شبکه‌های مخابراتی به صورت روزافزون پاسخگو و خودکار می‌شوند تا بتوانند به ارائه‌دهندگان سرویس‌ها کمک کنند تا هزینه‌های عملیاتی خود را کاهش دهند.
بهره گیری از هوش مصنوعی برای بهبود نظارت و آزمایش شبکه توسط ارایه دهندگان خدمات در آمریکا
دو ارایه دهنده بزرگ خدمات در ایالات متحده به روش‌های مختلفی از هوش مصنوعی و یادگیری ماشین استفاده می‌کنند. در ادامه یک نگاه اجمالی به آنچه آنها اخیراً در مورد کارهایی که در بهبود نظارت و آزمایش شبکه داشته‌اند و آنچه پیش رو است به عنوان لبه‌ی شبکه ،که بیشتر پاسخگوی هجوم کاربران، دستگاه ها و تغییر شرایط شبکه است، انجام می‌شود.
بهبود عملکرد شبکه با صدها میلیون مشتری با استفاده از هوش مصنوعی
Adam Koeppe، برای استراتژی تکنولوژی، معماری و برنامه‌ریزی در وریزون، گفت: هوش مصنوعی امکان بهبود عملکرد شبکه را با گرفتن داده‌ها از تعاملات ده هزار گره شبکه با صدها میلیون مشتری فراهم می‌کند. کوپه گفت: “اطلاعاتی که از تمام مولفه های موجود در شبکه به دست می‌آید، بسیار زیاد است. هر یک از سایت‌های سلولی، اتصالات ، تعاملات داده های مشتری، چیزی ایجاد می کند که ما می‌توانیم برای درک بهتر کیفیت تجربه استفاده کنیم.”
بکارگیری هوش مصنوعی برای مدیریت شبکه در T-Mobile
T- Mobile هم از هوش مصنوعی و یادگیری ماشین برای کاربردهایی که شامل نظارت و مدیریت شبکه است، استفاده می‌کند. SVP و مدیر ارشد عملیاتی تکنولوژی T-Mobile، King، در ایمیلی به Light Reading می‌نویسد: این موارد عبارتند از” تشخیص حالتی غیرعادی در نظارت بر خدمات بحرانی، برای پیش‌بینی تغییرات شبکه رادیویی و تریگر کردن تغییرات پارامتر اتوماتیک استفاده می‌کنیم.”
رشد فزاینده بکارگیری هوش مصنوعی در شبکه های RAN
ارائه‌دهندگان سرویس‌ها به طور فزاینده‌ای از هوش مصنوعی در شبکه‌های دسترسی رادیویی(RAN) خود استفاده می کنند، زیرا عناصر RAN از طریق small cellها و مجازی‌سازی توزیع می شوند. به عنوان مثال Verizon، از AI برای فعال کردن شبکه‌های خودسازمانده، استفاده می‌کند. وقتی در سایتی، downtilt اتفاق می‌افتد، اپراتور با استفاده از هوش مصنوعی و یادگیری ماشین می‌تواند از راه دور آنتن‌های همسایه‌ی آنتنِ downtilt شده را در سایت‌های دیگر تنظیم کند تا بتواند آن را جبران کند. کوپه توضیح داد: “این اتفاق در زمان واقعی بر اساس فیدهای متعددی که از شبکه خارج می شوند، می‌افتد.”
آزمایش ویژگی های جدید اتوماسیون و هوش مصنوعی
T-Mobile گفت که از اتوماسیون و هوش مصنوعی برای آزمایش و تأیید ویژگی‌های شبکه و به روزرسانی‌های نرم‌افزاری قبل از رفتن از آزمایشگاه به دنیای واقعی، استفاده می‌کند.” T-Mobile در محیط آزمایشگاهیِ خود دارای مجموعه وسیعی از ابزارهای اتوماسیون است که قادر به شبیه‌سازیِ شرایط مخابراتی در دنیای واقعی است، بنابراین ما می توانیم ویژگی‌ها و عملکردهای گوشی‌ها و نرم‌افزار و سخت‌افزار جدیدی را که در شبکه‌ی ۵G اپراتور T-mobile اجرا می‌شوند ، تأیید کنیم. King گفت: “این آزمایش شامل مواردی مانند آزمایش افت خودکار است تا اطمینان حاصل شود که هندستهای جدید در هنگام افت اتفاقی مستعد آسیب دیدن نیستند.”
در لبه دانش هوش مصنوعی هنوز برای اپراتورهای تلفن همراه مشخص نیست
اپراتورهای شبکه از راه‌هایی که هوش مصنوعی به آنها کمک می‌کند تا از قابلیت‌های شبکه‌های نسل بعدی استفاده کنند، هیجان زده هستند. اما آنها باید در برابر وسوسه‌ی انجام هرکاری که هوش مصنوعی آنها را قادر می‌سازد، مقاومت کنند. استفانی گیبونز ، تحلیلگر اصلی نرم افزار شبکه مخابراتی در Omdia ، یک شرکت خواهر از Light Reading ، در اوایل ماه جاری گفت: “لبه، اقیانوسی است که هنوز برای اپراتورهای تلفن های همراه به طور کامل شناخته شده نیست.”
