"LE COMPETENZE DIGITALI PER LA QUALITÀ DEI SERVIZI" -
MASSIMO CAFARO, PH.D.UNIVERSITÀ DEL SALENTO - OPENDAYS AGENDA DIGITALE 2018 - FIERA DEL LEVANTE, BARI, 13 SETTEMBRE 2018
Cafaro le competenze digitali per la qualita dei servizi
1. LE COMPETENZE DIGITALI PER
LA QUALITÀ DEI SERVIZI
MASSIMO CAFARO, PH.D.
UNIVERSITÀ DEL SALENTO
OPENDAYS AGENDA DIGITALE 2018
FIERA DEL LEVANTE, PAD. 152 REGIONE PUGLIA, SALA CONVEGNI
BARI, 13 SETTEMBRE 2018
2. AGENDA
▸ Introduzione alla QoS
▸ SLA
▸ QoS
▸ QoE
▸ Le competenze digitali per la qualità dei servizi
▸ Abbiamo realmente bisogno di QoS?
▸ Conclusioni
3. INTRODUZIONE ALLA QUALITY OF SERVICE
▸ Molti servizi sono oggi disponibili gratuitamente
▸ Ma allora, perché pagare per un servizio, se ne esiste uno
equivalente gratuito?
▸ In realtà, gli utenti non pagano per il servizio, ma per le
garanzie/prestazioni offerte dal servizio. In altre parole, gli
utenti pagano per ottenere una determinata Quality of
Service (QoS)
4. SERVICE LEVEL AGREEMENTS
▸ Per giustificare il costo ricorrente di un servizio, il fornitore di servizio (service
provider) si impegna a fornire un livello minimo di servizio in un Service Level
Agreement (SLA)
▸ Un Service Level Agreement è un contratto a valore legale tra il service
provider ed un cliente
▸ se gli obiettivi definiti o le penalità incluse sono minimali, lo SLA è inutile
per il cliente
▸ se gli obiettivi definiti o le penalità incluse sono eccessivi, i costi di
esercizio sono proibitivi per il service provider
▸ pertanto, occorre definire correttamente gli obiettivi per non danneggiare
le operazioni legate al servizio a causa di uno SLA
5. QUALITY OF SERVICE
▸ QoS è una nozione definita da ITU-T E.800 come “the collective
effect of service performances, which determine the degree of
satisfaction of a user of a service”
▸ di conseguenza, una singola metrica QoS non è adeguata
▸ Hardy [Hardy 2001] ha definito tre nozioni di QoS:
▸ intrinsic
▸ perceived
▸ assessed
6. NOZIONI DI QUALITY OF SERVICE
▸ intrinsic
▸ misura le caratteristiche relative alle prestazioni operative
di un servizio
▸ perceived
▸ relativo all’esperienza d’uso da parte degli utenti
▸ assessed
▸ rappresenta il valore attribuito al servizio da un utente che
paga per un uso continuativo del servizio
7. QUALITY OF EXPERIENCE
▸ Quality of Experience (QoE) è una nozione strettamente legata a QoS
▸ QoS dipende dalle caratteristiche e dal comportamento di un servizio,
rappresenta le garanzie sulle prestazioni operative di un servizio fornite dal
fornitore del servizio (service provider) sulla base di misure
▸ QoE rappresenta l’impatto che il comportamento di un servizio ha sugli
utenti del servizio
▸ alcuni difetti possono passare inosservati
▸ alcuni difetti possono rendere un’applicazione non fruibile
▸ non è legata alle misure di prestazione effettuate dal service provider
8. SLA, QOS AND QOE
▸ Uno SLA dovrebbe “catturare” la QoE, ma questa, essendo legata
agli utenti è difficilmente quantificabile
▸ Di conseguenza, uno SLA tipicamente dettaglia una serie di
parametri che influenzano la QoS
▸ Ad esempio, un Internet Service Provider (ISP) potrebbe usare i
seguenti parametri
▸ Connessione (availability, time to repair etc)
▸ Prestazione (SNR, Packet Loss Ratio, bandwidth, latency,
throughput etc)
9. SLA, QOS AND QOE
▸ Nel caso dell’ ISP la availability influenza sempre la QoS
▸ I parametri restanti possono influenzare la QoS, in base al servizio (voce, video,
navigazione web etc)
▸ Alcuni servizi richiedono solo la availability
▸ Alcuni servizi richiedono anche un throughput minimale
▸ Alcuni servizi richiedono una latenza non superiore ad un round-trip delay
specificato
▸ Alcuni servizi richiedono un Packet Loss Ratio inferiore ad una data percentuale
▸ Si noti che questi parametri non sono necessariamente indipendenti
▸ ad esempio, il throughput TCP decresce all’aumentare del Packet Loss Ratio
10. LE COMPETENZE DIGITALI PER LA QUALITÀ DEI SERVIZI
▸ Un servizio è spesso reso disponibile da più service
providers. In apparenza, un dato servizio è virtualmente
identico ed indistinguibile; in realtà, la QoS dettagliata dal
relativo SLA fornisce una QoE spesso radicalmente diversa
da provider a provider
▸ Per ottenere un vantaggio competitivo rispetto ad altri
service providers, è pertanto necessario che il personale
operativo possegga una serie di specifiche competenze
digitali
11. LE COMPETENZE DIGITALI PER LA QUALITÀ DEI SERVIZI
▸ Il personale deve essere in grado di stabilire criteri e obiettivi
QoS nell’ambito dei livelli di servizio da fornire ai clienti e
delle aspettative nei confronti dell'infrastruttura fornita dal
servizio.
