1 Machine Learning and Machine Intelligence in Cable OperationsRoger Brooks, Guavus Inc. Tepal Congreso 27 June 2017

2 Key Customers and PartnersGuavus at a glance Real-Time Streaming Data Analytics Machine Learning and Machine Intelligence Operations Analytics for network, customer care, security, personalized marketing & the IOT 5 Petabytes (5000 terabytes) of data analyzed everyday!  320 million+ subscriber transactions analyzed everyday!  250+ employees worldwide Analytics Driving Decisions Key Customers and Partners Why Thales Is Acquiring Guavus* Thales: Leader in digital transformation Guavus: Unique capability to process Big Data in real-time Together: Great opportunities in IOT, cyber security, predictive maintenance and optimization of telecom networks. Strategic Customers 5 of the top 5 North American Mobile Operators 4 of the top 5 Backbone Carriers 7 of the top 8 Cable Operators in North America Thales Group had 14.9 Billion Euros in sales in 2016 (about $16.2 Billion US $) An interview with Patrice Caine, CEO Thales Group: Big data is one of four key technologies in the digital transformation that our customers are going through, alongside connectivity, artificial intelligence and cybersecurity. All four play a truly central role in our business today. This acquisition strengthens Thales's position in big data, in other words in the management, storage, processing, analysis and visualisation of very large datasets. As a pioneer in real-time big data analytics, Guavus will add to our expertise in this area. It has a widely recognised industrial-scale operational intelligence platform capable of analysing streaming data  on a rolling basis and guaranteeing the high levels of service availability that our markets demand. It is a robust and innovative technology that Thales intends to build upon to develop new solutions for its customers in the aerospace, space, transportation, defence and security markets. Guavus is a unique venture and its technology is now used by 20 major operators around the world, including the five leading US mobile providers (AT&T, Rogers, Sprint, T-Mobile and Verizon), four of the five US companies that provide the backbone of the global Internet, and seven of the eight largest cable network operators. Guavus already handles more than 5 petabytes (5,000 terabytes) of data for its customers on a daily basis. That's the equivalent of analysing 3 million feature films every day. That is 500 times the data that is contained in the entire US Library of Congress! So this acquisition will provide Thales with a unique capability to process enormous volumes of data in real time. The ability to manage big data on an industrial scale, particularly in real time will give a tremendous boost to the digital transformation of governments, businesses and cities.  Airlines, satellite operators, air traffic control organisations, urban and mainline rail operators, the armed forces, security services, responsible for protecting urban infrastructure and energy supplies all rely on Thales technology to help them make the right decisions in real time. As networks of connected sensors expand, the volume of data they generate is growing exponentially. With the Internet of Things, the amount of data generated worldwide will reportedly double every two years. Acquiring Guavus will expand opportunities for Thales in a whole range of applications, including predictive maintenance, cybersecurity, critical infrastructure protection and optimisation of telecom systems and networks. Beyond that, big data is of fundamental importance in many areas of artificial intelligence, which relies on the ability to process massive amounts of data. *subject to approvals. Expected to close by 3Q2017

3 Agenda Cable Operations Drivers for AnalyticsControladores de Operaciones de Cable para Analítica Examples of Analytics Delivering Value Ejemplos de Analítica que Ofrecen Valor Machine Mining  Machine Learning  Machine Intelligence Máquina de Minería  Aprendizaje de Máquina  Inteligencia de Máquina Typical Analytics Engagement Participación Típica de Analítica

4 Agenda Cable Operations Drivers for AnalyticsControladores de Operaciones de Cable para Analítica Examples of Analytics Delivering Value Ejemplos de Analítica que Ofrecen Valor Machine Mining  Machine Learning  Machine Intelligence Máquina de Minería  Aprendizaje de Máquina  Inteligencia de Máquina Typical Analytics Engagement Participación Típica de Analítica

5 Analytics is a new tool for CSPs’ bottom linesCUSTOMER SATISFACTION Root issue Detection COSTS Issue Resolution REVENUE Subscriber Self-care Service Plan/Policy Enforcement Data monetization Preventative Maintenance Personalized targeting Optimal Resource Allocation ANALYTICS

6 Analítica es una nueva herramienta para los resultados de CSPLA SATISFACCIÓN DEL CLIENTE Detección de problemas raíz COSTOS Resolución de problemas INGRESOS Subscriber Self-care Suscriptor Autocuidado Monetización de datos Mantenimiento preventivo Orientación personalizada Asignación óptima de recursos ANALÍTICA