امکان برش یک شبکه کاملا مجازی با پروتکل های هوش مصنوعی و ML
برش شبکه(Network Slicing) به اپراتورهای شبکه تلفن همراه کمک می‌کند و به آنها امکان می‌دهد چندین شبکه مجازی را در یک شبکه فیزیکی واحد اجرا کنند. این کار با محاسبات لبه ای همگام است و هر دو فناوری توسط AI و ML قوی تر می شوند. کوپه از وریزون می گوید: “این پروتکل های AI ، ML و اتوماسیون به شما کمک می کنند تا در نهایت یک شبکه کاملا مجازی را برش دهید.”
تجربه لذت بخش برای مشتری با کمک هوش مصنوعی
Verizon قصد دارد با استفاده از هوش مصنوعی در لبه شبکه، برنامه‌هایی را که به منابع شبکه نیاز دارند شناسایی کند و این منابع را در زمان واقعی تأمین کند. کوپه از مثال بازی های موبایل برای توضیح این موضوع استفاده کرد و گفت: “شبکه قرار است بداند که این نوع دستگاهها به یک throughput خاص و یک میزان تأخیر خاص نیاز دارند تا بتوانند تجربه لذت‌بخشی برای مشتری باشند.” “ما از AI و ML استفاده خواهیم کرد تا اطمینان حاصل کنیم که این اتفاق می افتد.” این قابلیت هم به محاسبات لبه‌ای و هم برش شبکه متکی است، که هر دو می توانند از هوش مصنوعی استفاده کنند.
کسب درآمد از توانایی‌های محاسبه لبه و ارایه سرویس‌های جدید توسط وریزون
همانطور که در ماه نوامبر گزارش شد ، Verizon توانایی‌های محاسبات لبه خود را به عنوان کلید اصلی برای قابلیت ارائه‌ی سرویس جدید می‌داند و انتظار دارد در آینده‌ای نزدیک از آنها درآمد کسب کند. Verizon بررسی شرکتهایی را که اخیراً سرویسی را با استفاده از محاسبات لبه ای آزمایش می کنند ، آغاز کرده است. راه اندازی اتومبیل متصل استارتاپِ Renovo از جمله سرویس‌های در حال آزمایش با شبکه لبه Verizon است و همانطور که King در T-Mobile اشاره کرد، دستگاهها و برنامه‌های اینترنت اشیاء نیز به سمتی می‌روند که درخواست منابع شبکه را دارند و هوش مصنوعی نیز می‌تواند در اینجا بدرخشد. وی گفت:”در حالیکه شبکه ۵G به توسعه‌ی مجازی‌سازی و ایجاد محیط‌های cloud native ادامه می‌دهد، هوش مصنوعی نقش زیادی در نظارت و تنظیم اجزای مختلف شبکه را که ممکن است توسط مشتریان یا دستگاه ها و برنامه های اینترنت اشیاء استفاده شود ، بازی خواهد کرد.”
سرمایه گذاری مخابرات در هوش مصنوعی واقعی می شود
البته Verizon و T-Mobile تنها نیستند. ارائه دهندگان سرویس‌های ارتباطی در سراسر جهان به نقطه‌ای برخورد می‌کنند که هجوم ترافیک و دستگاه‌های جدید بیش از آن است که سیستم های قدیمی و فرایندهای دستی بتوانند از پس آن برآیند. تحلیلگران به دنبال هوش مصنوعی و یادگیری ماشین به عنوان زمینه‌های اصلی سرمایه‌گذاری در سال آینده هستند، زیرا ارائه‌دهندگان خدمات اولویت سرمایه‌گذاری‌های خود را در مورد صرفه‌جویی در opex و راه‌اندازی سرویس‌هایی که دست نیافتنی بودند، در شبکه‌های ۵G جدید خود قرار می‌دهند.
مدیر عملیاتیOmdia ، Kris Szaniawski ، در گزارش خود “operations and IT Trends to Watch: Telecom 2021″، نوشت: خودکارسازی شبکه‌‌هایی که پیچیدگی آنها روزبه‌روز در حال افزایش است و محیط‌های مدیریت سرویس، همراه با هوش مصنوعی و قابلیت‌های مدیریت داده مورد نیاز برای پشتیبانی از این امر ، به یک اولویت اصلی CSP ها تبدیل شده است.
طبق نظرسنجی های ICT شرکت Omdia ، تقریباً ۸۰٪ CSP ها استفاده از “هوش مصنوعی/تجزیه‌وتحلیل” برای خودکار کردن فعالیت های شبکه را یک پروژه “مهم” یا “بسیار مهم” IT برای سال ۲۰۲۱ می دانند. تقریبا ۶۰٪ CSP هایی که Omdia نظرسنجی کرد درحال برنامه‌ریزی برای افزایش سرمایه‌گذاری در ابزارهای هوش مصنوعی هستند.
بیشترین کاربردهای هوش مصنوعی برای ارایه دهندگان سرویس
Szaniawski می نویسد: برخی از بیشترین کاربردهای هوش مصنوعی برای ارائه‌دهنده‌ی سرویس‌ها شامل “پیش بینی و جلوگیری از خطای شبکه ، اتوماسیون کردن مدیریت E2E چرخه عمر و مدیریت برش شبکه” است.
– فیل هاروی ، سردبیر ، Light Reading
Marta DeGrasse ، مشارکت کننده در Light Reading ، گزارشات دیگری را برای این داستان ارائه داده است.
فاطمه بختیاری