▸ È inoltre necessario confrontare criteri e obiettivi QoS con i
dati ottenuti dal monitoraggio delle prestazioni del servizio,
dai reclami dei clienti, o dal monitoraggio delle prestazioni
tecniche del servizio per avviare azioni migliorative (ad
esempio, riconfigurazione delle risorse o interventi di
manutenzione).
12. LE COMPETENZE DIGITALI PER LA QUALITÀ DEI SERVIZI
▸ Analizzando le informazioni ottenute mediante misure, il
personale può gestire e migliorare la qualità del servizio.
Tuttavia, la mole e la intrinseca complessità dei dati rende
difficile ottenere le informazioni essenziali necessarie per
migliorare il QoS.
▸ È qui che i metodi di data mining e statistici sviluppati di
recente si rivelano utili.
13. LE COMPETENZE DIGITALI - CICLO DI VITA DI UN SERVIZIO
▸ Ciclo di vita di un servizio
▸ design
▸ progettazione del servizio
▸ implementation
▸ fase di sviluppo di un servizio
▸ testing
▸ controllo interno della qualità del servizio
▸ deployment
▸ fase in cui il servizio viene reso disponibile ai clienti
▸ monitoring
▸ valutazione periodica del servizio e dei task di controllo relativi
▸ tuning
▸ verifica dei livelli di servizio, identificazione di eventuali problemi, analisi ed ottimizzazione del
servizio
▸ planning
▸ pianificazione mirata alla configurazione ottimale del servizio
14. LE COMPETENZE DIGITALI - MISURE DI PRESTAZIONE
▸ Selezione di opportuni datasets
▸ La selezione dei dati deve supportare le attività di knowledge
discovery
▸ Definizione delle variabili da misurare
▸ Campionamento dei dati
▸ Intervallo temporale
▸ …
▸ I dati grezzi (raw data) spesso richiedono uno specifico preprocessing
15. LE COMPETENZE DIGITALI - I DATI
▸ I dati sono fonte di conoscenza (knowledge) specifica per un servizio ed
in quanto tali hanno un enorme valore, ma per estrarre la conoscenza
sono necessarie varie competenze digitali: i dati devono essere
▸ archiviati
▸ gestiti opportunamente (privacy etc)
▸ ripuliti e filtrati
▸ rilevamento di dati sbagliati (ad esempio età = 150 anni)
▸ gestione di eventuali valori mancanti (missing data)
▸ analizzati mediante data mining
16. LE COMPETENZE DIGITALI - DEFINIZIONE DI KPI
▸ Un Key Performance Indicator (KPI) rappresenta un’importante
misura di prestazioni
▸ Sfortunatamente, la selezione di KPIs appropriati per l’analisi è in
genere soggettiva, sebbene per la maggior parte dei servizi
determinare un sottoinsieme minimale di KPIs indispensabili per
l’analisi è spesso immediato
▸ I KPIs possono essere suddivisi in due grandi categorie
▸ cost-efficiency related KPIs
▸ quality related KPIs
17. LE COMPETENZE DIGITALI - BIG DATA
▸ Analizzare grosse moli di dati (big data) presenta una serie di problemi:
▸ I dati sono memorizzati, ma non abbiamo il tempo necessario per leggerli tutti
▸ Leggiamo solo una parte di essi (complessità sub-lineare nel tempo)
▸ I dati sono troppo grandi per essere memorizzati nella memoria principale
▸ Memorizziamo i dati su disco (complessità sub-lineare nell’ I/O)
▸ Eliminiamo alcuni di essi (complessità sub-lineare nello spazio)
▸ I dati sono troppo grandi per essere inseriti in un'unica macchina
▸ Se non vogliamo eliminarli, allora abbiamo bisogno di archiviarli su più
macchine - gestione in parallelo o in ambiente distribuito - (complessità sub-
lineare nella comunicazione)
18. LE COMPETENZE DIGITALI - METODI DI DATA MINING
▸ Competenze digitali necessarie per analizzare i dati e scoprire patterns
e modelli che siano
▸ Validi: dovremmo avere una certa sicurezza sulla provenienza dei
dati (data provenance) ed essere certi che non siano stati alterati in
alcun modo
▸ Utili: dovrebbe essere possibile inferire nuova conoscenza a partire
dai dati
▸ Inaspettati: non ovvi
▸ Comprensibili: gli esseri umani dovrebbero essere in grado di
interpretare un modello generato
19. LE COMPETENZE DIGITALI - METODI DI DATA MINING
▸ Metodi descrittivi
▸ determinare modelli interpretabili dall'uomo che descrivano i
dati
▸ Esempio: clustering
▸ Metodi predittivi
▸ Utilizzare alcune variabili per prevedere valori sconosciuti o
futuri di altre variabili
▸ Esempio: regression
20. LE COMPETENZE DIGITALI - SUPERVISED LEARNING
▸ Approccio in cui lo scienziato insegna ad un algoritmo la
relazione esistente tra input ed output. Gli algoritmi di Machine
Learning (ML) sono applicati ad un set di dati chiamato training
set, composto da coppie (x,y) (esempi di training) in cui:
▸ x è un vettore di valori, comunemente chiamati features.
