در مرکز شهر شلوغ ساعت شلوغی است. هزاران تلفن هوشمند بین سلول ها حرکت می کنند، زیرا مسافران از دفاتر خارج می شوند و به خانه می روند. در سراسر شبکه، برنامه xApp مجهز به هوش مصنوعی در مورد اینکه کدام رادیو می‌تواند برای صرفه‌جویی در مصرف برق خاموش شود و کدام رادیو برای رسیدگی به تقاضا کاملاً فعال بماند، تصمیم‌گیری می‌کند. این تصمیمات به صورت خودکار در چند میلی ثانیه گرفته می شوند.
این وعده هوش مصنوعی در شبکه دسترسی رادیویی (RAN) است، اما چالشی را نیز به همراه دارد. اگر یک الگوریتم درست در زمانی که ترافیک شبکه به طور ناگهانی افزایش می یابد، تصمیم اشتباه بگیرد چه اتفاقی می افتد؟
VIAVI TeraVM AI RSG (AI RAN Scenario Generator) محیط امنی را فراهم می کند که در آن برنامه های RAN مبتنی بر هوش مصنوعی می توانند قبل از استقرار در شبکه های زنده آموزش، آزمایش و تأیید شوند.
این پلتفرم شبیه‌سازی RF با کیفیت بالا، ردیابی پرتوهای سه‌بعدی واقعی، داده‌های میدانی خاص سایت، و مجموعه داده‌های ترکیبی را که رفتار شبکه مصنوعی و واقعی را ترکیب می‌کنند، ترکیب می‌کند. نتیجه یک دوقلو دیجیتال است که به تیم‌ها اجازه می‌دهد تا دقیقاً درک کنند که برنامه‌های کاربردی هوش مصنوعی در شرایط عملیاتی دنیای واقعی چگونه عمل می‌کنند.
AI RSG می‌تواند یک محیط شهری متراکم با هزاران کاربر، سلول‌ها و شرایط ترافیکی در حال تغییر را مدل‌سازی کند. در کنار آن، برنامه VIAVI Twin ADK یک محیط توسعه مبتنی بر پایتون را فراهم می کند که در آن مهندسان می توانند به سرعت برنامه های هوش مصنوعی را برای شبکه های RAN بسازند و آزمایش کنند.
کاری که AI RSG انجام می دهد
AI RSG قابلیت هایی را ارائه می دهد که فراتر از شبیه سازی شبکه سنتی است.
ایجاد سناریوهای در مقیاس بزرگ
این پلتفرم می‌تواند هزاران دستگاه کاربر و سلول‌های شبکه را به همراه وسایل نقلیه متحرک، فعالیت مشترکین و تغییر الگوهای ترافیک شبیه‌سازی کند. این اجازه می دهد تا مدل های هوش مصنوعی تحت شرایط واقعی در مقیاس آزمایش شوند.
تزریق ناهنجاری و اعتبار سنجی حلقه بسته
مهندسان می توانند خرابی های کنترل شده و شرایط غیرعادی شبکه را برای ارزیابی انعطاف پذیری برنامه معرفی کنند. را مکانیسم اعتبارسنجی برنامه (AVE) راه‌حل‌های rApp و xApp را با مدل‌های پایه مقایسه می‌کند و تأثیر آنها را بر شاخص‌های کلیدی عملکرد (KPI) می‌سنجد.
داده های ترکیبی برای آموزش هوش مصنوعی
مجموعه داده های مصنوعی با روندهای KPI شبکه تاریخی و فعال غنی شده است. این به مدل‌های هوش مصنوعی در طول آموزش و اعتبارسنجی، هم در معرض تغییرات واقعی و هم رفتار شبکه در دنیای واقعی قرار می‌گیرد.
