Vivo usa IA e telemetria em modems para antecipar falhas na rede de fibra

A Vivo apresentou hoje, 17, em evento da Databricks, um projeto de analytics e inteligência artificial voltado à operação de sua rede de fibra. O objetivo é identificar problemas técnicos antes mesmo de os clientes perceberem falhas no serviço. Segundo a companhia, a iniciativa combina agentes embarcados nos modems, coleta contínua de dados técnicos, arquitetura em nuvem, modelos de machine learning e agentes analíticos integrados a dashboards.

Segundo Luiz Gustavo Pagetti, gerente sênior de analytics da Vivo, a companhia precisava “identificar problemas técnicos e ter insights relevantes sobre a rede de fibra antes dos clientes”. Segundo ele, o desafio não era apenas detectar falhas, mas fazer isso de forma proativa e em grande escala, em uma base com milhões de clientes.

Telemetria embarcada na rede de fibra
De acordo com ele, a resposta encontrada foi embarcar agentes nos modems instalados na rede. Esses agentes coletam dados técnicos e enviam as informações de forma contínua para uma arquitetura em nuvem, onde são processadas por modelos, algoritmos e ferramentas de machine learning.

A proposta, segundo a empresa, foi traduzir dados técnicos em inteligência acionável para as áreas da operadora. Na prática, a companhia relata ter migrado de um modelo reativo de atendimento para uma lógica proativa de atuação sobre a rede.

Pagetti destacou que o projeto exigiu uma base de dados sólida, em razão da complexidade dos dados de rede envolvidos. Nesse contexto, a Vivo estruturou um ambiente único, centralizado e com governança, em parceria com a Databricks, para consolidar as informações e disponibilizá-las em uma camada analítica voltada tanto a áreas técnicas quanto a áreas não técnicas.

Perguntas em linguagem natural
Outro ponto enfatizado pela empresa foi o uso de agentes analíticos para permitir que lideranças e times de negócio consultem os dados por meio de perguntas em linguagem natural. Segundo a apresentação, antes de um projeto desse tipo, uma pergunta simples poderia demandar briefing, alocação de equipes técnicas, desenvolvimento de consultas e um ciclo de resposta que levava dias ou semanas. Com a nova estrutura, a mesma demanda passou a ser respondida em poucos minutos.

Felipe Parmigiani, trainee da Vivo que participou do projeto, afirmou que a iniciativa foi acelerada por três frentes: reaproveitamento de queries já validadas com as áreas de negócio, instruções customizadas para o agente analítico e uso do histórico de interações para melhorar as respostas ao longo do tempo.

Segundo ele, o agente foi configurado para atuar como um “agente de telemetria”, responder em português do Brasil e adotar cuidados com dados sensíveis tanto nas tabelas quanto nas respostas.

Na apresentação, os representantes da Vivo também associaram o projeto à redução do esforço de manutenção de múltiplas fontes de dados, à diminuição do tempo de codificação e à possibilidade de realocar recursos técnicos para outras frentes. Outro efeito relatado foi o aumento da autonomia de executivos e usuários não técnicos, que passaram a interagir diretamente com os dados e a testar hipóteses sem depender do mesmo nível de mediação técnica anterior.

Ao resumir o aprendizado da iniciativa, os executivos da empresa afirmaram que a combinação entre uma dor real de negócio, uma arquitetura moderna e uma IA aplicável foi o que permitiu reduzir ciclos de entrega e aproximar a análise do “tempo do negócio”.