教育新闻网为了确保良好的服务，移动网络运营商需要测试其网络的稳定性和性能，但是由于涉及大量数据，因此使用手动方法几乎不可能做到这一点，因此，运营商转向了人工智能来解决这一挑战。
随着第五代移动通信的出现，网络测试人员面临着一种新情况。5G的许多方面–频段不同，网络运营商的不同推出计划，物联网，传统移动通信，流量网络等应用的广泛性–导致高度差异化的网络和测试数据。
以通常的汇总形式分析此数据会迅速导致结果失真和错误的解释。人工智能能够为这个难题提供一个很好的解决方案。基于算法的方法仅反映特定的理论。
这些可能并不理想，但是数据本身是可靠的。诸如模式识别之类的AI方法能够在没有先入之见的情况下评估数据集，并发现那些对人类分析家而言仍然隐藏的关系。
大数据需要人工智能
近年来，“人工智能”一词已经泛滥成灾，通常没有明确定义其含义，并且在能够学习的系统(人工智能的特征)与仅基于人工智能的系统之间没有区别。复杂的算法。
术语“机器学习”更为具体。这里的目标是从大量数据中自动得出通用规则。学习过程完成后，可以基于多维依存关系或特征做出是/否决定。
决策规则是通过在真实数据点之间近似来学习的，而不是由人类专家制定的。此方法需要非常大的数据量和密集的培训阶段。但是在应用阶段，它几乎可以自发地正确解释新的测量数据。
有监督和无监督学习
机器学习大致可以分为两种：有监督的和无监督的。
监督学习的目标是找到数据与事件或预定义标签之间的统计关系，以便生成未知输入的估计值。物体识别是一种广泛使用的应用，其中图像中特定物体的存在和位置(例如“图片中有/不存在猫”)是通过模式(边缘，彩色区域)的多阶段解释来确定的等)。
为了进行培训，该学习软件将显示带有人类标签的图像，并计算出可以做出决定的特征。这些规则隐藏在AI系统的神经网络中，而不是在算法中制定。
非可视模式识别的一个示例是确定网络测试的呼叫稳定性得分(CSS)。
无标签的学习无标签。该算法必须独立识别模式或多维数据集合，以便从它们中得出可用的结论，例如，目的是测量新数据点与已知数据点之间的差异。无监督学习的典型任务是异常检测，该异常检测无需专家的支持即可识别异常数据。
