MBNL, das gemeinsame Infrastrukturunternehmen von BT und Three UK, setzt Machine Learning ein, um Hardwareausfälle an 22.000 britischen Mobilfunkstandorten vorherzusagen. Die Modelle analysieren Support-Tickets, Herstellerangaben sowie Strommessungen und erkennen über die Hälfte der Ausfälle bis zu einen Monat im Voraus. Dadurch lassen sich kostenintensive Notfalleinsätze reduzieren und Wartungsarbeiten vorausschauend planen.
MBNL betreibt 22.000 Mobilfunkmasten für BT und Three UK. Mithilfe von AutoML und NLP prognostiziert der Betreiber über die Hälfte aller Hardwareausfälle mindestens einen Monat im Voraus und vermeidet dadurch teure Notfallreparaturen.
Für Betreiber großer Telekommunikationsnetze stellt die Instandhaltung dezentraler Masten eine erhebliche logistische Herausforderung dar. MBNL betreibt gemeinsam für BT und Three UK rund 22.000 Funktürme im Vereinigten Königreich, an denen passive und aktive Komponenten wie Stromversorgung, Klimatechnik und Übertragungshardware kontinuierlich überwacht werden müssen. Anstatt erst bei einem Netzausfall teure Notfalleinsätze auszulösen oder rein periodische Vor-Ort-Inspektionen durchzuführen, nutzt das Unternehmen eine automatisierte Machine-Learning-Lösung des Anbieters Kortical. Auf Basis von dreijährigen Verlaufsdaten aus Support-Tickets, Strommesswerten und technischen Herstellerangaben wurden über 50.000 Modellkandidaten trainiert. Mithilfe von Natural Language Processing für Ticketbeschreibungen und Zeitreihenanalysen für Stromdaten prognostiziert das System potenzielle Defekte mindestens einen Monat im Voraus. Nach einem sechswöchigen Proof of Value, bei dem 52 Prozent der Ausfälle in ungesehenen Daten korrekt antizipiert wurden, ging das Verfahren in einen Live-Piloten über. Dieser Ansatz ermöglicht es den Serviceteams, Bauteile im regulären Wartungszyklus zu tauschen, bevor eine Störung die Verbindung der Mobilfunkkunden beeinträchtigt.
Regelbasierte Standardsoftware stößt bei der Vielzahl heterogener Datenquellen an Grenzen, da Ticketbeschreibungen in Freitext vorliegen und Strommessungen komplexe Signaldaten bilden. Durch den Einsatz von AutoML und NLP können über 50.000 Modellvarianten parallel trainiert werden, um nichtlineare Muster und Zusammenhänge zwischen Stromfluktuationen und Geräteschäden aufzudecken. Eine starre If-Else-Logik könnte diese dynamischen Muster über 22.000 Standorte hinweg nicht mit einer vergleichbaren Trefferquote von 52 Prozent erfassen.
Telekommunikationsanbieter, deren gemeinsame Infrastrukturausfälle frühzeitig behoben werden, sichern sich Wettbewerbsvorteile bei der Netzverfügbarkeit. Die Reduzierung ungeplanter Standorteinsätze stärkt die Zuverlässigkeit der Mobilfunknetze von BT und Three UK im direkten Marktvergleich.
Der Wechsel von reaktiven Notfallreparaturen zu vorausschauender Wartung spart erhebliche Einsatzkosten bei Field-Service-Teams ein. Die gezielte Vorhersage von Defekten an 22.000 Standorten senkt die Gesamtkosten für Materiallogistik und unvorhergesehene Technikereinsätze.
Die Zusammenführung von Ticket-Texten, Stromzählerdaten und technischen Spezifikationen in einer automatisierten Modellplattform standardisiert die Fehleranalyse. Anstelle manueller Vor-Ort-Inspektionen steuert das System Wartungsaufträge automatisiert anhand statistischer Ausfallrisiken aus.
Für Field-Service-Techniker und Disponenten sinkt der Druck durch hektische Noteinsätze und Wochenendbereitschaften. Arbeitszeiten lassen sich besser einhalten, da geplante Reparaturen schrittweise die unvorhergesehenen Störfälle ersetzen.
Das Berufsbild im Vor-Ort-Service verschiebt sich von reaktiven Notfalldiensten hin zu geplanten Wartungsspezialisten. Dies wertet die tägliche Tätigkeit auf, da Fahrten strategisch gebündelt und Arbeitsressourcen gezielter eingesetzt werden.
Mitarbeiter in der Einsatzplanung müssen lernen, algorithmische Wahrscheinlichkeitswerte und Prognoseberichte zu interpretieren. Neben handwerklichem Fachwissen gewinnt das Verständnis für sensorbasierte Schadensmuster an Bedeutung.
Für Endkunden bedeutet die vorausschauende Wartung, dass Netzausfälle behoben werden, noch bevor sie zu einem Verbindungsabriss beim Telefonieren oder mobilen Surfen führen. Die Servicequalität bleibt durch den unbemerkten Bauteiltausch im Hintergrund konsistent hoch.
Eine stabile mobile Netzinfrastruktur ist elementar für die digitale Kommunikation und den täglichen Zugriff auf Informationsdienste. Durch die Vermeidung längerer Sendemastausfälle wird das Vertrauen der Nutzer in eine verlässliche Anbindung aufrechterhalten.