Вне зоны доступа: как мобильные операторы используют ИИ

Содержание:

• Как работают мобильные сети
• Какую роль играют алгоритмы в управлении трафиком
• Динамическая нарезка сети 5G
• Планирование сети
• Управление энергопотреблением
• Предиктивное обслуживание
• Как ИИ используют для мониторинга пожаров и поиска преступников
• Будущее технологии в телекоме

Как работают мобильные сети 

Операторы мобильной связи сегодня предоставляют своим клиентам разные уровни обслуживания (Quality of Service, или QoS). 

Качество связи зависит от сочетания нескольких параметров: 

• полоса пропускания — допустимая скорость передачи данных между устройствами в сети;
• задержка — время, которое необходимо для передачи пакета от отправителя к получателю;
• потеря пакетов — показатель того, какой процент не доходит до места назначения;
• джиттер — вариация во времени задержки. 

В типичном соглашении об уровне услуг (SLA) прописывают эти параметры, например, что задержка доставки 95% пакетов не должна превышать 1 мс. При нарушении условий договора оператор выплачивает клиенту компенсацию. 

Есть и альтернативный подход к QoS — пользователям предоставляют максимально широкие и производительные каналы, которых хватает для любых приложений. На практике он становится нерентабельным для провайдеров: слишком высоки затраты на оборудование и каналы связи. 

Кроме того, операторы устали от роли «трубы» для передачи сетевого трафика. Они ищут новые источники дохода, которые меньше зависят от инвестиций в инфраструктуру.

Именно поэтому они запускают решения для умных городов, платформы анализа данных, облачные сервисы, приложения для стриминга и так далее. Исследования GSMA показывают, что в 2022-м на дополнительные продукты и услуги приходилось 26% выручки 16 крупных операторов (18% в 2017 году).

Сейчас телеком-компании регулируют качество обслуживания, используя разные технологии в зависимости от среды передачи данных и протоколов верхнего уровня.

В контексте 5G применяется концепция network slicing («нарезка» сетей). При таком подходе создают виртуальные изолированные сети, которые работают поверх существующей опорной сети связи. Проще говоря, операторы развертывают множество сетевых слоев с разными характеристиками — по отдельности для каждого сервиса. Например, для интернета вещей, стриминга и онлайн-игр.

Дополнить и улучшить эти технологии способен искусственный интеллект. Современные системы ИИ в режиме реального времени анализируют огромные объемы данных, включая видеопотоки. Это открывает новые возможности для динамичного и интеллектуального управления трафиком в мобильных сетях.

По оценкам Juniper Research, к 2028 телеком-компании увеличат расходы на ИИ в сфере автоматизации управления сетями до $20 млрд — прирост на 240% по сравнению с 2024 годом. 

По теме. Всё о 6G: какой будет мобильная связь будущего

Какую роль играют алгоритмы в управлении трафиком

Как и во многих других системах, в мобильных сетях компоненты разделены по типу обрабатываемых и передаваемых данных: 

• User plan (уровень пользователя). На этом уровне передаются данные пользователя, например, голосовой звонок, SMS или интернет-трафик. 
• Control plane (уровень контроля). Здесь происходит обмен сигнальным трафиком. По сути, это часть системы, которая управляет сетью передачи данных. На этом уровне реализованы такие функции, как аутентификация пользовательских устройств, управление сессиями и политиками сети, например, QoS. 
• Management plane (уровень управления). На это уровне создается, поддерживается и меняется набор правил, регулирующих работу системы. Этот уровень предназначен для общего администрирования и конфигурирования сети. 

Как работают уровни, можно объяснить на простом примере, который не относится к мобильным сетям. Представим, что все светофоры в городе объединены в единую систему. Control plane — центральный контроллер, который на основании набора правил сообщает, какому светофору и когда переключаться. Сами сигналы светофора лежат в плоскости user plane. К management plane можно отнести ПО, которое позволяет программировать контроллер на основе определенных сценариев (например, с заменой режимов работы светофоров в часы пик).

ИИ полезен для анализа данных и прогнозирования, но во время передачи трафика работа нейросетей занимает слишком много времени. Чтобы оптимизировать процессы на уровне пользователя и контроля алгоритмам, пока не хватит скорости. Поэтому оптимальный вариант применения технологии — на уровне управления. 

Динамическая нарезка сети 5G

Алгоритмы машинного обучения могут прогнозировать структуру трафика и настраивать срезы так, чтобы они не потребляли лишние ресурсы и обеспечивали производительность, нужную для конкретных приложений.

ИИ-системы могут отслеживать участки сети в режиме реального времени, чтобы вносить коррективы для поддержания QoS. 

Если у критически важного приложения увеличивается задержка, ИИ может автоматически перераспределить ресурсы с менее важных виртуальных участков. Для примера: нейросети могут «перебросить» пропускную способность от приложения для стриминга к системе автономного вождения. 

