretti, y
Los estudiantes Guillermo Osorio y Jorge Mezquita.
Es Gerente del Proyecto, el Prof. Dr. Diego Pinto.
Acceder a curriculum:
https://cv.conacyt.gov.py/publicar/cv?id=e9f42c6b146930735489d101457338a4
Acerca de lo que se realizó con este proyecto, el Prof. Pinto, explicó que se desarrolló un sistema que pueda monitorear el estado de un sistema de comunicación y la percepción de los usuarios:
Acceder a curriculum:
https://cv.conacyt.gov.py/publicar/cv?id=e9f42c6b146930735489d101457338a4
Acerca de lo que se realizó con este proyecto, el Prof. Pinto, explicó que se desarrolló un sistema que pueda monitorear el estado de un sistema de comunicación y la percepción de los usuarios:
“Cuando las personas acceden a un servicio como Youtube, Whatsapp o navega, existe una percepción desde el punto de vista del usuario y, esa percepción, está en función de varios factores: el estado de la red, el estado del smartphone y también del estado de ánimo de las personas. También, está en función de la expectativa de la persona, que depende mucho de la edad, de su interacción con la tecnología. No es lo mismo un niño que una persona adulta; entonces, existen factores cuantitativos y existen factores cualitativos, en general”.
 |
| De izquierda a derecha: Dr. Miguel García, investigador asociado internacional y el Dr. Carlos Nuñez, investigador principal. |
Sobre la pregunta fundamental que se hicieron: ¿Cómo se logra determinar, en un momento dado, si una aplicación utilizada por una persona está bien percibida por ella, sin ir a preguntarle: “¿qué te parece…? O hacer una llamada por WhatsApp que da una escala de 5 estrellas…
El tema es
que, nosotros, queremos determinar cómo es la experiencia de uso de las aplicaciones que necesitan datos
transportados a través del sistema de comunicación; queremos
entender la percepción de muchas personas, simultáneamente en muchos momentos,
sin que ello implique realizar una encuesta o consulta con los usuarios
continuamente.
Entonces, la
idea es crear un modelo matemático de tal forma a que pueda predecir lo que la
persona está percibiendo. Eso se conoce como la “calidad de la experiencia”;
cómo se puede inferir lo que está experimentando la persona, a partir de
parámetros como
el estado de la red, el estado del teléfono y la aplicación, y alguna otra
información asociada a esa persona, como su edad y demás que se puede tener por
el perfil.
En una primera etapa, es
necesario recolectar mucha información. Basada en toda esa información, se genera un
modelo matemático a partir de las técnicas conocidas como Machine
Learning que es un área de la Inteligencia
Artificial. El general, el cálculo de dicho modelo es lo que
se conoce como aprendizaje. En particular el problema que abordamos es
un problema de clasificación, y cae dentro de la categoría de aprendizaje
supervisado. Así, con los datos que se monitorean en la red, el modelo
de clasificación nos puede decir: “si la percepción del usuario es muy buena, buena, más o menos, regular o mala”. En
consecuencia a este resultado, los algoritmos
de administración de la red de comunicación pueden
realizar acciones correctivas en varios niveles
según necesidad, como en el sistema o en la
aplicación, de tal forma que las personas comienzan a percibir mejor el uso de las aplicaciones a
través del sistema de comunicación. Esa es la idea
central: crear un sistema que pueda predecir la calidad de la experiencia, a
través de factores cualitativos y cuantitativos.
 |
| Figura 1. Etapas del Proyecto |
El proyecto completo
tiene dos etapas: en la primera se encuentra el monitoreo y el diseño del modelo que predice la calidad
de la experiencia y, la siguiente etapa, es utilizar esa información para
realizar acciones de corrección en la Ingeniería
de Tráfico.
Una vez que se identifica qué factores
determinan una mala calidad de la experiencia en cada escenario posible, se
pueden modificar dichos factores. Por ejemplo, de
forma muy simple, para entender si es un
problema de retardo, se podría encaminar el tráfico
por otro camino menos recargado; si es un problema del estado del teléfono,
enviar la información con menor calidad. En este último caso, por ejemplo para video, se
puedo bajar la calidad del video para que la persona
siga comprendiendo la información
manteniendo la fluidez de la misma.
De esta
manera, cada escenario va a tener su corrección, por eso, es un problema
complejo. Se puede tener muchas situaciones y, para cada
situación, va a haber una acción correctiva, respectivamente. Se ha
observado que existen muchos factores; en particular, en este proyecto, se
trabajó con 17 parámetros. Si dividimos cada parámetro en una escala de 1 al 10
se tienen aproximadamente 1017 escenarios posibles. Además, cada
cliente puede encontrarse en un escenario particular el cual cambia en el
tiempo. En primera instancia -fase de diseño-, se busca determinar qué
escenarios corresponden a qué nivel de experiencia o sea una clasificación.
