Operator mobilny: 73% awarii wykrywanych przed zgłoszeniem klientów

Sytuacja wyjściowa

Klient: regionalny operator mobilny, 1,2 mln abonentów, 4 200 stacji bazowych (BTS), 320 osób (140 w network ops). Konkurencja: 4 ogólnopolskich operatorów.

Awarie sieci były wykrywane przez klientów — zgłoszenie szło do call center, eskalowane do NOC (Network Operations Center), inżynier diagnozował, ekipa wyjeżdżała. Średni czas od pierwszego klienta do naprawy: 4-8h. W tym czasie kolejne setki zgłoszeń, niezadowolenie, rezygnacje. NPS spadał, churn rósł.

Jakie procesy weszły na AI

• Continuous monitoring telemetrii BTS — AI analizuje strumień telemetrii z 4 200 BTS (CPU, pamięć, throughput, błędy pakietów, drop call rate, anteny). 38 milionów datapoint dziennie. Model wykrywa anomalie 2-6h przed awarią widoczną dla klienta.
• Klasyfikacja typu awarii — AI klasyfikuje wykrytą anomalię: fizyczna (wymaga ekipy), software (możliwy restart zdalny), zewnętrzna (energia, transport). Dla 42% przypadków AI sugeruje konkretną akcję naprawczą.
• Auto-remediation — Dla bezpiecznych klas (restart usługi, przepięcie ruchu na sąsiedni BTS) AI wykonuje akcję autonomicznie z 30-sekundowym oknem decyzji dla operatora (default: execute jeśli nie ma veta).
• Predictive maintenance — AI prognozuje, które BTS-y mają wysoką szansę awarii w ciągu 30 dni i sugeruje preventive maintenance — ekipa wyjeżdża planowo, nie reaktywnie.

Architektura rozwiązania

Stack RedAI: Claude Opus 4.7 do komunikacji i raportowania, modele anomalii (Isolation Forest + LSTM hybrid), reinforcement learning agent do auto-remediation, integracje przez MCP z systemem OSS/BSS, NOC dashboard. Wszystko on-prem ze względu na wymogi NIS2 (operator telekomunikacyjny jako podmiot kluczowy).

Dane klienta nie wychodzą poza prywatną instancję RedAI. Wszystkie wywołania modeli, retrieval z bazy wiedzy i operacje na systemach źródłowych logowane do audytu (NIS2, AI Act art. 12, RODO art. 32). Hooks Claude wymuszają deterministyczne kontrole uprawnień (ACL) przed każdym wywołaniem narzędzia.

Liczby i wyniki

Setup: 680 tys. zł. Opex: 48 tys. zł/mies. Korzyść: redukcja churn × LTV abonenta + oszczędność na NOC + mniej kar regulatorów (UKE) za SLA. Payback w 9 miesięcy.

„Klient dzwoni: „dzięki za szybki serwis". Klient nawet nie wiedział, że miał awarię — była, ale zniknęła zanim spojrzał na telefon."

— Head of Network Ops

Co dalej

Kolejna faza: AI-driven capacity planning (predykcja, gdzie potrzebne będą nowe BTS-y), 5G optimization, integration z elektrownią (BTS w obszarze planowanej awarii zasilania).

RedAI działa jako prywatna instancja w infrastrukturze klienta. Dane nie wychodzą poza firmę. Umówcie 30-minutowe demo — pokażemy analogiczne wdrożenie w Waszej branży i policzymy ROI na Waszych liczbach.