يمكن لـ AI-RAN تحسين كفاءة الشبكة وزيادة الأمان وحتى رفع مستوى الخدمة طوال الوقت
لقد شق الذكاء الاصطناعي طريقه إلى كل ركن من أركان التكنولوجيا تقريبًا، والبنية التحتية للاتصالات ليست استثناءً. ومن بين التطورات الأكثر إثارة للاهتمام في هذا المجال هو AI-RAN، وهو تقارب بين الذكاء الاصطناعي والبنية التحتية لشبكة الوصول الراديوي والذي يتم وضعه كتحول أساسي في كيفية عمل الشبكات. مع استمرار انتشار شبكات الجيل الخامس (5G) واقتراب شبكات الجيل السادس (6G)، تمثل فكرة دمج الذكاء الاصطناعي مباشرة في البنية التحتية للشبكة خروجًا عن الطريقة التي كنا نفكر بها تقليديًا بشأن الاتصال وحوسبة الحافة والمعالجة في الوقت الفعلي.
ومع ذلك، وسط اهتمام الاستثمار والصناعة المحيط بـ AI-RAN، هناك سؤال مشروع يستحق الطرح: هل هذا تحويلي بالفعل، أم مجرد أحدث كلمة طنانة في صناعة معروفة بدورات الضجيج؟
ما هو AI-RAN؟
تعمل تقنية AI-RAN على دمج قدرات الذكاء الاصطناعي مباشرةً في البنية التحتية لشبكة الوصول الراديوي. فهو يجمع بين الذكاء الاصطناعي وRAN في ما يعد في الأساس منصة حوسبة تشكل أساس الشبكات الخلوية الحديثة. على عكس بنيات الشبكات التقليدية التي تعتمد على أجهزة مخصصة لـ RAN، تستخدم AI-RAN حوسبة للأغراض العامة، مما يخلق أساسًا أكثر مرونة وفعالية من حيث التكلفة.
في جوهرها، تقوم AI-RAN بإنشاء بيئة حاوية وقابلة للتطوير ومتعددة المستأجرين قادرة على تشغيل أعباء العمل الخلوية والذكاء الاصطناعي في وقت واحد. تسمح هذه الوظيفة المزدوجة للشبكة بمعالجة البيانات وإدارة الموارد والتعامل مع الاتصالات بكفاءة أكبر. يستخدم النظام إشارات الراديو لتبادل البيانات وإدارة موارد الشبكة والتعامل مع سلوكيات التجوال بين المواقع الخلوية، كل ذلك مع الاستفادة من الذكاء الاصطناعي لتحسين تلك العمليات في الوقت الفعلي.
تجدر الإشارة إلى أن AI-RAN لم يتم توحيدها بالكامل بعد. على الرغم من أن المناقشات حول هذا الموضوع تجري منذ بعض الوقت، إلا أن المعايير الخاصة به لم يتم إضفاء الطابع الرسمي عليها. ومع ذلك، بدأت اختبارات التطبيقات المستندة إلى الذكاء الاصطناعي – ووجد اختبار SoftBank زيادة في الإنتاجية بنحو 20% في المناطق ذات جودة الشبكة الضعيفة.
كيف يعمل AI-RAN
تعمل تقنية AI-RAN على تغيير بنية الشبكة من خلال تنفيذ نماذج الذكاء الاصطناعي والتعلم الآلي على حافة الشبكة، بالقرب من المحطات الأساسية، بدلاً من مراكز البيانات السحابية البعيدة. ويقلل هذا القرب من أوقات الاستجابة، مما يتيح تطبيقات في الوقت الفعلي كانت غير عملية في السابق.
تستخدم التكنولوجيا نهجين متكاملين: “الذكاء الاصطناعي لشبكة النفاذ الراديوي (RAN)،” حيث يتم تضمين قدرات الذكاء الاصطناعي مباشرة داخل مكونات الراديو نفسها، و”الذكاء الاصطناعي على RAN”، حيث تتم معالجة الذكاء الاصطناعي خارجيًا ولكنها تستخدم بيانات RAN للتحليل واتخاذ القرار. يسمح هذا النهج المزدوج بخيارات نشر مختلفة اعتمادًا على حالات الاستخدام المحددة والبنية التحتية الحالية.
