5G Teknolojisinde Yapay Zekanın Benimsenmesi

5G ve gelecek

4G ağları (İnternet Protokolü veya IP, geniş bant bağlantısı kullanan ve reaksiyona dayalı) bağlantı ortamına hakim olurken, yapay zeka ve makine öğrenimi ve derin öğrenme dahil olmak üzere çeşitli alt kategorileri, bireylere sunmaya hazır şekilde gelişiyor. 4G ile gördüğümüz spektrumların yetersiz verimliliğini 5G ağlar ele alıyor!

5G aracılığıyla sunulabilen bir çözüm, hala analog televizyon sinyalleri yayınlayan ülkelerde kullanılan bir dağıtım olan dinamik spektrum tahsisidir. Buna kısaca DSA denir.

DSA, operatörlerin veri taleplerini karşılamasına yardımcı olarak, verileri iletebilecekleri boşlukları arayan radyoların spektrum kullanımının optimizasyonunu yapmaktadır.

Başka bir deyişle, 5G öngörücü ve proaktiftir ve kendi başına gerçek zamanlı, otomatik karar verme ihtiyacını doğuracaktır.

Yapay Zekanın Benimsenmesi

Birçok servis sağlayıcı, ağlarında yapay zekayı kullanma konusunda başarılı denemeler gerçekleştiriyorlar.

Yapay zeka, verileri değerlendirir ve kullanıcılara hızlı bir şekilde analitik sonuçlar sunar. Ham verileri analiz eden ve otonom olarak daha fazla içgörü sağlayabilecek kalıpları arayan Makine Öğrenimini (ML) kapsar. Halihazırda üretim, sağlık hizmetleri ve bankacılık gibi sektörlerde yapay zekanın faydalarından yararlanılıyor. Hizmet sağlayıcılar için yapay zeka, karmaşıklığı daha etkili bir şekilde yönetmek ve ağ performansını optimize etmek için ortak bir hedefle, altyapı sağlayıcıları ile duruma göre ortaklaşa oluşturulması gereken fırsatlar sunmaktadır. Gerçekleştirdiğimiz araştırmalarda bulduğumuz raporlar ışığında; dünyanın dört bir yanındaki hizmet sağlayıcıların şu anda yapay zeka ile entegrasyon çalışmaları olduğunu gözlemledik.

Lakin, Ericsson Mobility Report’u incelediğimizde; bu sağlayıcıların, yalnızca yüzde 12’si yapay zekanın uygulaması hakkında ayrıntılı bilgiye sahip olduğunu gördük. Bununla birlikte, yüzde 49’u kendilerinin oldukça ayrıntılı bir yapay zeka uygulaması bilgisine sahip olduğunu düşünmekte. Tam olarak yüzde 53’ü, yapay zekanın 2020’nin sonundan önce ağlarında benimsenmesini öngörüyordu ve bu benimsemelerin faydaların 1 ila 2 yıl içinde ortaya çıkacağına dair genel bir beklenti vardı. Hizmet sağlayıcıların çoğu, yapay zekayı test etme aşamasındalar ve yüzde 48’i sermaye harcamalarını azaltmak için yapay zekaya adeta danışıyorlar diyebiliriz. Yüzde 41’i daha ağ performansını optimize etmek için yapay zeka kullanmaya ve yüzde 35’i yeni gelir akışları için kullanmaya odaklanıyorlar.

Yapay zeka benimsemesinin etkisi

Dünyanın dört bir yanındaki servis sağlayıcıları, yapay zekanın etkisini şimdiden görüyor.

Dünyanın dört bir yanında bulunan hizmet sağlayıcıları, yapay zekanın şu anda çekirdek ağ etkinlikleri üzerinde en büyük etkiye sahip olduğu alan olarak müşteriler için geliştirilmiş güvenilirlik gözlemliyor. İncelediğimiz raporlar, yapay zekanın şu anda ağ evrimini basitleştirmekten mevcut ağlarda performansı iyileştirmeye kadar uzanan iyileştirmeleri kolaylaştırdığını ortaya koydu.

Yapay zekanın başarılı bir şekilde benimsenmesinin zorlukları

Ağ verilerine erişmek ve bunları işle ilgili zorlukları çözmek için kullanmak, birçok servis sağlayıcının karşılaştığı engeller arasındadır.

Yapay zekanın potansiyelini en üst düzeye çıkarmak için, ağ geliştirme ve iyileştirme için net ve eyleme geçirilebilir içgörüler sağlamak amacıyla verilerin etkili bir şekilde toplanması, yapılandırılması ve analiz edilmesi gerekmektedir.

Bu, dünya çapında hizmet sağlayıcıları ve altyapı satıcıları arasında bir endişe kaynağı olarak belirmektedir ve bu sağlayıcıların yüzde 71’i standartlaştırılmış arabirimlerin tanımlanması ve uygulanmasıyla ilgili endişelerini dile getirmektedirler.

Araştırmamız esnasında; okuduğumuz raporlarda, şirketlerin verileri etkili bir şekilde toplayıp toplamadığına dair raporları da inceledik. Bununla birlikte veri kalitesinin bir sorun olduğu da ortaya çıktı.

