Titulo Estágio
2025/26_N26 Predição Inteligente de Problemas de Rede com Modelos Avançados deMachine Learning
Áreas de especialidade
Sistemas Inteligentes
Engenharia de Software
Local do Estágio
Altice Labs
Enquadramento
As redes de telecomunicações modernas exigem soluções inteligentes para antecipar e mitigar problemas que possam impactar a qualidade doserviço. No contexto do NOSSIS One, a componente de Performance Management desempenha um papel crucial na monitorização e análise demétricas operacionais, permitindo uma supervisão precisa da performance das redes móveis e de fibra.
O desafio atual reside na evolução do módulo de limiares existente, que utiliza baselines baseadas em modelos tradicionais. Pretende-se explorarmodelos mais inovadores e flexíveis, como os propostos pelo IBM TTM Granite, que oferecem um paradigma mais plugável e configurável, emcomparação com abordagens mais convencionais como LSTM (Long Short-Term Memory).
Com este estágio, propomos a exploração e prototipagem de um novo mecanismo de predição para o NOSSIS One, garantindo:
Maior precisão na deteção preditiva de falhas e degradação de serviço.
Escalabilidade para processar milhões de entidades coletadas em ciclos de 5 minutos.
Otimização do runtime para garantir alta eficiência na execução de modelos sobre grandes volumes de dados.
Objetivo
Estudar o IBM TTM Granite e outros modelos similares open-source para predição de falhas em redes de telecomunicações.
Implementar e testar um protótipo funcional integrado ao NOSSIS One.
Desenvolver uma arquitetura escalável e otimizada para suportar execução eficiente do modelo sobre grandes volumes de dados em temporeal.
Comparar o desempenho e a precisão dos novos modelos em relação ao sistema de limiares tradicional.
Identificar os requisitos técnicos e de engenharia necessários para a futura incorporação do modelo ao produto final.
Plano de Trabalhos - Semestre 1
Análise do estado da arte em predição de falhas de rede utilizando machine learning.
Exploração e configuração do IBM TTM Granite em um ambiente laboratorial.
Relatório Intermédio
Plano de Trabalhos - Semestre 2
Desenvolvimento de um protótipo funcional, testando a integração com o NOSSIS One.
Testes de carga e benchmarking para avaliar a escalabilidade e eficiência do modelo.
Identificação de melhorias e roadmap para futura implementação da solução em produção.
Relatório Final
Condições
Integração no Programa GENIUS Investigação da Inova-Ria.
Entidade Promotora: Inova-Ria
Entidade de acolhimento: Altice Labs
Com possibilidade de integrar uma Bolsa de Investigação - Programa GENIUS - durante a realização do projeto de Dissertação - Integração numa equipa de I&D na Empresa Altice Labs .
Valor de bolsa de acordo com tabelas da FCT (ver pdf em (www.Inova-Ria.pt).
Período de realização de acordo com o enquadramento da Universidade.
• Horário: De acordo com enquadramento da Universidade
• Formato: (a combinar na entrevista)
• Meios: atribuição de um PC portátil e acessos à rede Interna da Altice Labs
• Kit de Acolhimento
• Onboarding nas equipas da Altice Labs, com atribuição de um tutor full-time
• Possibilidade de participar em todas as iniciativas de partilha de conhecimento ou de entretenimento levadas a cabo pela Altice Labs
• Possibilidade de entrada nos quadros da empresa
Os alunos interessados deverão enviar para genius@inova-ria.pt ao cc Dra Regina Maia Sacchetti (963618710).
• Curriculum Vitae;
• Disciplinas realizadas até ao momento com médias; simples documento eletrónico, que poderá obter no portal académico .
Processo de Seleção: Entrevista Inova-Ria - PROGRAMA GENIUS na qual fará parte o Orientador do projeto de forma a esclarecer a temática envolvida.
Observações
Aspetos Inovadores
Utilização de modelos mais plugáveis e configuráveis, reduzindo a complexidade de integração e otimização.
Abordagem escalável para processamento em tempo real de dados de
milhões de entidades
.
Benchmarking de modelos tradicionais vs. modernos, validando ganhos de desempenho e acurácia.
Possibilidade de integrar conceitos de MLOps para monitorização e gestão dos modelos de IA dentro do ecossistema do NOSSIS One.
Ferramentas a utilizar
Modelos de Machine Learning: IBM TTM Granite, TensorFlow, PyTorch.
Plataformas de Big Data: Apache Kafka, Spark.
Ambientes de Execução: Kubernetes, Docker.
Bases de Dados: TimescaleDB, PostgreSQL.
APIs e Integração: OpenAPI, REST.
Referências Bibliográficas
https://developer.ibm.com/tutorials/awb-foundation-model-time-series-forecasting/
https://huggingface.co/ibm-granite/granite-timeseries-ttm-r2
Orientador
Luis Alexandre da Silva Castro
luis-a-castro@alticelabs.com 📩