تقوم أنظمة AI-RAN بمعالجة البيانات في الوقت الفعلي بشكل مستمر ومؤشرات الأداء الرئيسية والقياسات الراديوية مثل قوة الإشارة لاتخاذ قرارات بشأن تشغيل الشبكة. يستخدمون التخصيص الديناميكي للطيف وتقنيات أخرى لتحسين الأداء بناءً على الظروف الحالية بدلاً من التكوينات الثابتة. تتضمن العديد من التطبيقات أيضًا إمكانات التوأم الرقمي، مما يسمح للمشغلين بمحاكاة البيئات واختبار التحسينات قبل نشرها في الشبكات الحية.
الفوائد والقدرات الرئيسية
الكمون المنخفض للغاية: تتيح تقنية AI-RAN معالجة الذكاء الاصطناعي في الوقت الفعلي على حافة الشبكة، وهو أمر بالغ الأهمية للتطبيقات التي تتطلب اتخاذ قرار فوري. تدعم هذه الإمكانية المركبات ذاتية القيادة، والروبوتات، والعمليات عن بعد، حيث يمكن أن يكون للتأخير عواقب حقيقية. ومن خلال تقريب المعالجة من نقطة توليد البيانات، تعمل تقنية AI-RAN على تقليل وقت الرحلة ذهابًا وإيابًا لمعالجة المعلومات.
سعة بيانات عالية: تعالج البنية كميات كبيرة من البيانات محليًا بالقرب من المحطات الأساسية بدلاً من نقل كل شيء عبر الإنترنت. يتيح هذا النهج المعالجة في الوقت الفعلي مثل تحليل الفيديو بدقة 8K وموجزات الكاميرات المتعددة دون إرهاق حركة مرور الشبكة. يقوم النظام بتصفية البيانات ومعالجتها على الحافة، وإرسال المعلومات ذات الصلة فقط إلى الأنظمة المركزية.
أمن الشبكات: تعمل تقنية AI-RAN على تسهيل اكتشاف الحالات الشاذة والتهديدات في الوقت الفعلي مباشرة على حافة الشبكة. فهو يعالج البيانات الحساسة محليًا لدعم متطلبات خصوصية البيانات والامتثال التنظيمي، وهو أمر مهم بشكل خاص للتطبيقات التي تتعامل مع المعلومات الشخصية أو معلومات الشركة. تخلق هذه المعالجة المحلية حدود أمان طبيعية تحد من التعرض المحتمل للبيانات.
الكفاءة التشغيلية: بالنسبة لمشغلي الشبكات، تستبدل تقنية AI-RAN أساليب التكوين الثابتة بخوارزميات تعلم تكيفية تعمل على تحسين الأداء بشكل مستمر. يعمل هذا النهج على تحسين الكفاءة الطيفية، وتمكين التعامل الديناميكي مع حركة المرور، وإنشاء تخصيص أفضل للموارد عبر الشبكة – مما يؤدي في النهاية إلى تقليل تكاليف التشغيل مع تحسين جودة الخدمة.
حالات استخدام المؤسسة
المركبات ذاتية القيادة: يوفر AI-RAN زمن الوصول المنخفض للغاية المطلوب لاتخاذ القرار في الوقت الفعلي بناءً على تحليل الطريق ولقطات الكاميرا. يمكن للمركبات معالجة بيانات الاستشعار المهمة محليًا مع الحفاظ على الاتصال لتحديثات التنقل والدعم عن بُعد. يتيح ذلك تشغيلًا أكثر أمانًا حتى في سيناريوهات حركة المرور المعقدة حيث تكون القرارات في أجزاء من الثانية مهمة.
الرعاية الصحية: تدعم هذه التقنية مراقبة المرضى عن بعد، وتحليلات الصور الطبية، والمساعدة الجراحية في الوقت الحقيقي. يمكن للأطباء تلقي المعلومات التشخيصية المعالجة بأقل قدر من التأخير، ويمكن لتطبيقات التطبيب عن بعد توفير فيديو عالي الجودة مع زمن وصول أقل لتحسين تفاعلات المرضى.
الأتمتة الصناعية: تتيح تقنية AI-RAN إمكانية تحسين المصنع على نطاق واسع والتفاعل السلس بين الإنسان والروبوت. يمكن لمرافق التصنيع نشر أنظمة التشغيل الآلي التي تستجيب بشكل فوري للظروف المتغيرة، مما يؤدي إلى تحسين السلامة والإنتاجية. تدعم قدرات الاستدلال في الوقت الفعلي تنفيذ المهام للروبوتات التي تعمل جنبًا إلى جنب مع المشغلين البشريين.
