Οι εφαρμογές AI δημιουργούν νέες απαιτήσεις για χωρητικότητα, χαμηλή απόκριση (latency) και διαχείριση δεδομένων, οδηγώντας τους παρόχους σε μια νέα πραγματικότητα όπου τα δίκτυα κινητής τηλεφωνίας πρέπει να προσαρμοστούν σε εντελώς διαφορετικά μοτίβα κίνησης.
Τα δίκτυα κινητής τηλεφωνίας σχεδιάστηκαν επί δεκαετίες με βάση μια βασική υπόθεση: ότι οι χρήστες κυρίως κατεβάζουν δεδομένα. streaming video, social media, browsing και online gaming δημιουργούν κυρίως κίνηση προς τη συσκευή.
Η τεχνητή νοημοσύνη, όμως, αρχίζει να αλλάζει αυτό το μοντέλο. Σήμερα, όλο και περισσότερες εφαρμογές δημιουργούν δεδομένα που πρέπει να σταλούν προς το δίκτυο για επεξεργασία. AI assistants, εφαρμογές computer vision, έξυπνες κάμερες, βιομηχανικοί αισθητήρες ή ακόμη και wearable συσκευές καταγράφουν δεδομένα – εικόνα, βίντεο, ήχο και αισθητήρες – τα οποία πρέπει να αποσταλούν στο cloud ή σε υποδομές στο αποκαλούμενο άκρο του δικτύου (edge) για ανάλυση. Αυτό αυξάνει σημαντικά την κίνηση στο uplink, δηλαδή στην αποστολή δεδομένων από τη συσκευή προς το διαδίκτυο.
Η αλλαγή αυτή θεωρείται κρίσιμη, καθώς τα περισσότερα δίκτυα κινητής έχουν σχεδιαστεί με προτεραιότητα το downlink, δηλαδή τη λήψη δεδομένων από τον χρήστη. Το 5G και τα επόμενης γενιάς δίκτυα καλούνται πλέον να υποστηρίξουν πιο ισορροπημένα μοτίβα κίνησης.
Σύμφωνα με αναλυτές του κλάδου, ακόμη και εφαρμογές όπως είναι η δημιουργία εικόνων ή κειμένων με τη χρήση AI εφαρμογών μπορούν να δημιουργήσουν σημαντική κίνηση προς το δίκτυο, φτάνοντας σε στιγμιαίες ταχύτητες upload έως και 25 Mbps όταν αποστέλλονται δεδομένα για επεξεργασία.
Παράλληλα, η χρήση AI εφαρμογών αυξάνει τον λόγο uplink σε σχέση με τη συνολική κίνηση των δικτύων, δημιουργώντας νέες απαιτήσεις για τον σχεδιασμό των ραδιοδικτύων και τη διαχείριση του φάσματος.
Το πρόβλημα του signalling
Αν και πολλοί πάροχοι εστιάζουν πλέον στην αύξηση της κίνησης στο uplink, αρκετοί αναλυτές εκτιμούν ότι το μεγαλύτερο πρόβλημα δεν είναι απαραίτητα η χωρητικότητα των δικτύων αλλά η πολυπλοκότητα διαχείρισης της κυκλοφορίας δεδομένων.
Οι εφαρμογές τεχνητής νοημοσύνης δημιουργούν συχνά “chatty traffic”: μικρά αλλά πολύ συχνά πακέτα δεδομένων που ανταλλάσσονται συνεχώς μεταξύ συσκευών και cloud υπηρεσιών. Αυτό αυξάνει σημαντικά το signalling στο δίκτυο, δηλαδή τον αριθμό των αιτημάτων σύνδεσης και διαχείρισης που πρέπει να επεξεργάζεται το δίκτυο, όπως εξηγεί στο CNN Greece ο Luke Kehoe, επικεφαλής της ομάδας αναλυτών της Ookla Research.
Σε ένα περιβάλλον όπου εκατομμύρια συσκευές επικοινωνούν ταυτόχρονα με AI υπηρεσίες, τα δίκτυα μπορεί να βρεθούν αντιμέτωπα με ένα νέο είδος πίεσης: όχι μόνο μεγαλύτερο όγκο δεδομένων αλλά και πολύ περισσότερα αιτήματα.
Η εξέλιξη αυτή οδηγεί τους παρόχους σε μια πιο σύνθετη πρόκληση: να επανασχεδιάσουν την αρχιτεκτονική των δικτύων ώστε να διαχειρίζονται αποτελεσματικά αυτή τη νέα μορφή κυκλοφορίας.
AI στο cloud ή AI στη συσκευή;
Στη συζήτηση για την επίδραση του AI στα δίκτυα υπάρχει και μια δεύτερη σημαντική διάσταση: το πού θα γίνεται η επεξεργασία των μοντέλων τεχνητής νοημοσύνης.
