Dlaczego sztuczna inteligencja staje się „mózgiem” sieci 5G
Sieci 5G są projektowane tak, aby obsłużyć nie tylko smartfony, ale też miliony urządzeń IoT, komunikację między pojazdami, usługi krytyczne dla bezpieczeństwa i rozbudowane sieci kampusowe w fabrykach. To nie jest już tylko szybkie LTE – to warstwa nerwowa całej gospodarki cyfrowej. W takim środowisku proste zasady konfiguracji i ręczne zarządzanie przestają wystarczać, dlatego sztuczna inteligencja zaczyna pełnić rolę „mózgu” sieci 5G.
5G vs 4G: złożoność, która wymaga nowego podejścia
Sieć 4G była relatywnie jednorodna: głównie smartfony, kilka typów usług, umiarkowana gęstość stacji bazowych. W 5G zmienia się kilka kluczowych elementów:
Gęstość stacji bazowych – w miastach pojawiają się setki małych komórek (small cells), systemy DAS, anteny masowe MIMO, co gwałtownie zwiększa liczbę elementów do zarządzania.
Sieciowanie usług – zamiast jednej „wspólnej” sieci mamy network slicing, czyli wydzielone „plasterki” sieci dla różnych typów usług (np. IoT, transmisja wideo, usługi krytyczne).
Elastyczna architektura core – funkcje sieciowe są wirtualizowane (NFV), uruchamiane w chmurze, skalowane w górę i w dół w zależności od obciążenia.
Nowe typy ruchu – pojazdy autonomiczne, roboty w fabrykach, sensory przemysłowe i systemy AR/VR generują ruch o innych wzorcach i wymaganiach niż tradycyjny mobilny internet.
Im więcej ruchomych elementów, tym trudniej utrzymać stabilną jakość usług przy rozsądnych kosztach. Nawet najlepszy zespół inżynierów nie jest w stanie „ręcznie” optymalizować tysięcy parametrów radiowych na bieżąco.
Skala danych i tempo zmian poza zasięgiem człowieka
Każda stacja bazowa 5G, każdy element sieci transportowej i core generuje strumień danych: KPI, logi, zdarzenia, alarmy, informacje o sesjach użytkowników. Mówimy o terabajtach danych dziennie w dużej sieci. Do tego dochodzi rosnąca dynamika:
ruch mobilny zmienia się w skali minut – koncerty, mecze, nagłe zdarzenia,
parametry radiowe powinny reagować niemal w czasie rzeczywistym,
awarie i degradacja jakości często rozwijają się stopniowo – w logach widać je znacznie wcześniej niż w skargach klientów.
Człowiek jest dobry w rozumieniu kontekstu, ale słaby w analizie milionów punktów danych na sekundę. Sztuczna inteligencja robi odwrotnie: potrafi w kilka milisekund przeskanować dane telemetryczne z całej sieci i wykryć sygnały, których inżynier nie zauważy gołym okiem.
AI jako odpowiedź na presję jakości, kosztów i złożoności
Koszty – rosną wydatki na energię, licencje, sprzęt, a przychody z klasycznych usług (głos, SMS, data) już tak nie rosną.
Złożoność techniczna – 5G wprowadza dziesiątki nowych mechanizmów, protokołów i funkcji do konfiguracji oraz utrzymania.
Sztuczna inteligencja w sieciach 5G odpowiada jednocześnie na wszystkie te presje, bo:
automatyzuje powtarzalne decyzje i operacje, redukując ryzyko błędów ludzkich,
prognozuje awarie i przeciążenia, skracając przestoje i podnosząc dostępność,
optymalizuje zużycie zasobów (pasmo, moc, pojemność), co przekłada się bezpośrednio na OPEX i CAPEX.
Analogiczna scena: policjant na skrzyżowaniu vs inteligentne światła
Można wyobrazić sobie ruchliwe skrzyżowanie w centrum miasta. Policjant, stojąc na środku, widzi część sytuacji i reaguje gestami, często z opóźnieniem. To odpowiednik tradycyjnego zarządzania siecią. Teraz wyobraźmy system świateł z czujnikami, kamerami i algorytmami, które:
liczą samochody w czasie rzeczywistym,
wiedzą, kiedy nadjeżdża karetka,
przewidują korki na podstawie historii ruchu i pogody,
dynamicznie zmieniają cykle świateł, by minimalizować czas oczekiwania.
To właśnie rola AI w 5G: nie tylko reagować, ale wyprzedzać zdarzenia i optymalizować całość, a nie pojedyncze elementy.
Podstawy: gdzie w architekturze 5G „wpina się” sztuczna inteligencja
Warstwy sieci 5G jako naturalne pola do zastosowań AI
Architektura 5G dzieli się logicznie na trzy główne warstwy, w których automatyzacja sieci 5G i algorytmy AI mogą działać na różnych poziomach szczegółowości:
Warstwa radiowa (RAN – Radio Access Network) – stacje bazowe (gNB), anteny, moduły radiowe. Tu AI zajmuje się m.in. zarządzaniem zasobami radiowymi, sterowaniem mocą, doborem parametrów handoverów, beamformingiem, planowaniem nośników.
