Case studies · Telekomunikacja

Platforma danych operatora: 2× szybciej, 60% niższe koszty operacyjne

Modernizacja etapami z Cloudera, on-premise i bez internetu, gotowa na analitykę i ML.

Klient: Firma telekomunikacyjna · Branża: Telekomunikacja

szybsze przetwarzanie danych

kosztów operacyjnych

opłat licencyjnych za Cloudera

zadań tygodniowo

Wyzwanie

Platforma klienta wykonywała 900 tysięcy zadań tygodniowo. Koszty rosły, a zespoły potrzebowały sprawniejszej analityki i modeli, na przykład żeby zdecydować, które obszary sieci najpierw rozbudować.

Wszystko musiało działać w data center klienta, bez dostępu do internetu.

01 / Warstwa danych

Przebudowaliśmy platformę i zoptymalizowaliśmy sposób wykonywania zadań: odczyt danych, partycjonowanie obliczeń, wymianę danych między procesami i zapytania.

Spark przygotowuje dane, Trino udostępnia zapisane wyniki do analiz, a potoki ML korzystają z tych samych fundamentów. Dane, obliczenia i zarządzanie platformą zostają w data center klienta, a zadania, analizy SQL i pochodzenie danych są w jednym miejscu.

Migrowaliśmy etapami, porównując wyniki przed każdym przełączeniem.

02 / Warstwa AI

Na tych fundamentach modele działają tam, gdzie są dane. Prognoza obciążenia oddziela powtarzalny rytm dobowy i tygodniowy od rzeczywistego wzrostu ruchu, więc planista sieci odróżnia rutynowy szczyt od obszaru zagrożonego.

Prognozy testujemy na późniejszych danych względem prostego punktu odniesienia, a wersję modelu i wyniki testów zapisujemy w MLflow.

Projekt scena po scenie

Kadry pochodzą z naszego filmu o tym wdrożeniu.

01 / 06
Który obszar rozbudować?
Wyobraźmy sobie planistę sieci telekomunikacyjnej. Dwa obszary są mocno obciążone, a budżet rozbudowy jest ograniczony. Który powinien dostać pierwszeństwo? Dzisiejszy odczyt jeszcze tego nie rozstrzyga.
02 / 06
Co zmienia historia i prognoza?
W obszarze biurowym wysokie obciążenie regularnie wraca o tej samej porze, a jakość pozostaje stabilna. W obszarze mieszkaniowym ruch rośnie, a w godzinach szczytu pojawiają się problemy. Planista potrzebuje historii, informacji o jakości i prognozy. Na tej podstawie wybiera, gdzie najpierw zbadać potrzebę rozbudowy.
03 / 06
Po co temu platforma danych?
Takie decyzje wymagają przeliczania danych z całej sieci. Naszym klientem była firma telekomunikacyjna. Jej platforma wykonywała dziewięćset tysięcy różnych zadań tygodniowo. Rosły koszty, a zespoły potrzebowały sprawniejszych analiz i modeli. Wszystko musiało działać w data center klienta bez Internetu.
04 / 06
Co zrobił Sofixit?
Sofixit przebudował platformę i zoptymalizował sposób wykonywania tej pracy. Poprawiliśmy odczyt danych, podział obliczeń, wymianę danych między procesami oraz zapytania. Spark przygotowywał dane, a Trino udostępniało zapisane wyniki do analiz. Procesy ML korzystały z tego samego fundamentu.
05 / 06
Powrót do decyzji planisty
Widzi, na czym oparto wskazanie i może porównać warianty działania. Takiemu wykorzystaniu danych służy nowoczesna platforma.
06 / 06
Wynik modernizacji platformy
W opisanym projekcie przetwarzanie przyspieszyło dwukrotnie, a koszty operacyjne spadły o sześćdziesiąt procent. Wyeliminowano opłaty za licencję Cloudery. Analityka i wdrożone modele pozostały w data center klienta.