Ucell снизил операционные расходы на 10,6%: как ИИ-агент оптимизировал энергопотребление мобильной сети

Операционные расходы мобильных операторов по всему миру во многом зависят от счетов за электроэнергию. Оборудование, работающее круглосуточно на пиковой мощности, поглощает огромные объёмы капитала, который мог бы пойти на развитие и новые проекты. Ucell, государственный мобильный оператор из Узбекистана, доказал, что эту проблему можно решить: внедрив ИИ-агента, компания снизила общее энергопотребление своей сети на 10,6%.

Постоянно включенное оборудование сотовой связи, это скрытая, но постоянная утечка бюджета. Тысячи базовых станций потребляют энергию даже в часы минимальной нагрузки, когда большая часть их мощностей простаивает. Эти затраты не видны напрямую, но они напрямую влияют на прибыль, и их можно сократить без потери качества связи.

Проблема: почему сеть потребляет слишком много

Оборудование Radio Access Network (RAN), которое обеспечивает мобильную связь, спроектировано для работы в режиме «всегда включено». Это значит, что оно потребляет значительную мощность даже тогда, когда нет активного трафика, например, глубокой ночью или в малонаселённых районах. Такие «холостые» расходы на электроэнергию составляют значительную часть операционных затрат любого мобильного оператора.

Традиционные методы управления питанием не могли эффективно решить эту проблему, поскольку требовали ручной корректировки режимов работы, что в динамичной среде мобильной сети невозможно без риска ухудшения качества связи. В результате, миллионы долларов ежегодно уходили на оплату электроэнергии, которая использовалась неэффективно.

Путь к ИИ-агенту: нужна была автономная система

Компания Ucell понимала, что для снижения OpEx необходимо найти способ динамически управлять энергопотреблением оборудования. Существующие системы лишь частично решали эту задачу, не позволяя гибко адаптироваться к постоянно меняющейся нагрузке. Нужен был не просто инструмент мониторинга, а автономная система, способная предсказывать пики и спады трафика и самостоятельно переводить компоненты сети в энергосберегающие режимы, не допуская снижения качества сервиса.

Таким решением стал ИИ-агент, способный анализировать огромные объёмы телеметрических данных и на их основе принимать решения о включении или выключении отдельных элементов базовых станций.

Как проектировали ИИ-агента для управления питанием

ИИ-агента спроектировали как интеллектуальную систему, которая постоянно анализирует паттерны использования сети и предсказывает изменения в пользовательском спросе. Основная задача агента — переводить неиспользуемые компоненты базовых станций в спящий режим в периоды низкой нагрузки и возвращать их к полной мощности за миллисекунды до возобновления обычного трафика. Это позволяет поддерживать ожидаемое качество обслуживания, избегая при этом ненужного потребления энергии.

Ключевыми элементами агента стали:

• Предиктивные алгоритмы. Обучались на массивах исторических данных, чтобы точно прогнозировать колебания трафика.
• Механизмы fail-safe. Разработаны для предотвращения ложных срабатываний, когда агент ошибочно предсказывает низкую нагрузку во время реального всплеска трафика, что могло бы привести к потере пакетов и высокой задержке.
• Интеграция с оборудованием. Агент был интегрирован с существующими базовыми станциями, которые изначально не были предназначены для постоянного включения/выключения. Это потребовало тщательного анализа потенциальной нагрузки на оборудование и расчёта среднего времени наработки на отказ.

Внедрение и преодоление вызовов

Внедрение ИИ-агента потребовало не только интеграции программного обеспечения с аппаратной частью, но и изменения подходов к мониторингу сети. Инженеры сетевых операционных центров перешли от ручного управления мощностью к наблюдению за поведением алгоритма. Для этого были разработаны специальные дашборды, которые объясняли логику автоматических решений, а не просто отображали сырые данные.

Особое внимание уделялось балансу между экономией энергии и износом оборудования. Постоянное включение и выключение компонентов создаёт термические и механические нагрузки, поэтому необходимо было убедиться, что стоимость замены оборудования не превысит сэкономленные средства на электроэнергию. Также учитывались затраты на вычислительную мощность, необходимую для работы самого ИИ-агента и обработки телеметрических данных.

Результаты внедрения

Снижение энергопотребления на 10,6% для национального оператора, это миллионы долларов экономии ежегодно. Эти средства теперь могут быть направлены на развитие инфраструктуры, улучшение сервисов или снижение тарифов для конечных пользователей, без необходимости повышать цены или агрессивно привлекать новых абонентов.

Как это внедрить у вас

Если в вашем бизнесе есть постоянно работающее оборудование, которое потребляет энергию независимо от текущей нагрузки, кейс Ucell показывает, что ИИ-агент может стать эффективным решением. С чего начать:

• Проанализируйте паттерны нагрузки. Определите периоды пиковой и минимальной активности вашего оборудования. Это поможет понять потенциал для экономии.
• Соберите телеметрические данные. Для обучения ИИ-агента необходимы исторические данные о работе оборудования и внешних факторах, влияющих на нагрузку.
• Оцените риски и выгоды. Рассчитайте потенциальную экономию энергии и соотнесите её с возможным износом оборудования и затратами на вычислительные ресурсы для работы агента.
• Разработайте механизмы контроля. Создайте систему мониторинга, которая позволит операторам понимать логику работы ИИ-агента и вмешиваться в случае непредвиденных ситуаций.

Если этот кейс похож на то, что происходит у вас, наш менеджер поможет разобраться: бесплатно проанализирует ваш бизнес и нишу и подскажет, где ИИ-агент даст реальный результат именно в вашем случае. Написать менеджеру