Tijdens dit WK is de 'slimme scheidsrechter' een van de grootste hoogtepunten. SAOT integreert stadiondata, spelregels en AI om automatisch snel en nauwkeurig te oordelen over buitenspelsituaties.
Terwijl duizenden fans de herhalingen van de 3D-animatie toejuichten of betreurden, dwaalden mijn gedachten af naar de netwerkkabels en glasvezels achter de tv, naar het communicatienetwerk.
Om fans een soepelere en duidelijkere kijkervaring te bieden, vindt er ook in het communicatienetwerk een intelligente revolutie plaats die vergelijkbaar is met SAOT.
In 2025 zal L4 gerealiseerd worden.
De buitenspelregel is ingewikkeld en het is voor de scheidsrechter erg moeilijk om in een oogwenk een accurate beslissing te nemen, gezien de complexe en veranderlijke omstandigheden op het veld. Daarom komen controversiële buitenspelbeslissingen regelmatig voor in voetbalwedstrijden.
Communicatienetwerken zijn eveneens uiterst complexe systemen, en het gebruik van menselijke methoden voor het analyseren, beoordelen, repareren en optimaliseren van netwerken is de afgelopen decennia zowel arbeidsintensief als foutgevoelig gebleken.
Wat het nog lastiger maakt, is dat in het digitale tijdperk, waarin het communicatienetwerk de basis vormt voor de digitale transformatie van duizenden lijnen en bedrijven, de zakelijke behoeften diverser en dynamischer zijn geworden. De eisen aan de stabiliteit, betrouwbaarheid en flexibiliteit van het netwerk zijn daardoor hoger, waardoor de traditionele werkwijze met menselijke arbeid en onderhoud steeds moeilijker vol te houden is.
Een verkeerde inschatting van de buitenspelpositie kan de uitslag van de hele wedstrijd beïnvloeden, maar voor het communicatienetwerk kan een "verkeerde inschatting" ertoe leiden dat de operator een snel veranderende marktkans misloopt, de productie van bedrijven moet worden onderbroken en zelfs het hele proces van maatschappelijke en economische ontwikkeling wordt beïnvloed.
Er is geen andere keuze. Het netwerk moet geautomatiseerd en intelligent zijn. In deze context hebben 's werelds toonaangevende operators de noodklok geluid over zelfintelligente netwerken. Volgens het tripartite rapport heeft 91% van de wereldwijde operators zelfintelligente netwerken opgenomen in hun strategische planning, en meer dan 10 grote operators hebben hun doelstelling bekendgemaakt om L4 in 2025 te bereiken.
China Mobile loopt voorop in deze verandering. In 2021 publiceerde China Mobile een whitepaper over zelfintelligente netwerken, waarin voor het eerst in de sector de kwantitatieve doelstelling werd geformuleerd om in 2025 een L4-niveau zelfintelligent netwerk te bereiken. Dit houdt in dat intern de capaciteit voor netwerkbeheer en -onderhoud van "zelfconfiguratie, zelfreparatie en zelfoptimalisatie" wordt opgebouwd, en extern een klantervaring van "geen wachttijd, geen storingen en geen contact" wordt gecreëerd.
Internet-zelfintelligentie vergelijkbaar met "Smart Referee".
SAOT bestaat uit camera's, sensoren in de bal en AI-systemen. De camera's en sensoren in de bal verzamelen alle gegevens in realtime, terwijl het AI-systeem deze gegevens ook in realtime analyseert en de positie nauwkeurig berekent. Het AI-systeem past bovendien de spelregels toe om automatisch buitenspelbeslissingen te nemen volgens de geldende regels.
Er zijn enkele overeenkomsten tussen netwerkauto-intellectualisatie en de implementatie van SAOT:
Ten eerste moeten netwerk en perceptie nauw geïntegreerd worden om op een alomvattende en realtime manier netwerkbronnen, configuratie, servicestatus, fouten, logboeken en andere informatie te verzamelen. Dit levert rijke data op voor AI-training en -redenering. Dit sluit aan bij de manier waarop SAOT data verzamelt van camera's en sensoren in de bal.
Ten tweede is het nodig om een grote hoeveelheid handmatige ervaring met het verwijderen en optimaliseren van obstakels, bedienings- en onderhoudshandleidingen, specificaties en andere informatie op een uniforme manier in het AI-systeem in te voeren om automatische analyse, besluitvorming en uitvoering te realiseren. Het is alsof SAOT de buitenspelregel in het AI-systeem invoert.
Bovendien, aangezien het communicatienetwerk uit meerdere domeinen bestaat, kan het openen, blokkeren en optimaliseren van een mobiele dienst bijvoorbeeld alleen worden gerealiseerd door de end-to-end samenwerking van meerdere subdomeinen, zoals het draadloze toegangsnetwerk, het transmissienetwerk en het kernnetwerk. Ook netwerkzelfintelligentie vereist "samenwerking tussen meerdere domeinen". Dit is vergelijkbaar met het feit dat SAOT video- en sensorgegevens uit meerdere dimensies moet verzamelen om nauwkeurigere beslissingen te kunnen nemen.