دوقلو دیجیتال RF با دقت بالا
AI RSG ردیابی پرتوهای پیشرفته را با اندازه‌گیری‌های میدانی برای ایجاد ترکیب می‌کند رابط دیجیتال دوقلو هوا که به طور دقیق انتشار، تحرک و شرایط تداخل را بازتولید می کند. این از تست بی سیم و تست رابط دیجیتال پشتیبانی می کند.
بلوک های ساختمانی
راه حل شامل چهار جزء کلیدی است:
- TeraVM AI RSG: سناریوهای شبکه واقعی، رفتار کاربر و الگوهای ترافیکی را برای آموزش و اعتبار سنجی هوش مصنوعی ایجاد می کند.
- رابط هوای دیجیتال دوگانه: یک محیط RF با کیفیت بالا و کالیبره شده با اندازه گیری های میدانی در دنیای واقعی را فراهم می کند.
- App Twin ADK: یک محیط توسعه مبتنی بر پایتون که در آن مهندسان می‌توانند برنامه‌های کاربردی هوش مصنوعی و گردش‌های کاری شبیه‌سازی را بسازند، آزمایش کنند، و استقرار دهند.
- مکانیسم اعتبارسنجی برنامه (AVE): عملکرد برنامه را در برابر خطوط پایه اندازه گیری می کند، نتایج را ارزیابی می کند و از بهینه سازی تکراری از طریق آزمایش حلقه بسته پشتیبانی می کند.
یک پلتفرم، کاربران مختلف
تیم‌های مختلف به دلایل مختلف از AI RSG استفاده می‌کنند، اما هدف همه آنها یکسان است: پیدا کردن و رفع مشکلات قبل از استقرار.
سازندگان تجهیزات شبکه (NEM)
NEM ها از AI RSG برای اعتبارسنجی عملکردهای هوش مصنوعی، تایید قابلیت همکاری و بازتولید مشکلات میدانی در یک محیط آزمایشگاهی کنترل شده استفاده می کنند.
آنها می توانند تعاملات بین مدل های هوش مصنوعی و پلتفرم های فروشنده را آزمایش کنند، الزامات امنیتی و ایمنی را تأیید کنند و رفتار مبتنی بر هوش مصنوعی را با عملکرد سنتی RAN مقایسه کنند.
نتیجه صدور گواهینامه سریعتر، تست رگرسیون قابل اعتماد و کاهش ریسک استقرار است.
اپراتورها و ارائه دهندگان خدمات
اپراتورها از AI RSG برای ارزیابی ریسک‌های استقرار، بهینه‌سازی عملکرد شبکه و حفاظت از قراردادهای سطح خدمات استفاده می‌کنند.
دوقلوهای دیجیتال کالیبره شده میدانی به تیم ها اجازه می دهد تا استراتژی های صرفه جویی در انرژی، مدیریت ترافیک، کاهش تداخل و برش شبکه را قبل از ایجاد تغییرات در شبکه های تولیدی آزمایش کنند.
این امر نیاز به آزمایش های میدانی گران قیمت را کاهش می دهد و در عین حال KPI ها را بهبود می بخشد و استقرار را سرعت می بخشد.
توسعه دهندگان rApp و xApp
توسعه‌دهندگان می‌توانند نسخه‌های دیجیتالی برنامه‌های تولید، مدل‌های قطار را بسازند و عملکرد را با استفاده از AVE اندازه‌گیری کنند.
با ترکیب داده‌های مصنوعی، روندهای KPI تاریخی و تزریق ناهنجاری، توسعه‌دهندگان می‌توانند مدل‌های قوی‌تری بسازند و زمان عرضه به بازار را کاهش دهند.
نتیجه چرخه های توسعه سریعتر و بهبود عملکرد قابل اندازه گیری است.
موسسات تحقیقاتی و نهادهای استاندارد
محققان می توانند تکنیک های جدید هوش مصنوعی، الگوریتم های RAN و معماری شبکه را با استفاده از محیط های کنترل شده و قابل تکرار ارزیابی کنند.