Ogni valore o feature può essere sia categorico
(appartenente ad un insieme di valori discreti, come {rosso,
verde, blu}) che numerico (numeri interi o reali).
▸ y è la label (etichetta), il valore corrispondente per x
21. LE COMPETENZE DIGITALI - SUPERVISED LEARNING
▸ L’obiettivo è quello di scoprire una funzione y = f(x) che predica al
meglio il valore di y associato ad un dato x. Il tipo di y in linea di
principio è arbitrario, ma i seguenti sono casi importanti comuni:
▸ y è un numero reale. Questo problema è noto come regressione
▸ y è un valore booleano (vero o falso, più comunemente +1 e -1).
Questo problema è noto come classificazione binaria
▸ y appartiene ad un insieme finito. Gli elementi di questo insieme
possono essere considerati come classi, e ogni elemento
rappresenta una classe. Questo problema è noto come
classificazione multiclasse
22. LE COMPETENZE DIGITALI - UNSUPERVISED LEARNING
▸ In questo approccio, un algoritmo deriva la struttura
intrinseca dei dati di input autonomamente, senza ricevere
in input esempi di training: non ci sono etichette
esplicitamente fornite
▸ Poiché mancano le etichette, non c'è modo di confrontare
le prestazioni del modello nella maggior parte dei metodi
di apprendimento non supervisionati.
23. LE COMPETENZE DIGITALI - CULTURE DIVERSE
▸ Il data mining comprende culture ed anime diverse:
▸ Basi di dati
▸ Machine learning
▸ Statistica
▸ Computer Science
24. ATTENZIONE: GLI STRUMENTI VANNO USATI CORRETTAMENTE
▸ Esempio: correlazione tra due variabili aleatorie
▸ source:http://www.tylervigen.com/spurious-correlations
26. ABBIAMO REALMENTE BISOGNO DI QOS? UN ESEMPIO
▸ Rete da 100 Mb/s senza QOS. E’ molto buona
per una grande varietà di traffico fino a, diciamo,
30 Mb/s, ma rallenta vistosamente a 50 Mb/s
▸ Alla rete da 100 Mb/s aggiungiamo un algoritmo
QOS teorico. Per il nostro traffico "preferito", la
rete è buona fino a, diciamo, 50 Mb/s, ma rallenta
vistosamente oltre 90 Mb/s (o meno se la
percentuale del traffico “preferito" è troppo alta)
▸ Invece di aggiungere QOS al nostro caso iniziale,
aggiorniamo la tecnologia ed usiamo una rete
più veloce, da 1Gb/s. Ora abbiamo un buon
trasporto fino a 300 Mb/s, e la rete rallenta solo a
500 Mb/s.
27. RIASSUMENDO…
▸ Le competenze digitali per la qualità dei servizi includono:
▸ definizione di criteri e obiettivi QoS
▸ progettazione, implementazione, test, deployment,
monitoring e tuning di un servizio
▸ selezione di opportuni datasets, campionamento dei dati,
misura di variabili e stima dell’errore di misura
▸ data management, preprocessing, analisi mediante
metodi statistici e di data mining
28. CONCLUSIONI
▸ Le competenze digitali per la qualità dei servizi sono
diverse dalle tradizionali competenze digitali (information
processing, communication, content creation, safety,
problem solving)
▸ Nei prossimi anni assisteremo ad un incremento della
richiesta di laureati in possesso di queste specifiche
competenze
▸ E’ necessario rivisitare ed aggiornare i contenuti dei corsi
di laurea tenendo conto di queste specificità