7 Operations & Customer ExperienceWhat is happening? What impactful thing happened? What impactful thing is likely to happen? How to deal with the impactful thing? What caused the impactful thing to happen? How to prevent/trigger the impactful thing’s occurrence? Network / Service Issues Network Impact Prediction Service Restoration Preventative Maintenance Use Cases Customer Profiling Customer Impact Prediction Personalized Self-Service Personalized Preventative Care Personalized Targeting

8 Operaciones y experiencia del cliente¿Que esta pasando? ¿Qué cosa impactante sucedió? ¿Qué cosa impactante es probable que suceda? ¿Cómo lidiar con lo impactante ¿Cómo lidiar con lo impactante? ¿Cómo prevenir / desencadenar la ocurrencia de la cosa impactante? Problemas de red / servicio Red Impacto Predicción Servicio de Restauración Mantenimiento preventivo Casos de Uso Perfiles de Clientes Cliente Impacto Predicción Autoservicio Personalizado Cuidado Preventivo Personalizado Orientación Personalizada

9 Agenda Cable Operations Drivers for AnalyticsControladores de Operaciones de Cable para Analítica Examples of Analytics Delivering Value Ejemplos de Analítica que Ofrecen Valor Machine Mining  Machine Learning  Machine Intelligence Máquina de Minería  Aprendizaje de Máquina  Inteligencia de Máquina Typical Analytics Engagement Participación Típica de Analítica

10 Savings from Real-Time Root Issue DetectionCase Study Savings from Real-Time Root Issue Detection Save 73K Truck Rolls Save $4.2M In Rolls Save 1M Care Calls Save $12.4M In Calls 4.9M Subs 1 Year Savings Cable Operator

11 Ahorros de la detección de problemas raíz en tiempo realCaso de Estudio Ahorros de la detección de problemas raíz en tiempo real Salvar 73K Rodillos Para Camiones Ahorre $4.2M En Rollos Salvar 1M Llamadas De Atención Ahorre $12.4M En Llamadas 4.9M Clientes 1 Ahorros del Año Cable Operator Operador de Cable

12 Savings from Resource OptimizationCase Study Savings from Resource Optimization Storm Localized Storm Impact Too Complex To Predict 38% Total Tickets Reduced 35% Total Truck Rolls Reduced Storm + 1 Day 33% Total Tickets Reduced 31% Total Truck Rolls Reduced Storm + 3 Days Prescribed Recovery Team Redistribution Resource Distribution Major Storm Cable Operator

13 Ahorros de la optimización de recursosCaso de Estudio Ahorros de la optimización de recursos Tormenta Impacto de tormenta localizada demasiado complejo para predecir 38% Total Tickets Reduced 35% Total de Rodillos de Camiones Reducidos Tormenta + 1 Día 33% Total de Entradas Reducidas 31% Total de Rodillos de Camiones Reducidos Tormenta + 3 Días Prescrito Equipo de Recuperación Redistribución Distribución de Recursos Gran Tormenta Operador de Cable

14 Revenue Lift from Contextualized TargetingCase Study Revenue Lift from Contextualized Targeting 7x  Downloads 85%  Advertising Costs Smartphone App Downloads by SMS Targeting Marketing Segments + Sub. Content Interest Analytics Cable Operator Mobile Operator

15 Levantamiento de ingresos desde la orientación contextualizadaCaso de Estudio Levantamiento de ingresos desde la orientación contextualizada 7x  Descargas 85%  Los Gastos de Publicidad Descargas de aplicaciones de Smartphone mediante segmentación por SMS Segmentos de Marketing + Sub. Análisis de interés de contenido Cable Operator Operador Móvil

16 Agenda Cable Operations Drivers for AnalyticsControladores de Operaciones de Cable para Analítica Examples of Analytics Delivering Value Ejemplos de Analítica que Ofrecen Valor Machine Mining  Machine Learning  Machine Intelligence Máquina de Minería  Aprendizaje de Máquina  Inteligencia de Máquina Typical Analytics Engagement Participación Típica de Analítica

17 We need intelligence to understand new thingsMachine Mining Programmed to answer questions in data Cannot recognize similar data Assumes the future is the same as the past Expensive to maintain Machine Learning Digests data to build models Predictive Recognizes similar events Cannot understand features it was not taught Not suited for use cases with unconstrained information Machine Intelligence Has the advantages of Machine Learning Can understand features it was not taught Applicable for use cases with unconstrained information The machine self-extends its own knowledge

