在这篇博文中《穿越AI Mist》系列，我们将把我们在之前的文章中谈到的技术放在一起:环境特性和同行聚类为我们的客户提供具体和可操作的见解。
在我们开始之前，我们需要进一步定义一件事:通话时间效率。通话时间效率是我们用来衡量一个接入点(AP)、一座建筑甚至整个客户的整体Wi-Fi性能的指标。这是一个专有的指标，所以我们不能在这篇文章中过多的细节，但可以肯定的是，如果一个接入点能够提供高信噪比和高速度的链接，并且能够访问大多数客户端设备，那么它将具有很高的通话时间效率。
作为通话时间效率的一个例子，让我们看一下两个不同的AP——图1中红色的“AP a”和蓝色的“AP B”。这些ap具有相同的模型、相似的环境和每天连接的客户端站点数量大致相同。对于给定的一天，我们可以查看几个与通话时间效率相关的指标:客户端上行信噪比(信噪比)和客户端上行速度。虽然不是完美的度量标准，但它们仍然可以让我们了解网络性能。
图1所示。(左)给定一天中每小时连接的所有客户端的平均上行信噪比。(右)在给定的一天中，所有连接的客户端每小时的平均上行速度。
这两个ap在信噪比上相当接近，每天大部分时间平均在30-40分贝。有几个时段，AP B的表现比AP a好得多，但一天内的差异并不明显。然而，AP B和AP a的客户端上行速度存在显著差异，AP B的平均速度是AP a的2-3倍。这可能是由于硬件问题，我们有适当的机制来检查这一点，但在这种情况下，这两个ap之间唯一的真正区别是它们的配置设置．现在，让我们从APs后退一步，看看构建性能。
为建筑物设置Wi-Fi需要大量的专业知识和工作。客户站的平均数量以及高峰需求必须加以估计。必须有足够多的ap，这样才不会出现覆盖漏洞，但也不能太多，以免相互干扰(并抬高项目成本)。还有许多其他因素必须考虑，但即便如此，初始部署只是整个网络图的一小部分。改变客户的行为和需求，即使是设计得最完善的网络也会受到影响。
输入我们的一个AIOps解决方案，配置建议．
大约有十几个不同的旋钮可以调节，以优化无线网络的性能，包括传输功率和频道数量。我们可以利用人工智能和我们的Wi-Fi性能大数据集来推荐最佳配置设置，从而猜测优化网络的方法。
我们计算所有客户网络的通话时间效率，并将其与每个建筑的环境特征和配置设置保存在一起。然后，对于一个候选建筑，我们根据环境找到所有类似的建筑，并使用AI考虑从最顶端的同类建筑切换到每个配置集所获得的性能改进。如果我们发现了显著的改进，并且我们的AI模型对它有很高的信心，我们就会向我们的客户建议新的设置。图2显示了这样一个过程的结果。
图2。播放时间效率与时间的关系图。灰色的线是原点。红线表示应用推荐配置更改的时间。
随着时间的推移，一个建筑的通话时间效率被绘制出来。我们的AIOps解决方案找到了一个候选配置集来改善该建筑的网络性能，我们向客户建议了一个更改。更改是在红虚线所指示的时间执行的，并且性能上的更改是立即的。在这种情况下，大约有50%的改善。更棒的是，随着我们和我们的客户改善他们的网络，人工智能得到了更好的选择，随着我们理解的变化，未来的建筑可以重新优化。此外，如果建筑物的实际使用发生变化，我们的算法将检测到这一点，并提出适当的变化。更重要的是，我们正在积极努力使我们的客户更容易做到这一点，包括一个自动应用推荐的机制。
最后，让我们回顾图1中的这两个ap。实际上，它们不是两个不同的AP，而是同一个AP在一周的同一天，在我们的算法(如图2所示)建议的配置更改之前的一周(AP a)和之后的一周(AP B)。通过使用我们的AIOps解决方案，我们的客户能够将提供的速度提高3倍，同时略微提高连接的信号质量(SNR)，这可以通过我们对建筑通话时间效率的测量得到。
阅读更多关于Wi-Fi的信息