Het communicatienetwerk is echter veel complexer dan de omgeving van een voetbalveld, en het zakelijke scenario is niet beperkt tot één enkele "buitenspelpenalty", maar is uiterst divers en dynamisch. Naast de drie bovengenoemde overeenkomsten moeten de volgende factoren in overweging worden genomen wanneer het netwerk zich ontwikkelt naar een hogere orde van zelfintelligentie:
Ten eerste moeten de cloud, het netwerk en de NE-apparaten worden geïntegreerd met AI. De cloud verzamelt enorme hoeveelheden data over het hele domein, voert continu AI-training en modelgeneratie uit en levert AI-modellen aan de netwerklaag en de NE-apparaten. De netwerklaag beschikt over een gemiddeld trainings- en redeneervermogen, waardoor automatisering met een gesloten lus binnen één domein mogelijk is. NE-apparaten kunnen data analyseren en beslissingen nemen dicht bij de databronnen, waardoor realtime probleemoplossing en serviceoptimalisatie worden gegarandeerd.
Ten tweede, uniforme standaarden en industriële coördinatie. Zelflerende netwerken zijn complexe systeemontwerpen, waarbij veel apparatuur, netwerkbeheer en software betrokken zijn, en veel leveranciers een rol spelen. Het is lastig om interfaces te koppelen, communicatie tussen verschillende domeinen te faciliteren en andere problemen op te lossen. Tegelijkertijd promoten veel organisaties, zoals TM Forum, 3GPP, ITU en CCSA, standaarden voor zelflerende netwerken, maar er is sprake van een zekere fragmentatie in de formulering van deze standaarden. Het is daarom belangrijk dat de industrie samenwerkt om uniforme en open standaarden te ontwikkelen voor bijvoorbeeld architectuur, interfaces en evaluatiesystemen.
Ten derde, talenttransformatie. Een zelflerend netwerk is niet alleen een technologische verandering, maar ook een verandering in talent, cultuur en organisatiestructuur. Dit vereist dat het operationele en onderhoudswerk verschuift van een 'netwerkgerichte' naar een 'bedrijfsgerichte' aanpak, dat het operationele en onderhoudspersoneel overstapt van een hardwarecultuur naar een softwarecultuur, en dat repetitief werk plaatsmaakt voor creatief werk.
L3 is onderweg
Waar staat het Autointelligence-netwerk vandaag de dag? Hoe dicht zijn we bij L4? Het antwoord is mogelijk te vinden in drie implementatiecases die Lu Hongju, president van Huawei Public Development, presenteerde in zijn toespraak tijdens de China Mobile Global Partner Conference 2022.
Netwerkonderhoudstechnici weten allemaal dat het thuisnetwerk de grootste bron van frustratie is voor de operationele en onderhoudswerkzaamheden van de operator. Het bestaat uit het thuisnetwerk, het ODN-netwerk, het netwerk van externe providers en andere domeinen. Het netwerk is complex en bevat veel passieve, 'domme' apparaten. Problemen zoals een gebrekkige serviceperceptie, trage respons en lastige probleemoplossing doen zich dan ook regelmatig voor.
Gezien deze pijnpunten heeft China Mobile samengewerkt met Huawei in Henan, Guangdong, Zhejiang en andere provincies. Om de breedbanddiensten te verbeteren, heeft men, door de samenwerking tussen intelligente hardware en een kwaliteitscentrum, een nauwkeurige perceptie van de gebruikerservaring en een precieze lokalisatie van kwaliteitsgebreken gerealiseerd. Het verbeteringspercentage voor gebruikers met een slechte verbinding is gestegen naar 83%, en het marketingsuccespercentage van FTTR, Gigabit en andere diensten is toegenomen van 3% naar 10%. Wat betreft het verwijderen van obstakels in het optische netwerk, wordt de intelligente identificatie van verborgen gevaren langs dezelfde route gerealiseerd door het extraheren van informatie over de verstrooiingskarakteristieken van optische vezels en een AI-model, met een nauwkeurigheid van 97%.
In het kader van groene en efficiënte ontwikkeling is energiebesparing in het netwerk de belangrijkste focus van de huidige operators. Door de complexe structuur van draadloze netwerken, de overlapping en onderlinge dekking van meerdere frequentiebanden en standaarden, fluctueert de bedrijfsactiviteit van cellen echter sterk in verschillende scenario's. Daarom is het onmogelijk om op een handmatige methode te vertrouwen voor een nauwkeurige energiebesparende uitschakeling.
Ondanks de uitdagingen werkten beide partijen samen in Anhui, Yunnan, Henan en andere provincies op het niveau van netwerkbeheer en netwerkelementen om het gemiddelde energieverbruik van een enkel station met 10% te verlagen, zonder de netwerkprestaties en de gebruikerservaring te beïnvloeden. Het netwerkbeheer formuleert en implementeert energiebesparende strategieën op basis van multidimensionale data van het gehele netwerk. De netwerkelementenlaag detecteert en voorspelt realtime veranderingen in de bedrijfsvoering van de cel en voert nauwkeurig energiebesparende strategieën uit, zoals het uitschakelen van carriers en symbolen.