18 Necesitamos inteligencia para entender cosas nuevasMinería de Máquinas Programado para responder preguntas en los datos No se pueden reconocer datos similares Asume que el futuro es el mismo que el pasado Caro para mantener Aprendizaje Automático Digiere datos para construir modelos Profético Reconoce eventos similares No se puede entender las características que no se enseñó No es adecuado para casos de uso con información sin restricciones Inteligencia de Máquina Tiene las ventajas del Aprendizaje Automático Puede entender las características que no se enseñó Aplicable para casos de uso con información sin restricciones La máquina auto-extiende sus propios conocimientos

19 To subscribers, Machine Learning is as frustrating as an IVR systemSource: VentureBeat.com, “Why chatbots will never completely replace humans” Need conversational experience

20 Necesita experiencia de conversaciónPara los clientes, Aprendizaje de la Máquina es tan frustrante como un sistema IVR Fuente: VentureBeat.com, “Why chatbots will never completely replace humans” Necesita experiencia de conversación

21 Machine Learning vs Machine IntelligencePattern Detection Machine Learning Extrapolation Machine Intelligence Video sources: https://www.youtube.com/watch?v=NmHt44_gMm4 https://www.youtube.com/watch?v=ZerUbHmuY04 Video Source: YouTube

22 Aprendizaje de máquina versus inteligencia de máquinaDetección de Patrones Aprendizaje Automático Extrapolación Inteligencia de Máquina Video sources: https://www.youtube.com/watch?v=NmHt44_gMm4 https://www.youtube.com/watch?v=ZerUbHmuY04 Video Source: YouTube

23 Machine Learning ~ Biological Reflex ActionPattern matches snake Snake  Run Recognition Pattern recognition “Sensory” Cortex Response Stimulus implies response Amygdala Reaction Translate the response to action Thalamus Recognition Pattern recognition Classifier Response Stimulus implies response Regression Evaluation

24 Aprendizaje de la máquina ~ Acción Reflexiva BiológicaEl patrón coincide con la serpiente Serpiente  Correr Reconocimiento Reconocimiento de patrones Corteza "sensorial" Respuesta El estímulo implica respuesta Amígdala Reaction Traducir la respuesta a la acción Tálamo Reconocimiento Reconocimiento de patrones Clasificador Respuesta El estímulo implica respuesta Evaluación de Regresión

25 Machine Learning ~ Biological ReflexPattern matches snake Snake  Run Recognition Pattern recognition “Sensory” Cortex Response Stimulus implies response Amygdala Reaction Translate the response to action Thalamus Need a way to control the reflexive response Run Eat Ignore

26 Aprendizaje de la máquina ~ Reflejo biológicoEl patrón coincide con la serpiente Serpiente  Correr Reconocimiento Reconocimiento de patrones Corteza "sensorial" Respuesta El estímulo implica respuesta Amígdala Reaction Traducir la respuesta a la acción Tálamo Necesidad de una manera de controlar la respuesta reflexiva Correr Comer Ignorar

27 Machine Intelligence ~ Lower Order Biological IntelligenceRecognition Pattern recognition “Sensory” Cortex Response Stimulus implies response Amygdala Reaction Translate the response to action Hypothalamus Reasoning Extrapolation Cerebral Cortex

28 Inteligencia de la Máquina ~ Inteligencia Biológica de Orden InferiorReconocimiento Reconocimiento de patrones Corteza "sensorial" Respuesta El estímulo implica respuesta Amígdala Reaction Traducir la respuesta a la acción Tálamo Razonamiento Extrapolación Corteza cerebral

29 Machine Intelligence vs. Machine Learning/MiningOperations Insight Example Function MM ML MI Whenever this failure occurred, these were the characteristics of the associated events Query  Whenever this event occurs, this failure typically happens Correlate I have seen a similar anomaly/alarm before Recognize I have seen a similar anomaly/alarm before and this one will lead to this type of service incident/failure Predict I have not seen this type of anomaly/alarm before but I think it will lead to this type of service incident/failure Extrapolate

30 Maquina de Inteligencia vs. Aprendizaje de Máquinas / MineríaEjemplo de Operations Insight Función MM MA MI Cada vez que ocurrió este fallo, éstas fueron las características de los eventos asociados Consulta  Siempre que ocurre este evento, este fallo típicamente sucede Correlación He visto una anomalía / alarma similar antes Reconocer He visto una anomalía / alarma similar antes y ésta conducirá a este tipo de incidente / falla de servicio Predecir No he visto este tipo de anomalía / alarma antes, pero creo que dará lugar a este tipo de incidente de servicio / falla Extrapolar