Warstwa transportowa – łącza światłowodowe i radiolinie między stacjami bazowymi a siecią core oraz między węzłami core. AI może tu optymalizować ścieżki routingu, zarządzanie przepustowością, priorytetyzację ruchu, a także monitorować opóźnienia i jitter.
Sieć core 5G (5GC) – wirtualizowane funkcje sieciowe, serwery, chmura operatorska. To obszar, w którym algorytmy uczenia maszynowego pomagają w skalowaniu funkcji (NFV), zarządzaniu sesjami, bezpieczeństwie, orkiestracji sieci oraz analizie danych o ruchu.
W praktyce, rozwiązania „AI w sieciach 5G” to zwykle zestaw modułów rozrzuconych po tych warstwach, ale zarządzanych przez wspólnego orkiestratora i platformę analityczną.
Gdzie powstają dane: „złoto” dla modeli AI
Sztuczna inteligencja potrzebuje danych. W sieci 5G główne źródła danych to:
Stacje bazowe (RAN) – KPI radiowe (RSRP, RSRQ, SINR), informacje o handoverach, obciążeniu komórek, błędach transmisji, alarmach sprzętowych, zużyciu energii.
Urządzenia końcowe (UE – User Equipment) – raporty pomiarowe, zgłoszenia o jakości sygnału, statystyki sesji. W przypadku IoT mogą to być również dane środowiskowe (temperatura, drgania, poziom wilgotności).
Elementy sieci core – logi z funkcji sieciowych, dane o sesjach użytkowników, informacje o opóźnieniach w poszczególnych częściach ścieżki, statystyki NF (Network Functions).
Systemy OSS/BSS – dane o konfiguracji sieci, incydentach, ticketach serwisowych, zachowaniach klientów (np. rezygnacje z usług, skargi), profilach taryfowych.
Źródła zewnętrzne – prognozy pogody, kalendarz wydarzeń (koncerty, mecze), plany prac drogowych, które wpływają na mobilność użytkowników.
Połączenie tych źródeł pozwala na budowę modeli predykcyjnych, które „rozumieją” nie tylko same parametry techniczne, ale też kontekst biznesowy i środowiskowy.
Typowe komponenty AI: od kolekcji danych do orkiestratora
Aby automatyzacja sieci 5G z użyciem AI działała stabilnie, potrzebna jest uporządkowana architektura modułów. W uproszczeniu wygląda to tak:
Moduł kolekcji danych – zbiera dane z różnych źródeł (RAN, core, OSS/BSS, IoT) w sposób ciągły lub w interwałach, normalizuje formaty, wzbogaca metadanymi (lokalizacja, typ urządzenia, typ usługi).
Platforma analityczna – przechowuje dane (hurtownia danych, data lake), realizuje wstępne przetwarzanie (czyszczenie, agregacja), udostępnia je modułom uczenia maszynowego.
Silniki ML/AI – modele predykcyjne, moduły wykrywania anomalii, algorytmy reinforcement learning, które generują decyzje lub rekomendacje na podstawie danych.
Orkiestrator sieci 5G z AI – system, który przekłada decyzje modeli na realne zmiany w sieci: modyfikuje konfiguracje, skaluje zasoby, uruchamia scenariusze automatyzacji (playbooki).
Warstwa prezentacji i interakcji – panele dla inżynierów (NOC), raporty dla działu biznesowego, API dla innych systemów (np. BSS, systemów billingowych).
Bez takiej „kręgosłupowej” architektury sztuczna inteligencja w sieciach 5G szybko zamienia się w zlepek pojedynczych projektów typu PoC, które nie skalują się na całą sieć.
Rola edge computingu: gdzie modele działają „przy brzegu”, a gdzie w chmurze
W 5G rośnie znaczenie edge computingu, czyli przetwarzania blisko źródła danych – np. przy stacji bazowej, w lokalnym węźle MEC (Multi-access Edge Computing) lub w sieci kampusowej. Sztuczna inteligencja w 5G korzysta z tego na dwa sposoby:
Modele w chmurze centralnej – trenują się na dużych zbiorach historycznych danych, analizują trendy, budują ogólne polityki zarządzania (np. strategie przydziału zasobów w skali całej sieci). Są cięższe obliczeniowo, ale działają rzadziej.
Modele przy brzegu (edge) – działają bezpośrednio na strumieniach danych z RAN czy IoT, reagują w milisekundach, obsługują bardzo lokalne decyzje (np. dynamiczne sterowanie mocą w jednym sektorze, w jednym budynku).
Przydatny jest podział: „mózg strategiczny” w chmurze i „odruchy bezwarunkowe” na brzegu. Na przykład, algorytm reinforcement learning uczący się optymalnego sterowania mocą może być trenowany w chmurze na danych z wielu lokalizacji, a potem jego wstępnie wytrenowana wersja działa przy brzegu, adaptując się do lokalnych warunków.