Küresel olarak ifade edilen diğer endişeler arasında çok fazla kaynaktan elde edilen fazla miktarda veri; bozulma veya tehlike altındaki varlıkların göstergelerini bulma sorunları; verilerin çok fazla sistemde depolanması; ve verilerin tek başına sahiplik veya denetim eksikliği yer almaktadır. Bu endişelerin altında, veri analitiğine yönelik geleneksel yaklaşımların merkezi ve genel analiz araçlarına dayandığı gerçeği yatmaktadır. Bunlar, 5G ağlarında artan karmaşıklık ve büyük veri hacimlerini ele almak için uygun değildir. İncelediğimiz araştırmalarda, vurgulanan engeller (veri kalitesi, kaynakların ve sistemlerin çokluğu), veri analitiğine yönelik geleneksel yaklaşımın sınırlamalarının göstergesidir.

Yapay zeka destekli ağlar, sistemleri akıllı, uyarlanabilir, öz farkındalığa sahip, proaktif ve kuralcı hale getiren gelişmiş veri analizi kullanır. Bunlar, ilişkili işletme maliyetlerinin azaltılmasında ve hizmet sağlayıcıların belirttiği birçok engelin, verilere göre hareket edilmesinden kaynaklanan içgörüleri engellemekte önemli bir rol oynayabilirler.

Ağ Zekası ve Otomasyon

Ağ zekası ve otomasyon, 5G, IoT ve endüstriyel dijitalleşmenin evrimi için çok önemlidir. 5G destekli teknolojiler geliştikçe, operatörlerin ağ kapasitelerini artırmaları gerekecektir. Lakin ek kapasite, ek karmaşıklık getirmektedir. Bu ek kapasitelerin olabildiğince optimize edilmesi gerekmektedir. Bu optimizasyon süreci de büyük miktarda iş yükü demektir. 5G kablosuz ağı, heterojen bir ağ olacaktır. Farklı ağların bir arada bulunması ve bunların trafik verilerinin önemli ölçüde farklı özelliklerle karışımı, ağ trafiğinin tahminini, yönetimini ve optimizasyonunu zor bir görev haline getirir. Optimizasyonlar için insan, son karar merceği olmalıdır. Optimizasyonları yapan temel birimin yapay zeka olması gerekmektedir. Yapay zeka hem iş yükünü hafifletecek, hem de karar verme sürecini hızlandıracaktır.

RAN performans iyileştirmesi için üç alan

RAN (Radio Access Network) performansının iyileştirilmesi, RAN operasyonunu çevrenin 3 boyutlu geometrisi ve kanal, kullanıcılar ve trafik dağılımlarındaki dinamik ağ değişiklikleri gibi statik ağ özelliklerine uyarlamak amacıyla; zaman, frekans ve boşluk boyunca RAN’ın kontrol parametrelerini güncellemeyi içermektedir. Bu bağlamda yapay zekayı başarılı bir şekilde uygulamanın temel ön koşulu, ağ performansını etkileyen farklı parametre sınıflarının doğası ve rolünün yanı sıra her bir sınıfın karmaşıklığı ve potansiyelinin derinlemesine anlaşılmasından geçmektedir.

Ağ tasarımı alanı

Ağ tasarım alanı, yeni hücrelerin sayısı ve konumu, hücrelerin temel bant (BB) birimleriyle ilişkilendirilmesi, esnek bir RAN (E-RAN) oluşturmak için temel bant birimlerinin seçimi gibi ağ dağıtımını tanımlayan parametreleri iyileştirmeye odaklanır (kısaca yapılandırmaya odaklanır). Ağ tasarımı, geleneksel olarak planlama araçlarına ve mühendislerin alan bilgisine dayanır ve mevcut bir ağa yeni hücreler eklendiğinde olduğu gibi oldukça seyrek olarak gerçekleştirilir.

Ağ optimizasyon alanı

Ağ optimizasyon alanı, ağ hiper parametrelerini ayarlamaya odaklanır. Hiperparametre terimi her ne kadar son yıllarda makine öğrenimi (ML) ile güçlü bir şekilde ilişkilendirilmiş olsa da, genellikle temel bir algoritmanın davranışını kontrol etmek için kullanılan herhangi bir parametreyi ifade etmektedir. Algoritmanın hiperparametreleri, aynı ölçülen girdi için, verilen senaryo için daha uygun olan farklı bir çıktı üretmek üzere ayarlanmaktadır.

Ağ hiperparametreleri hem çekirdek ağı hem de RAN’ı kapsasa da, burada odak noktamız hücreler ve kullanıcı ekipmanı için statik / yarı statik konfigürasyon parametreleri gibi RAN hiperparametreleri ve ayrıca RAN algoritmalarının hiperparametreleri üzerine olmalıdır.

Ağ hiperparametreleri, RAN algoritmalarını farklı ağ senaryolarına ve koşullarına yavaşça uyarlamak ve ağın belirli bir alanının (örnek vermek gerekirse, belirli bir hücre kümesinin) performansını, belirli anahtar performans göstergelerinin (kısaca KPI’ların) bulunduğu sabit bir duruma getirmek için optimize edilmiştir.

RAN algoritmaları alanı

RAN algoritmaları alanı, kullanıcıya / kullanıcıdan iletilen sinyali doğrudan etkileyen L3 ila L1 kontrol parametrelerini optimize etmeye odaklanır. Örnekler arasında geçiş ve bağlantı kararları ile modülasyon ve kodlama şeması, kaynak blokları, güç ve kirişler gibi kaynakların kullanıcılara tahsisi yer alır. L3’ten L1’e algoritmaları, bu parametreleri hızlı bir zaman ölçeğinde, bireysel ağ varlıkları (örneğin hücreler ve UE’ler) için, kanal, trafik, kullanıcı dağıtımı vb. Açısından hızla değişen ortam koşullarına uyarlar.