Esta primera fase se encuentra conformada por las etapas descritas en la Figura
1. En segunda instancia -fase operativa-, se desea detectar si el usuario se
encuentra en un escenario donde tiene una mala calidad de la experiencia para
llevarlo a un escenario de buena a excelente calidad de la experiencia. Esta
última fase queda fuera del alcance de la investigación.
En la Figura 2, se puede
observar la plataforma diseñada e implementada para el monitoreo y recolección
de parámetros del sistema como de entrenamiento de modelos. Cabe destacar que,
el desarrollo de la plataforma fue realizado, en principio, en una primera
versión para un ambiente de laboratorio. Dicha plataforma, fue extendida para
un ambiente real durante el desarrollo de este proyecto.
 |
| Figura 2. Plataforma de monitoreo y recolección de parámetros de cálculo de modelos de clasificación de la experiencia |
¿A quién le servirá este producto?
Hay que
entender que las comunicaciones tienen varios niveles: tenemos las redes
ópticas en los core network, y sobre las redes ópticas se encuentran las redes de
comunicación celular. En una compañía celular, por ejemplo, el éxito de mantener
con fidelidad a los clientes, es que tengan una buena experiencia del sistema
en todo momento. Si los usuarios, constantemente, tienen una excelente
experiencia, se va a tener una clientela fiel. Entonces, esto va directamente
asociado a la industria de la comunicación celular, en primera
instancia. Por otra parte, el conocimiento adquirido en este proyecto puede ser
aplicado a otros contextos donde se tenga el problema de determinar la
percepción de un usuario respecto a una tecnología utilizada.
 |
| De izquierda a derecha, Univ. Guillermo Osorio y el Prof. Dr. Diego Pinto. CCIS 2019. Atlanta (USA) |
Además de lograr los resultados esperados,
también cuentan con publicaciones
Los resultados del proyecto
fueron publicados en dos trabajos:
●
QoE Estimation in
mobile networks using Machine Learning; presentado en la Conference of
Computational Interdisciplinary Science – CCIS 2019 (marzo, Atlanta, USA) y,
●
Map-Elites
Algorithm for Features Selection Problem; esté aceptado y que será presentado
en el 13th Alberto Mendelzon International Workshop Foundations of Data
Management – AFW 2019 (junio-julio, Asunción, Paraguay).
Por otra parte,
estamos trabajando en paralelo con otras tres futuras publicaciones, apuntando
a revistas de prestigio. Las mismas serán sometidas posteriormente a la
finalización del proyecto en las áreas de Selección de atributos y Calidad de
la Experiencia basada en Machine Learning.
En cuanto a
transferencia de conocimiento, se ha tenido una escuela de Machine Learning con
dos cursos dictados por el Prof. Miguel García: “Introducción a la Minería de
Datos” e “Introducción a la Selección de Atributos”, y una charla en la Dirección Nacinal de Aeronáutica Civil - DINAC sobre el Impacto de
la Minería de Datos.
 |
| Prof. Miguel García, dictando curso. Facultad Politécnica, julio 2018. |
¿Qué queda como trabajo futuro?
El proyecto es una extensión de un previo proyecto denominado MOSAIC, el cual fue desarrollado dentro del SticAmSud 2013 en la que varios grupos internacionales colaboraron: de Francia, de Uruguay, de Chile y, nosotros, por Paraguay. Cada grupo, trabajó en un área específica. En nuestro grupo, el alcance es el monitoreo y el diseño del modelo basado en técnicas de aprendizaje de máquinas. Alcanzamos las metas correspondientes del proyecto: se diseñó la plataforma de recolección y monitoreo, se entrenaron los algoritmos con diferentes técnicas de aprendizaje del estado del arte y llegamos a 60% de nivel de predicción de la calidad de la experiencia. Nosotros queremos llegar al menos a un 90% de calidad.
 |
| Charla sobre Minería de datos en la DINAC |
Por otra parte, dado que entrenar un modelo depende en gran medida del conjunto de parámetros utilizados, tenemos el desafío de aumentar el número de parámetros monitoreados y a la vez la cantidad de datos de forma a determinar de forma más precisa la experiencia del usuario. Lo anterior, implica mayores desafíos computacionales en términos de manejo de datos y de entrenamiento de los modelos. Encontrar los parámetros más importantes para la tarea de clasificación es clave y se denomina como selección de atributos, el cual, es un problema de optimización combinatoria donde la calidad del conjunto de atributos seleccionados se determina por la calidad del aprendizaje del modelo.