Планирование сети

ИИ может помочь с размещением новых вышек. С помощью нейросетей можно проанализировать 3D-карты местности, плотность населения, производительность мобильной сети и другие данные, чтобы определить районы, где растет спрос на качественную связь. 

Также можно определить конкретные места для размещения новых вышек с учетом рельефа, инфраструктуры, возможных помех и близости к пользователям. Еще до фактического развертывания — смоделировать разные сценарии, чтобы рассчитать, как новые вышки повлияют на покрытие. 

Управление энергопотреблением 

По оценкам GSMA, операторы связи тратят на электроэнергию примерно 20-40% операционных расходов, в основном — на мобильные и фиксированные сети. При этом в последние несколько лет рост затрат на электроэнергию у крупных игроков опережает рост продаж примерно на 50%. 

Провайдерам нужно оптимизировать энергопотребление — и не только из-за цены, но и из-за перехода к углеродной нейтральности из экологических соображений. 

ИИ может в динамике регулировать потребление энергии базовых станций. Нейросети анализируют структуру трафика и предсказывают время низкого спроса, а потом временно отключают некоторые компоненты сети, не нанося ущерба качеству обслуживания.  

Предиктивное обслуживание

С помощью датчиков алгоритмы могут анализировать огромные объемы данных о сетевом оборудовании для выявления аномалий (например, температуру, вибрации и качество сигнала). Это позволяет предсказать сбои до того, как машина выйдет из строя, и принять меры —  запланировать визит техника или замену оборудования. 

Еще один вариант — обучить ИИ-модели на исторических данных, чтобы они на основе опыта прогнозировали, какие именно компоненты могут сломаться. На основе этих данных можно составить график обслуживания. 

Благодаря ИИ потенциально можно сократить время простоя, по оценкам IBM, примерно на 5-15% и расходы на ремонт. 

По теме. Эксперты назвали Россию одной из самых благоприятных стран для развития искусственного интеллекта

Как ИИ используют для мониторинга пожаров и поиска преступников 

Приведу два примера внедрения ИИ в мобильной связи из собственной практики. Решения были реализованы в качестве демонстрационных стендов для европейских операторов. Благодаря им удалось сэкономить ресурсы сети и предоставить высокий уровень сервиса, когда это необходимо. 

Пример №1: мониторинг окружающей среды. В национальных парках и заповедниках обычно установлены камеры, которые помогают вовремя замечать пожары и другие чрезвычайные ситуации. Для экономии ресурсов они работают в режиме низкой пропускной способности. Это значит, что изображение с них передается в плохом качестве. ИИ при обнаружении задымления может автоматически увеличить полосу пропускания и передать четкие кадры. Это позволит принять решения на основе полной информации. 

Пример №2: мониторинг с видеорегистраторов для сотрудников полиции. В обычных условиях эти камеры передают видеопоток среднего качества. Однако когда офицер останавливает потенциального нарушителя, ИИ-система позволяет автоматически увеличить разрешение. Благодаря этому можно зафиксировать критически важные мелкие детали, которые потенциально могут помочь правоохранительным органам в расследованиях. 

Технически подобные проекты можно реализовать с помощью размещения inference engines вблизи камер. Так называются компоненты ИИ, которые отвечают за вывод решения на основе входных данных.  Это обеспечит минимальную задержку. 

В случае с национальными парками ИИ-компоненты распределили по Европе и Северной Америке. Inference engines заранее натренирован на распознавание чрезвычайных ситуаций. Как только ИИ «видит» в видеопотоке признаки пожара, сигнал подается на management plane в основном центре обработки данных в Европе.

После этого на уровне контроля проходит перенастройка параметров, чтобы обеспечить отличное качество передачи. Также дежурный персонал получает автоматическое оповещение. 

Искусственный интеллект. Практический курс. Автоматизируйте бизнес-задачи с помощью ИИ и уделите больше времени тому, что действительно важно

Будущее технологии в телекоме 

ИИ имеет большие перспективы в телеком-индустрии. Процесс внедрения замедляет то, что не всем операторам очевидны его выгоды. Еще одной проблемой становится сбор данных для обучения и внедрения ИИ. Мобильные сети генерируют огромные объемы информации, но она часто плохо структурирована и распределена по разным устаревшим системам. 

Наконец, оператором связи часто не хватает компетенций, что, впрочем, касается и внедрения 5G в целом. Традиционно они полагаются на одного-двух поставщиков, которые предоставляют вертикально интегрированные решения под ключ и сами занимаются их обслуживанием. Новая парадигма требует более широких компетенций на местах: от классических операторских задач до программирования и DevOps.

Выиграют те операторы, которые научатся грамотно управлять данными, закроют пробелы в навыках и придумают, как именно монетизировать перспективные ИИ-технологии.