Il 6G incorporerà l’intelligenza artificiale (AI) come capacità nativa in tutti i livelli di rete, consentendo l’adattabilità in tempo reale, l’orchestrazione intelligente e il processo decisionale autonomo. Una vera simbiosi tra 6G e AI che rende la tecnologia mobile di sesta generazione un vero cambio di paradigma nel modo in cui i sistemi wireless sono concepiti e gestiti. Si aprono le porte ad applicazioni come l’analisi predittiva, la correlazione degli allarmi e l’intelligenza edge-native. È quanto si legge in un report su Tecknexus intitolato “Harnessing the Power of AI for 6G: Pioneering a New Era in Wireless Networks”.
Il documento include proposte su come selezionare il corretto modello di intelligenza artificiale e costruire l’architettura di rete ed esamina i cambiamenti culturali e organizzativi necessari per realizzare reti 6G basate sull’AI.
Indice degli argomenti
Reti 6G e l’AI: convergenza basata sui dati
Il 6G è più di un’evoluzione che aumenterà la velocità delle connessioni mobili: implica, invece, la convergenza dell’intelligenza basata sui dati con la connettività di nuova generazione. Mentre il 5G ha significato un’ampiezza di banda senza precedenti su mobile e comunicazioni ultra-affidabili, il 6G introduce l’intelligenza artificiale come componente fondamentale per gestire la complessità, garantire una latenza ultra bassa e fornire servizi ritagliati sul contesto.
Nel 6G, l’AI sarà profondamente integrata nell’architettura di rete. I tradizionali modelli di intelligenza centralizzata lasceranno il posto all’AI distribuita e edge-native per consentire una latenza ultra-bassa e l’adattabilità al contesto.
Analisi predittiva negli ambienti wireless
L’analisi predittiva sarà alla base di reti 6G ultra-affidabili e capaci di ottimizzare le risorse. I modelli di apprendimento automatico (machine Learning) possono essere utilizzati per prevedere il comportamento della rete in base a Kpi storici e in tempo reale come latenza, perdita di pacchetti e potenza del segnale.
Per esempio, in un porto smart su infrastruttura 6G privata sono attive gru autonome che richiedono una comunicazione stabile a bassa latenza. Un modello basato su machine learning può prevedere i picchi di latenza in base al tempo atmosferico, all’ora del giorno e ai flussi di traffico, consentendo alla rete di reindirizzare preventivamente il traffico ed evitare il degrado del servizio.
L’intelligenza artificiale nell’Open Ran
Un altro esempio riguarda l’ascesa degli ecosistemi Open Ran multi-vendor, che ha portato a un’ondata di allarmi di sistema. I tradizionali motori di correlazione basati su regole sono insufficienti per gestire la complessità e il volume di questi allarmi. I modelli di AI, in particolare gli algoritmi di clustering o i classificatori supervisionati come le Support Vector Machines (SVM), possono essere addestrati a riunire in cluster gli allarmi correlati, a identificare la causa principale rispetto agli allarmi sintomatici e a raccomandare azioni correttive.
Riducendo il rumore fino all’80%, gli operatori possono ridurre il tempo medio di risoluzione e i costi operativi.
Intelligenza edge-native
Anche le applicazioni particolarmente sensibili alla latenza come la realtà aumentata, la chirurgia remota e l’automazione industriale beneficiano della simbiosi tra 6G e AI, visto che richiedono un processo decisionale immediato. L’incorporazione di modelli di intelligenza artificiale all’edge della rete riduce la dipendenza dall’elaborazione centralizzata e supporta il processo decisionale iperlocale.
Tecniche di intelligenza artificiale come l’apprendimento federato consentono ai dispositivi periferici di addestrare i modelli in modo collaborativo senza condivisione centralizzata dei dati, mantenendo la privacy e migliorando la qualità delle decisioni.
L’ottimizzazione energetica
Inoltre, l’AI può ottimizzare l’utilizzo di energia delle reti. Può, infatti, prevedere periodi di basso traffico e spegnere dinamicamente le risorse di rete inutilizzate; gestire l’energia su RF per ridurre al minimo gli sprechi; spostare i carichi di lavoro su nodi ad alta efficienza energetica sulla base di analisi in tempo reale.
Questo approccio si allinea con gli obiettivi di sostenibilità riducendo l’impronta di carbonio e le spese operative.
6G e AI, una proposta di architettura
Il paper propone un’architettura di rete 6G basata sull’intelligenza artificiale che include i seguenti livelli:
– Livello dispositivo: dispositivi IoT, sensori, apparecchiature utente
– Edge Intelligence Layer: inferenza AI locale, nodi di apprendimento federati
– Core Intelligence Layer: modelli di intelligenza artificiale centralizzati per un’orchestrazione di rete più ampia
– Livello di gestione dei servizi: gestione SLA, correlazione degli allarmi, dashboard di analisi predittiva
Tutti i livelli interagiscono tramite Api sicure e feedback continui sui dati per il riaddestramento del modello e il miglioramento delle prestazioni.
Verso reti autosufficienti
La complessità delle reti 6G richiede l’applicazione di un’intelligenza capace di adattarsi in tempo reale. L’AI fornisce gli strumenti necessari per costruire reti autosufficienti, efficienti dal punto di vista energetico e altamente reattive.
Incorporando l’AI su tutti i livelli, dall’edge, dove si trova il dispositivo, alla rete principale, l’industria delle telecomunicazioni può ottenere livelli senza precedenti di prestazioni e personalizzazione del servizio.
Gli organismi di standardizzazione e le associazioni industriali devono ora mettersi insieme al lavoro per definire quadri, best practice e standard di interoperabilità per realizzare appieno il potenziale degli ecosistemi 6G basati sull’intelligenza artificiale.