این امکان آزمایش سریعتر، معیارهای منسجم‌تر و کاهش اتکا به آزمایش‌های میدانی گران قیمت را فراهم می‌کند.
سازمان های دفاعی و دولتی
تیم‌های دفاعی و دولتی می‌توانند استقرار 5G حیاتی، شبکه‌های تاکتیکی و انعطاف‌پذیری در برابر سناریوهای ارتباطی تخریب‌شده را ارزیابی کنند.
محیط های آزمایشی ایمن و دارای شکاف هوا، اطمینان قبل از استقرار را فراهم می کند و به بهبود آمادگی ماموریت کمک می کند.
تست چگونه کار می کند
هر پروژه با یک خط پایه شروع می شود. مهندسان پیکربندی‌های شبکه، اطلاعات سایت و داده‌های عملکرد را در App Twin ADK آپلود می‌کنند. سپس AI RSG سناریوهای هدف را تولید می کند، از جمله تراکم شهری، رویدادهای تحرک، شرایط تداخل و ناهنجاری های شبکه.
این سناریوها به مجموعه داده‌های آموزشی و اعتبارسنجی برای برنامه‌های هوش مصنوعی در حال اجرا در محیط توسعه تبدیل می‌شوند.
مکانیسم اعتبار سنجی برنامه با مقایسه راه حل های برنامه با معیارها و اندازه گیری پیشرفت های KPI، حلقه را می بندد. تیم‌ها می‌توانند مدل‌های خود را اصلاح کرده و مجدداً آزمایش کنند تا زمانی که به سطوح عملکرد هدف دست یابند.
آنها برنامه های تست حلقه بسته معمولی را نشان می دهند 10-20٪ بهبود KPI در برابر اهداف، همراه با دستاوردهای قابل اندازه گیری در بهره وری انرژی و توان عملیاتی شبکه.
بخشی از چیزی بزرگتر
TeraVM AI RSG و App Twin ADK آزمایش میدانی پرهزینه و پرخطر را به فرآیندی تکرارپذیر و مبتنی بر داده تبدیل می‌کند.
برای فروشندگان تجهیزات شبکه، از صدور گواهینامه و تست رگرسیون پشتیبانی می کند. برای اپراتورها، این خطر استقرار را کاهش می دهد و بهینه سازی شبکه را امکان پذیر می کند. برای توسعه دهندگان برنامه، بازخورد سریعی را ارائه می دهد که نوآوری را تسریع می کند.
AI RSG نیز جزء اصلی است VIAVI’s Generative Reality Digital Twin™ (GRDT).یک چارچوب دوگانه عددی یکپارچه که مدل‌های با کیفیت بالا و کالیبره‌شده با داده‌های واقعی از شبکه‌های زنده در RAN، IP، حمل و نقل و سایر حوزه‌ها را ایجاد می‌کند.
بر اساس یک اصل ساده است: قبل از اینکه هوش مصنوعی در یک شبکه زنده تصمیم بگیرد، هوش مصنوعی باید هوش مصنوعی را آزمایش کند.
در مرکز شهر شلوغ، xApp هنوز در چند میلی ثانیه تصمیم می گیرد. تفاوت این است که این راه حل ها قبلا هزاران بار در یک دوقلو دیجیتال آزمایش شده اند که به طور دقیق نحوه واکنش شبکه واقعی را پیش بینی می کند، مدت ها قبل از اینکه یک مشترک تحت تأثیر قرار گیرد.
برای پست بعدی این مجموعه تماشا کنید: سفر شبکه مستقل و اینکه چگونه AI RSG به ساخت RAN کمک می کند که بتواند نظارت کند، خودش تصمیم بگیرد و خودش عمل کند. ما نگاهی عمیق تر به موارد استفاده، گردش کار، شواهد بازار و نحوه شروع خواهیم داشت. با ما همراه باشید.
