Este artículo presenta el potencial de la monitorización no invasiva y económica de las condiciones de las redes de comunicación y movilidad utilizando datos de uso de la red móvil noruega. Transformamos los datos de red en modelos dentro de un marco de computación de reservorio y medimos el rendimiento del modelo en tareas proxy. Los experimentos demuestran cómo el rendimiento de estas tareas proxy se correlaciona con las condiciones de la red. Una ventaja clave de este enfoque es el uso de conjuntos de datos fácilmente disponibles y la disponibilidad de un marco de computación de reservorio, económico y adaptable a la mayoría de los algoritmos. Los datos de uso de la red móvil, anonimizados y agregados, están disponibles en múltiples instantáneas diarias. Estos datos pueden procesarse mediante redes ponderadas, y la computación de reservorio permite el uso de redes ponderadas sin entrenamiento como herramientas de aprendizaje automático. Las redes inicializadas con redes de estado de eco (ESN) proyectan las señales de entrada en un espacio de alta dimensión, con una sola capa entrenada. Este enfoque consume menos energía que las redes neuronales profundas que entrenan todos los pesos de la red. Entrenamos modelos ESN mediante tareas inspiradas en la neurociencia y demostramos que el rendimiento varía según la configuración específica de la red y se degrada significativamente cuando esta se ve perturbada. Si bien servirá como prueba de concepto, anticipamos que también podría usarse para monitorear en tiempo real e identificar vulnerabilidades en redes de comunicación móvil y redes de transporte.