31 Agenda Cable Operations Drivers for AnalyticsControladores de Operaciones de Cable para Analítica Examples of Analytics Delivering Value Ejemplos de Analítica que Ofrecen Valor Machine Mining  Machine Learning  Machine Intelligence Máquina de Minería  Aprendizaje de Máquina  Inteligencia de Máquina Typical Analytics Engagement Participación Típica de Analítica

32 Typical Technical EngagementBusiness Problem & Value Technical Use Case Data Availability Data Engineering Modelling Solution Design Solution Installation Solution Running Most Expensive Steps Services IT Disruption Time to ROI

33 Compromiso técnico típicoProblema y Valor del Negocio Caso de Uso Técnico Disponibilidad de Datos Ingeniería de Datos Modelado Diseño de Solución Instalación de la Solución Solución en Ejecución Pasos más caros Servicios Interrupción de TI Tiempo para ROI

34 Use Case Examples & Data CategoriesOptimal Resource Allocation Preventative Maintenance Issue Resolution Root issue Detection Subscriber Self-care Service Plan/ Policy Enforcement Personalized targeting Data monetization Real-time Insights & Actions Real-time Intelligence Your Data Lake Your Applications Care Calls Service Visits Alarms Care Sessions CPE Telemetry Node Telemetry Care Tickets Subscriber Data

35 Ejemplos de casos de uso y categorías de datosAsignación Optima de Recursos Mantenimiento Preventivo Resolución de Problemas Detección de Problemas Raíz Suscriptor Autocuidado Plan de Servicio / Cumplimiento de Políticas Orientación Personalizada Monetización de Datos Información y Acciones en Tiempo Real Inteligencia en Tiempo Real Su Data Lake Sus Aplicaciones Llamadas de Atención Visitas de Servicio Alarmas Sesiones de Cuidado Telemetría CPE Telemetría de Nodos Boletos Problemáticos Datos del Suscriptor

36 Use Case Examples & Data CategoriesOptimal Resource Allocation Preventative Maintenance Issue Resolution Root issue Detection Subscriber Self-care Service Plan/ Policy Enforcement Personalized targeting Data monetization Real-time Insights & Actions Real-time Intelligence Your Data Lake Your Applications Care Calls Service Visits Alarms Care Sessions CPE Telemetry Node Telemetry Care Tickets Subscriber Data

37 Ejemplos de casos de uso y categorías de datosAsignación Optima de Recursos Mantenimiento Preventivo Resolución de Problemas Detección de Problemas Raíz Suscriptor Autocuidado Plan de Servicio / Cumplimiento de Políticas Orientación Personalizada Monetización de Datos Información y Acciones en Tiempo Real Inteligencia en Tiempo Real Su Data Lake Sus Aplicaciones Llamadas de Atención Visitas de Servicio Alarmas Sesiones de Cuidado Telemetría CPE Telemetría de Nodos Boletos Problemáticos Datos del Suscriptor

38 Economies of Scale with Machine Intelligence PlatformBusiness Problem & Value Technical Use Case Data Availability Data Engineering Modelling Solution Design Solution Installation Solution Running Platform minimizes Replication # of Vendors Services IT Disruption Time to ROI TCO

39 Economías de Escala con Plataforma de Inteligencia de MáquinaProblema y Valor del Negocio Caso de Uso Técnico Disponibilidad de Datos Ingeniería de Datos Modelado Diseño de Solución Instalación de la Solución Solución en Ejecución La plataforma minimiza Replicación # De vendedores Servicios Interrupción de TI Tiempo para ROI TCO

40 Agenda Cable Operations Drivers for AnalyticsControladores de Operaciones de Cable para Analítica Examples of Analytics Delivering Value Ejemplos de Analítica que Ofrecen Valor Machine Mining  Machine Learning  Machine Intelligence Máquina de Minería  Aprendizaje de Máquina  Inteligencia de Máquina Typical Analytics Engagement Participación Típica de Analítica

41 To reuse the same data across multiple LoBs, you need a SUMMARY Cable Operators are improving their bottom lines with Analytics: Self-Support, Service Assurance, Subscriber Profiling, etc. To reuse the same data across multiple LoBs, you need a horizontal, scalable, domain knowledgeable platform. The dynamic/diverse nature of network and subscriber interactions requires Machine Intelligence. THANK YOU!

42 THANK YOU! [email protected] RESUMENLos operadores de cable están mejorando sus resultados con Analytics: Autoayuda, Garantía de servicio, Perfil de suscriptores, etc. Para reutilizar los mismos datos a través de múltiples LoBs, necesita una plataforma horizontal, escalable y con conocimiento del dominio. La naturaleza dinámica / diversa de las interacciones de red y suscriptores requiere de Machine Intelligence. THANK YOU!