Smart Answer | Redes neuronales convolucionales

Smart Answer emplea las redes neuronales convolucionales (CNNs) en dos componentes técnicos críticos de su arquitectura: el análisis de patrones de tráfico para la detección temprana de llamadas no deseadas y el procesamiento de audio dentro del sistema de transcripción.

¿Qué son las redes neuronales convolucionales?

Una red neuronal convolucional (CNN), también conocida como ConvNet, es un tipo especializado de algoritmo de aprendizaje profundo diseñado principalmente para tareas que requieren reconocimiento de objetos, como la clasificación, la detección y la segmentación de imágenes. Las CNN se emplean en diversos casos prácticos, como vehículos autónomos, sistemas de cámaras de seguridad y otros. (Datacamp)

Ventajas de las CNNs en Telecomunicaciones

Una red neuronal convolucional (CNN) es un tipo de red neuronal profunda diseñada para trabajar especialmente bien con datos que tienen estructura de cuadrícula, como las imágenes, y se usa sobre todo para tareas de visión por computador como clasificación, detección y segmentación de objetos. Se inspira en la organización de la corteza visual humana: aprende de forma jerárquica, empezando por rasgos simples (bordes, líneas) y construyendo rasgos más complejos (partes y objetos completos) en capas más profundas.

En el contexto de las telecomunicaciones, las redes neuronales convolucionales (CNN) se utilizan para tareas que implican el procesamiento de señales, audio, y datos de red que pueden ser representados en formatos de cuadrícula o series temporales, de manera similar a como procesan imágenes.

Las redes neuronales convolucionales (CNN) pueden inspeccionar y analizar tráfico codificado o cifrado. Una CNN no descifra el contenido real del tráfico (lo que requeriría la clave de cifrado). En su lugar, se centra en los patrones de tráfico, el tamaño de los paquetes, los intervalos de tiempo entre paquetes, los puertos utilizados y la frecuencia de la comunicación. Estos metadatos no están cifrados o presentan patrones consistentes incluso después del cifrado. Esta capacidad es fundamental en ciberseguridad. Las CNN pueden ser entrenadas para reconocer los patrones normales de tráfico cifrado y, por lo tanto, detectar anomalías que sugieren un ataque, un escaneo de puertos, o la presencia de malware que se comunica con un servidor de comando y control.

¿Cuales son las principales aplicaciones de las redes neuronales convucionales en Telecomunicaciones?

Las CNN sobresalen en telecomunicaciones por su habilidad para encontrar patrones complejos en grandes volúmenes de datos de señales, lo que permite la automatización, optimización y mejora de la seguridad de las redes. 

Algunas de las aplicaciones que podemos reconocer sobre redes de telecomunicaciones:

1. Clasificación y análisis del tráfico de red: Las CNN pueden analizar paquetes de datos (a menudo convertidos en representaciones visuales o matrices 1D/2D) para identificar y clasificar diferentes tipos de tráfico, como voz sobre IP, vídeo, o transferencias de archivos. Esto es crucial para la gestión de la calidad del servicio (QoS) y la optimización del ancho de banda.
2. Ciberseguridad y detección de intrusiones: Al analizar patrones en el tráfico de red, las CNN pueden identificar anomalías o firmas de ataques maliciosos (malware, exploits de día cero), ayudando a proteger la infraestructura de red.
3. Procesamiento y reconocimiento de voz y audio: Las CNN son capaces de procesar señales de audio para tareas como el reconocimiento de voz y la transcripción. Esto mejora la precisión de asistentes de voz, sistemas de atención al cliente automatizados y servicios de traducción en tiempo real.
4. Análisis del rendimiento de la red y optimización: Se pueden emplear para predecir la calidad de transmisión (QoT) en redes ópticas y optimizar las rutas de datos para mejorar la eficiencia y la fiabilidad de la red, minimizando la latencia y mejorando la calidad de la señal.

¿Como aplica Smart Answer las redes neuronales convolucionales?

Aunque las redes neuronales convucionales (CNN) han tenido un protagonismo específico en el reconocimiento y clasificación de imágenes (p.e. procesamiento de imágenes médicas, reconocimiento facial, detección de objetos, motores de búsqueda basados en imágenes…).  Aprovechando su capacidad para identificar patrones en datos estructurados, sus aplicaciones se extienden al procesamiento del lenguaje natural (PLN), el procesamiento de audio y el análisis de series temporales. 

Smart Answer aplicará estas capacidades en dos casos de uso:

• Clasificación del tráfico de red (Telecomunicaciones): empeleándose las CNNs para analizar y clasificar el tráfico en redes informáticas.
• Procesamiento de audio: analizar y procesar señales de audio para identificar una canción o transcribir una diálogo.

Detección de patrones anómalos en el tráfico de llamadas

Para identificar llamadas no deseadas o fraudulentas, Smart Answer debe analizar fuentes de información «no deterministas», como el historial de llamadas y comportamientos variables en el tiempo. Dado que las reglas estáticas no son suficientes para detectar estrategias de fraude cambiantes, el sistema utiliza algoritmos de aprendizaje profundo:

• Análisis de series temporales: Se emplean redes neuronales convolucionales para analizar patrones complejos dentro de las series temporales de llamadas.
• Adaptabilidad: El uso de estos algoritmos permite que el sistema no solo tome decisiones basadas en datos pasados, sino que se adapte dinámicamente a nuevas estrategias de fraude a medida que surgen.

Procesamiento de audio en el sistema de transcripción (Whisper)

Smart Answer integra el modelo OpenAI Whisper para la transcripción de las grabaciones dejadas por los llamantes en el buzón de voz inteligente. Dentro de la arquitectura de este modelo (basada en transformer encoder-decoder), las redes convolucionales juegan un papel fundamental en la fase de codificación (Encoder):

• Procesamiento del espectrograma: El encoder recibe como entrada un espectrograma Mel de 80 canales, que es una representación visual de la señal acústica.
• Extracción de características: Las capas de algoritmo convolucional son «especialmente relevantes» en esta etapa, ya que se dedican a la división del espectro en tokens clasificables.
• Preparación para el MLP: Una vez que las capas convolucionales procesan la señal visual del audio, la información pasa a un perceptrón multicapa (MLP) para continuar con el proceso de codificación antes de llegar al decodificador.
  

Este enfoque permite que el sistema transcriba con precisión en múltiples idiomas y bajo condiciones acústicas complejas, facilitando la generación posterior de resúmenes mediante otros modelos de lenguaje (LLM) como Mistral