Από τη μία πλευρά, πολλές εταιρείες τεχνολογίας επενδύουν στην ιδέα του AI on device, δηλαδή της εκτέλεσης των μοντέλων απευθείας στη συσκευή, ώστε να μειωθεί η ανάγκη μεταφοράς δεδομένων προς το cloud.
Από την άλλη πλευρά, η τάση προς μεγαλύτερα και πιο πολύπλοκα μοντέλα σημαίνει ότι μεγάλο μέρος της επεξεργασίας θα συνεχίσει να γίνεται σε υποδομές cloud ή edge computing. Σε αυτό το σενάριο, οι συσκευές θα συνεχίσουν να στέλνουν μεγάλους όγκους δεδομένων προς το δίκτυο, διατηρώντας υψηλές απαιτήσεις για bandwidth και χωρητικότητα.
Η μετάβαση στο πλήρες 5G SA (Stand Alone) θεωρείται από πολλούς ειδικούς απαραίτητη για να μπορέσουν τα δίκτυα να υποστηρίξουν αποτελεσματικά τις εφαρμογές τεχνητής νοημοσύνης. Το 5G SA προσφέρει δυνατότητες όπως είναι το network slicing, χαμηλότερο latency και καλύτερη διαχείριση της χωρητικότητας, στοιχεία που θεωρούνται κρίσιμα για εφαρμογές AI.
Ωστόσο, η πρόοδος στην Ευρώπη παραμένει άνιση. Σε αγορές όπως η Ισπανία, η Γερμανία και η Βρετανία οι υλοποιήσεις προχωρούν πιο γρήγορα, ενώ σε άλλες χώρες η μετάβαση είναι πιο αργή. Ένας βασικός λόγος είναι ότι αρκετοί πάροχοι εμφανίζονται επιφυλακτικοί ως προς τις επενδύσεις σε πλήρη αρχιτεκτονική 5G. Μέχρι στιγμής, η αγορά δεν έχει αποδείξει ότι οι νέες δυνατότητες του 5G SA θα δημιουργήσουν σημαντικές νέες πηγές εσόδων, κάτι που περιορίζει την επενδυτική διάθεση.
Την ίδια στιγμή, η ίδια η τεχνητή νοημοσύνη θεωρείται βασικό εργαλείο για τη λειτουργία των δικτύων του μέλλοντος. Οι τηλεπικοινωνιακοί πάροχοι χρησιμοποιούν ήδη AI για πρόβλεψη κίνησης δεδομένων, ανίχνευση προβλημάτων δικτύου, βελτιστοποίηση της χρήσης φάσματος και αυτοματοποίηση της λειτουργίας των κέντρων διαχείριση των δικτύων.
Με τη χρήση λύσεων μηχανικής εκμάθησης (machine learning), τα δίκτυα μπορούν να προβλέπουν πιθανές βλάβες και να προσαρμόζουν δυναμικά τη διαχείριση των πόρων τους. Αυτό μειώνει το κόστος λειτουργίας και βελτιώνει την ποιότητα υπηρεσιών. Σε ορισμένες περιπτώσεις, μάλιστα, γίνεται λόγος για τα αποκαλούμενα «αυτόνομα δίκτυα» (autonomous networks) όπου η τεχνητή νοημοσύνη μπορεί να εντοπίζει και να διορθώνει προβλήματα χωρίς ανθρώπινη παρέμβαση.
Η αυξανόμενη χρήση της τεχνητής νοημοσύνης οδηγεί τελικά σε μια ευρύτερη μεταμόρφωση της τηλεπικοινωνιακής υποδομής. Το επόμενο βήμα που συζητούν πλέον οι εταιρείες του κλάδου είναι τα λεγόμενα AI-native δίκτυα, όπου η τεχνητή νοημοσύνη θα ενσωματώνεται σε κάθε επίπεδο της αρχιτεκτονικής: από το ραδιοδίκτυο μέχρι τον πυρήνα του δικτύου και τα συστήματα λειτουργίας.
Σε ένα τέτοιο περιβάλλον, τα δίκτυα δεν θα λειτουργούν απλώς ως υποδομές μεταφοράς δεδομένων, αλλά ως έξυπνα συστήματα που μπορούν να προβλέπουν τη ζήτηση, να προσαρμόζουν δυναμικά τη λειτουργία τους και να υποστηρίζουν τις ανάγκες των εφαρμογών τεχνητής νοημοσύνης.
Με άλλα λόγια, αν το 5G σχεδιάστηκε για να μεταφέρει δεδομένα πιο γρήγορα, τα δίκτυα της επόμενης δεκαετίας θα πρέπει να σχεδιαστούν για να υποστηρίζουν την ίδια την ευφυΐα των συστημάτων που θα τα χρησιμοποιούν.