Uit de bovenstaande voorbeelden blijkt duidelijk dat, net als de "intelligente scheidsrechter" bij een voetbalwedstrijd, het communicatienetwerk geleidelijk aan zelfintelligenter wordt vanuit specifieke situaties en afzonderlijke autonome regio's door middel van "perceptiefusie", "AI-brein" en "multidimensionale samenwerking". Hierdoor wordt de weg naar geavanceerde zelfintelligenterisering van het netwerk steeds duidelijker.
Volgens TM Forum kunnen L3 zelfintelligente netwerken "veranderingen in de omgeving in realtime detecteren en zichzelf optimaliseren en aanpassen binnen specifieke netwerkdomeinen", terwijl L4 "voorspellend of actief closed-loop beheer mogelijk maakt van bedrijfs- en klantervaringgedreven netwerken in complexere omgevingen over meerdere netwerkdomeinen". Het is duidelijk dat het zelfintelligente netwerk momenteel niveau L3 nadert of bereikt.
Alle drie de wielen op weg naar L4
Hoe versnellen we de ontwikkeling van het zelfintelligente netwerk naar niveau 4? Volgens Lu Hongjiu helpt Huawei China Mobile om de doelstelling van niveau 4 in 2025 te bereiken via een drieledige aanpak: autonomie binnen één domein, samenwerking tussen verschillende domeinen en industriële samenwerking.
Wat betreft autonomie binnen één domein, worden NE-apparaten allereerst geïntegreerd met waarneming en computerberekening. Enerzijds worden innovatieve technologieën zoals optische irissen en realtime sensoren geïntroduceerd om passieve waarneming op millisecondenniveau te realiseren. Anderzijds worden energiezuinige computer- en streamcomputingtechnologieën geïntegreerd om intelligente NE-apparaten te creëren.
Ten tweede kan de netwerkbesturingslaag met AI-brein worden gecombineerd met intelligente netwerkelementen om een gesloten lus van waarneming, analyse, besluitvorming en uitvoering te realiseren, waardoor een autonome gesloten lus van zelfconfiguratie, zelfherstel en zelfoptimalisatie wordt bereikt, gericht op netwerkbeheer, foutafhandeling en netwerkoptimalisatie binnen één domein.
Daarnaast biedt de netwerkbeheerlaag een open noordelijke interface naar de bovenliggende servicebeheerlaag om samenwerking tussen domeinen en servicebeveiliging te vergemakkelijken.
Wat betreft samenwerking tussen verschillende domeinen, legt Huawei de nadruk op de algehele realisatie van platformevolutie, optimalisatie van bedrijfsprocessen en personeelstransformatie.
Het platform is geëvolueerd van een log, ondersteunend systeem naar een zelflerend platform dat wereldwijde data en expertise integreert. Bedrijfsprocessen zijn getransformeerd van netwerkgerichte, ordergestuurde processen naar ervaringsgerichte, contactloze processen. Wat betreft personeelstransformatie is, door de ontwikkeling van een low-code ontwikkelsysteem en de atomische inkapseling van operationele en onderhoudscapaciteiten en netwerkcapaciteiten, de drempel voor de transformatie van CT-personeel naar digitale intelligentie verlaagd en is het operationele en onderhoudsteam geholpen om zich te ontwikkelen tot DICT-talent.
Daarnaast bevordert Huawei de samenwerking tussen verschillende standaardisatieorganisaties om uniforme standaarden te bereiken voor zelflerende netwerkarchitectuur, interfaces, classificatie, evaluatie en andere aspecten. Het bedrijf wil de bloei van het industriële ecosysteem bevorderen door praktijkervaringen te delen, driepartijenevaluatie en -certificering te stimuleren en industriële platforms te bouwen. Ook werkt Huawei samen met de subketen voor slimme operationele processen en onderhoud van China Mobile om gezamenlijk de onderliggende technologie te identificeren en aan te pakken, zodat deze onafhankelijk en beheersbaar blijft.
Gezien de hierboven genoemde kernelementen van het zelflerende netwerk, is de auteur van mening dat de "trojka" van Huawei de structuur, technologie, samenwerking, standaarden, talenten, uitgebreide dekking en precieze slagkracht heeft om veelbelovend te zijn.
Een zelflerend netwerk is de grootste wens van de telecommunicatie-industrie, ook wel bekend als "de poëzie en de afstand van de telecommunicatie-industrie". Het wordt echter ook wel omschreven als een "lange weg" en "vol uitdagingen" vanwege het enorme en complexe communicatienetwerk en de bijbehorende bedrijfsmodellen. Maar gezien deze succesvolle implementaties en het vermogen van de drie partijen om dit te realiseren, zien we dat poëzie niet langer een pretentieus idee is, maar juist een verre toekomstmuziek. Dankzij de gezamenlijke inspanningen van de telecommunicatie-industrie wordt het steeds meer een spectaculaire toekomst.
Geplaatst op: 19 december 2022