سامسونگ مسیر استفاده از هوش مصنوعی عاملمحور در شبکههای خودکار را تشریح کرد
شبکههای موبایل در طول روز با الگوهای ثابت و یکسانی فعالیت نمیکنند. میزان استفاده از شبکه در مناطق تجاری، محلههای مسکونی، فرودگاهها، ورزشگاهها و محل برگزاری رویدادهای بزرگ دائماً تغییر میکند. در روشهای سنتی، مهندسان شبکه باید این تغییرات را بررسی کنند و در صورت افزایش ناگهانی ترافیک، ظرفیت بخشهای مختلف را بهصورت دستی تنظیم کنند.
این فرایند ممکن است زمانبر باشد. اگر افزایش ترافیک سریعتر از واکنش تیم فنی رخ دهد، کاربران با افت سرعت، افزایش تأخیر یا حتی قطع موقت سرویس مواجه میشوند. سامسونگ معتقد است شبکههای خودکار میتوانند با استفاده از یادگیری ماشین، افزایش ترافیک را پیش از ایجاد اختلال پیشبینی کنند و منابع شبکه را متناسب با شرایط تغییر دهند.
در چارچوب ارائهشده از سوی TM Forum، شبکه خودکار بر دو محور اصلی بنا میشود. محور نخست قابلیتهای موسوم به Self-X است؛ یعنی شبکه بتواند برخی وظایف مانند پیکربندی، بهینهسازی، ترمیم و محافظت از خود را انجام دهد. محور دوم Zero-X نام دارد و به هدفهایی مانند حذف زمان انتظار، حذف مداخله دستی و کاهش دردسر کاربران و اپراتورها اشاره میکند.
شبکههای خودکار فقط به یک الگوریتم واحد محدود نمیشوند. این شبکهها معمولاً از چند لایه تشکیل شدهاند که شامل لایه کسبوکار، لایه سرویس و لایه منابع است. مدیر شبکه در سطح بالاتر هدفی کلی تعریف میکند؛ برای مثال، کاهش مصرف انرژی بدون افت پوشش رادیویی. سپس لایههای پایینتر این هدف را به مجموعهای از اقدامات فنی تبدیل میکنند.
در این مدل، اپراتور لازم نیست برای هر تغییر کوچک در شبکه یک فرمان جداگانه وارد کند. سیستم میتواند وضعیت شبکه را بررسی کند، اختلاف میان هدف تعیینشده و عملکرد واقعی را تشخیص دهد و راهحلهای مختلف را مقایسه کند. پس از انتخاب گزینه مناسب، اقدامات لازم از طریق رابطهای برنامهنویسی استاندارد انجام میشود.
TM Forum برای توسعه شبکههای خودکار، شش سطح بلوغ تعریف کرده است. سطح صفر به شبکههایی مربوط میشود که تقریباً تمام عملیات آنها دستی است. در سطحهای میانی، هوش مصنوعی دادهها را تحلیل و پیشنهادهایی برای مهندسان ارائه میکند، اما تصمیم نهایی همچنان بر عهده انسان است. در سطح چهارم، سیستم میتواند بدون تأیید لحظهای انسان، مجموعهای از اقدامات مشخص را اجرا کند. سطح پنجم بالاترین سطح خودکارسازی است و در آن، شبکه میتواند بر اساس دادههای دریافتی، هدفهای عملیاتی را نیز تعیین کند.
طبق بررسی TM Forum از ۸۰ اپراتور جهانی، حدود ۲۰ درصد شرکتکنندگان گفتهاند قصد دارند تا سال ۲۰۲۷ سیستمهای سطح چهارم را به کار بگیرند. همچنین ۸۱ درصد اپراتورها اعلام کردهاند تا سال ۲۰۳۰ به سطح چهارم یا بالاتر خواهند رسید. این ارقام نشان میدهد صنعت مخابرات در حال حرکت از ابزارهای صرفاً تحلیلی به سیستمهایی است که مستقیماً در عملیات شبکه نقش دارند.
رسیدن به این سطح از خودکارسازی به یک چرخه پنجمرحلهای نیاز دارد. مرحله نخست، تعیین هدف یا Intent است. در این مرحله اپراتور مشخص میکند چه نتیجهای میخواهد به دست آورد. مرحله دوم، آگاهی یا Awareness است که شامل دریافت گزارشها، دادههای ترافیکی، وضعیت تجهیزات، رخدادهای امنیتی و نقشه توپولوژی شبکه میشود.
