AI-Based Verification of Telecom Site Preventive Maintenance

Abstract

Telecom operators rely on the continuous availability of thousands of geographically dispersed cell sites, whose reliability depends on periodic preventive maintenance. At Ooredoo Algeria, the maintenance carried out by subcontractors on roughly ten thousand sites is checked by a small verification team that manually inspects the photographic evidence of every checklist item, a slow, subjective and hardly scalable process. This report presents the design, training and evaluation of an artificial-intelligence system that assists this visual verification. The work tackles a deliberately difficult real-world setting: the imagery had to be recovered indirectly, it is weakly labelled (about 86% of items carry no usable verdict, combining submitted and initial statuses; about 9% are fail verdicts; and about 4 . 8% are pass-type verdicts), and many decisive cues sit on blurry seven-segment instrument displays. Two complementary approaches are developed. The first is a multi-expert pipeline, in which a specialised model is dedicated to each verification family: cleanliness, structural damage, connection and wiring, before/after comparison, leakage, component presence and identification, component counting and optical character recognition, combining convolutional classifiers, CLIP text-image embeddings, self-supervised DINOv2 features, multiple-instance learning and YOLO detection. The second is a unified fine-tuned Vision–Language Model (Qwen3.5-4B for fast iteration and Qwen2.5-VL-7B for the retained evaluated run, adapted with QLoRA on constrained GPU resources) that performs the checks through natural-language instructions and naturally extends the pipeline. The work is integrated into a full software platform: a Flutter mobile application for field agents, a React supervision dashboard, and a Node.js/Express backend connected to Ooredoo’s service-management system.***

Les opérateurs télécoms dépendent de la disponibilité permanente de milliers de sites radio dispersés géographiquement, dont la fiabilité repose sur une maintenance préventive périodique. Chez Ooredoo Algérie, la maintenance réalisée par des sous-traitants sur environ dix mille sites est contrôlée par une petite équipe de vérification qui inspecte manuellement les preuves photographiques de chaque point de contrôle, un processus lent, subjectif et difficilement extensible. Ce mémoire présente la conception, l’entraînement et l’intégration d’un système d’intelligence artificielle assistant cette vérification visuelle. Le travail s’attaque à un cadre réel volontairement difficile : les images ont dû être récupérées indirectement, elles sont faiblement annotées (environ 86% des items ne portent aucun verdict exploitable, en combinant les statuts soumis et initial ; environ 9% sont des verdicts échoué ; et environ 4 , 8% sont des verdicts de type succès), et de nombreux indices décisifs se trouvent sur des afficheurs à sept segments peu lisibles. Deux approches complémentaires sont développées. La première est une chaîne multiexperts, où un modèle spécialisé est dédié à chaque famille de vérification : propreté, dégradations structurelles, connectique et câblage, comparaison avant/après, fuites, présence et identification de composants, comptage de composants et reconnaissance optique de caractères, combinant classifieurs convolutionnels, embeddings texte-image CLIP, descripteurs auto-supervisés DINOv2, apprentissage à instances multiples et détection YOLO. La seconde est un modèle vision– langage unifié et finétuné (Qwen3.5-4B pour l’itération rapide et Qwen2.5-VL-7B pour le modèle retenu, adapté par QLoRA sur des ressources GPU limitées) qui réalise les contrôles via des instructions en langage naturel et prolonge naturellement la chaîne. Le travail est intégré dans une plateforme logicielle complète : une application mobile Flutter pour les agents de terrain, un tableau de bord de supervision React, et un backend Node.js/Express connecté au système de gestion de service d’Ooredo