المراقبة بالفيديو: تستفيد تطبيقات الأمان من التحليل الفوري لتدفقات الفيديو لاكتشاف التهديدات والتنبيهات الآلية لإنفاذ القانون. بدلاً من إرسال جميع بيانات الفيديو إلى الخوادم المركزية، يمكن لأنظمة AI-RAN معالجة اللقطات محليًا، وتحديد الأحداث ذات الصلة فقط التي تتطلب اهتمامًا بشريًا أو مزيدًا من التحليل.
الخدمات اللوجستية والتجزئة: تدعم هذه التقنية تحليل بيانات أجهزة الاستشعار من المعدات الصناعية والمركبات لتحسين الكفاءة. في بيئات البيع بالتجزئة، يمكن لـ AI-RAN تمكين تحسين تدفق المتسوقين من خلال التحليل في الوقت الفعلي لأنماط حركة العملاء، مما يساعد الشركات على تحسين تخطيطات المتجر وتخصيص الموظفين بناءً على سلوك العميل الفعلي.
النمو مع AI-RAN
من المتوقع أن يصل سوق تحسين حركة مرور الذكاء الاصطناعي وشبكة النفاذ الراديوي (RAN) العالمي إلى ما يقرب من 27.2 مليار دولار أمريكي بحلول عام 2034، مما يعكس الثقة في مسار التكنولوجيا. ويقود هذا النمو مقدمو خدمات الاتصالات الذين يسعون إلى تحسين الكفاءة وفرص جديدة للإيرادات من خلال استضافة خدمات الذكاء الاصطناعي على البنية التحتية لشبكاتهم.
يتم دعم هذه التقنية من قبل AI-RAN Alliance، وهي مجموعة صناعية تركز على تطوير البنى التحتية لشبكة RAN المعتمدة على الذكاء الاصطناعي. وقد ألقت شركات التكنولوجيا الكبرى، بما في ذلك NVIDIA وRed Hat وSoftBank، دعمها لهذه المبادرة، مما يشير إلى أهميتها لتطوير الشبكة في المستقبل.
يعد NVIDIA’s Aerial بمثابة أداة RAN بارزة لتسريع CUDA وإطار عمل يستخدم في العديد من تطبيقات AI-RAN. وفي الوقت نفسه، تجاوزت كل من Red Hat وSoftBank النظرية لتطبيق AI-RAN في الشبكات الحية، مما أظهر فوائد ملموسة لكفاءة الطاقة وإدارة حركة المرور. قامت SoftBank بتطوير “الذكاء الاصطناعي لفهم حركة المرور متعدد الوسائط” الذي يحلل ظروف الطريق لدعم المركبات ذاتية القيادة، المدربة على لوائح المرور اليابانية.
التحديات المقبلة
على الرغم من إمكانياتها، تواجه AI-RAN العديد من التحديات في طريقها نحو اعتمادها على نطاق واسع. وتتطلب هذه التكنولوجيا إصلاحًا كبيرًا للبنية التحتية واستثمارات رأسمالية، مما يمثل تحديًا خاصًا لمشغلي الاتصالات الذين يتعاملون بالفعل مع هوامش ربح مضغوطة ومنافسة عالية.
إن التقييس وقابلية التشغيل البيني هما عملان قيد التنفيذ، حيث تتبع تطبيقات مختلفة أساليب مختلفة قد لا تتصل بسهولة مع بعضها البعض. وقد يؤدي هذا التجزئة إلى إبطاء عملية اعتماد التكنولوجيا والحد من فعالية التكنولوجيا عبر الشبكات الأوسع.
تواجه الصناعة أيضًا تحديات التوسع في النشر على نطاق واسع عبر الشبكات العالمية. إن الانتقال من المشاريع التجريبية المستهدفة إلى التنفيذ على نطاق واسع لا يتطلب حلولاً تكنولوجية فحسب، بل يتطلب أيضًا الخبرة التشغيلية والتنقل التنظيمي الذي يختلف حسب المنطقة.
وأخيرا، على الرغم من وجود تطبيقات في العالم الحقيقي، فإن التكنولوجيا لا تزال تبحر فيما يسميه محللو الصناعة “المسار من الضجيج إلى الواقع التجاري”. سيتعين علينا أن ننتظر ونرى كم من الوقت سيستغرق التوحيد والتنفيذ الحقيقي.