در مرحله سوم، سیستم دادهها را تحلیل میکند و علت فاصله میان عملکرد شبکه و هدف تعیینشده را پیدا میکند. برای نمونه، ممکن است مشخص شود بخشی از شبکه به دلیل کاهش ترافیک نیازی به فعالیت کامل ندارد یا یک سلول رادیویی در نزدیکی یک محل پرتردد با افزایش بار مواجه شده است. مرحله چهارم، تصمیمگیری است؛ یعنی سیستم راهحلهای مختلف را شبیهسازی میکند تا گزینهای انتخاب شود که ضمن حل مشکل، تعهدات مربوط به کیفیت سرویس را نقض نکند. در مرحله پنجم، اقدام اجرایی از طریق رابطهای استاندارد انجام میشود.
سامسونگ همچنین از مدلهای زبانی تخصصی برای صنعت مخابرات سخن گفته است. این مدلها برخلاف مدلهای عمومی، برای تحلیل دادههای شبکه، تشخیص اختلال، برنامهریزی ظرفیت، بررسی تهدیدهای امنیتی و مدیریت عملیات ارتباطی آموزش داده میشوند.
این شرکت پلتفرم CognitiV Network Operations Suite را بهعنوان یکی از بخشهای برنامه خود معرفی کرده است. این پلتفرم با معماری O-RAN سازگار است و از مجموعهای به نام AI Agent Fabric استفاده میکند. در این معماری، چند عامل هوش مصنوعی میتوانند وظایف مختلفی را انجام دهند و نتایج خود را با یکدیگر به اشتراک بگذارند.
استفاده از چند عامل به این دلیل اهمیت دارد که شبکه مخابراتی تنها یک مشکل واحد ندارد. یک عامل میتواند عملکرد شبکه رادیویی را بررسی کند، عامل دیگر وضعیت امنیتی را تحلیل کند و عامل سوم مصرف انرژی یا ظرفیت مراکز داده را زیر نظر بگیرد. هماهنگی میان این عاملها میتواند به اپراتور کمک کند تصمیمهایی بگیرد که همزمان چند هدف را پوشش میدهند.
سامسونگ معتقد است مدلهای هوش مصنوعی تخصصی میتوانند به توسعه قابلیتهای تجاری جدید نیز کمک کنند. اپراتورها ممکن است کیفیت شبکه و میزان تأخیر را در قالب رابطهای برنامهنویسی یا سرویسهای تضمینشده به مشتریان سازمانی بفروشند. برای مثال، یک شرکت میتواند برای ترافیک حساس خود کیفیت مشخص و تأخیر قابل پیشبینی خریداری کند.
با وجود مزیتهای احتمالی، شبکههای خودکار با چالشهایی نیز روبهرو هستند. سیستم باید بتواند در محیطی چندفروشنده فعالیت کند؛ زیرا اپراتورها معمولاً تجهیزات شرکتهای مختلف را در شبکه خود به کار میگیرند. استانداردهای باز، رابطهای برنامهنویسی مشترک و سازگاری میان تجهیزات برای جلوگیری از وابستگی به یک تأمینکننده اهمیت زیادی دارد.
امنیت نیز مسئلهای مهم است. هرچه اختیار بیشتری به عاملهای هوش مصنوعی داده شود، خطای آنها میتواند پیامد بزرگتری داشته باشد. یک تصمیم اشتباه در پیکربندی یا تخصیص منابع ممکن است بخشی از سرویس را مختل کند. به همین دلیل، اپراتورها به سازوکارهای نظارتی، ثبت کامل تصمیمها، امکان بازگشت به وضعیت قبلی و محدودیتهای روشن برای اقدامات خودکار نیاز خواهند داشت.
مسئله دیگر، اعتماد مهندسان و مدیران به تصمیمهای سیستم است. برای استفاده گسترده از هوش مصنوعی عاملمحور، اپراتورها باید بدانند سیستم چرا یک تصمیم خاص را گرفته و بر اساس کدام دادهها به آن نتیجه رسیده است. توضیحپذیری و امکان نظارت انسانی در سالهای آینده همچنان بخش مهمی از توسعه شبکههای خودکار خواهد بود.
برنامه سامسونگ نشان میدهد هوش مصنوعی در صنعت مخابرات از مرحله تشخیص ساده خطاها عبور کرده و به سمت مدیریت فعال شبکه حرکت میکند. با این حال، شبکه کاملاً خودمختار هنوز بهطور گسترده در دسترس نیست و رسیدن به سطوح چهارم و پنجم به آزمایشهای بیشتر، استانداردسازی و ایجاد اعتماد میان اپراتورها نیاز دارد.