Automatyzacja sieci 5G: od skryptów do prawdziwych sieci samoorganizujących się (SON)
Klasyczne automatyzacje „if–then” kontra AI‑driven automation
Automatyzacja w telekomunikacji nie jest nowa. Od lat istnieją skrypty konfigurujące stacje, reguły w OSS, proste scenariusze reakcji na alarmy typu: „Jeśli komórka przeciążona > 80% przez 10 minut, dołącz dodatkową nośną”. To działa, ale ma granice. Klasyczne podejście if–then ma trzy główne problemy:
jest sztywne – zestaw reguł trzeba aktualizować ręcznie, gdy zmienia się zachowanie sieci,
źle radzi sobie z wielowymiarowością – kombinacja dziesiątek parametrów nie mieści się w prostych regułach,
nie uczy się z historii – powtarza te same decyzje, nawet jeśli dane sugerują inne rozwiązanie.
AI‑driven automation, czyli automatyzacja oparta o uczenie maszynowe, zachowuje się inaczej:
modele same uczą się zależności z danych,
potrafią uwzględnić wiele parametrów jednocześnie (np. KPI radiowe, pogoda, wydarzenia),
mogą adaptować się w czasie, gdy zmienia się otoczenie (np. nowe budynki, nowe typy urządzeń).
Tam, gdzie prosta reguła „jeśli przeciążenie > X, zrób Y” działa tylko w 70% przypadków, model ML może nauczyć się bardziej subtelnych reakcji, różnicując działania w zależności od lokalizacji, pory dnia, profilu ruchu czy rodzaju usług dominujących w danej komórce.
Przykładowe zadania do automatyzacji w sieci 5G
Sztuczna inteligencja w sieciach 5G może przejąć wiele operacji, które tradycyjnie wykonywał inżynier lub prosty skrypt. Kilka praktycznych przykładów:
Konfiguracja nowych komórek – automatyczny przydział identyfikatorów komórek, parametrów sąsiedztwa, list handoverów, mocy nadawania, na podstawie istniejącej topologii i modeli przewidujących obciążenie.
Dynamiczne zarządzanie zasobami radiowymi (RRM) – przydział pasma, sterowanie szerokością nośników, MIMO, beamforming, wybór modulacji i kodowania (MCS) w zależności od warunków radiowych i wymagań usług.
Balansowanie obciążenia – przenoszenie części ruchu między komórkami lub warstwami (np. między 3,5 GHz a 700 MHz) na podstawie predykcji, gdzie zaraz pojawi się większe obciążenie.
Automatyczne korekty parametrów handoverów – dopasowywanie progów i histerez tak, aby ograniczyć utracone połączenia, zbyt wczesne lub zbyt późne przełączenia.
Od SON typu „lite” do zaawansowanych sieci samoorganizujących się
W pierwszej fazie wdrożeń 5G wiele sieci ma coś, co można nazwać SON-em „lite” – kilka zautomatyzowanych funkcji, zwykle od różnych dostawców, działających obok siebie. Dają ulgę operacyjną, ale nie tworzą jeszcze spójnego, samoorganizującego się organizmu.
Bardziej dojrzały SON w sieci 5G to kilka uzupełniających się warstw:
Self‑Configuration – nowe komórki po podłączeniu automatycznie pobierają konfigurację, budują listę sąsiadów, ustalają parametry bezpieczeństwa i zgłaszają się do systemu zarządzania bez ręcznej ingerencji.
Self‑Optimization – parametry radiowe i transportowe (np. progi przeciążenia, priorytety kolejek, moc nadawania) są korygowane w locie w oparciu o pomiary i prognozy modeli AI.
Self‑Healing – sieć reaguje na awarie lub degradacje jakości, przełączając ruch, rekonfigurując trasy lub w skrajnym razie dynamicznie aktywując zasoby zapasowe.
Różnica między SON „na papierze” a SON realnie działającym objawia się w nocy i w weekendy. Jeśli w NOC siedzi zespół, który co chwilę ręcznie nadpisuje decyzje systemu, to znaczy, że sztuczna inteligencja jest tylko dodatkiem. Jeżeli operator widzi spadek liczby interwencji manualnych z miesiąca na miesiąc – SON naprawdę dojrzewa.
Konflikty polityk i priorytetów – jak AI „dogaduje się” sama ze sobą
Im więcej automatycznych funkcji, tym większe ryzyko, że będą sobie nawzajem przeszkadzać. Moduł optymalizacji energii obniża moc, a moduł poprawy zasięgu ją podbija. Jeden SON koryguje progi handover, a drugi w tym czasie balansuje obciążenie, wywołując dodatkowe przełączenia.
Tu pojawia się rola nadrzędnego koordynatora polityk z elementami AI:
hierarchia celów – operator definiuje priorytety: SLA dla klientów biznesowych, bezpieczeństwo sieci, a dopiero potem np. oszczędność energii,
reguły konfliktów – gdy dwie polityki chcą zmienić ten sam parametr, głos ma ta ważniejsza lub bardziej „pewna” (z wyższym wskaźnikiem zaufania do modelu),
uczenie na skutkach – jeśli seria decyzji danego modułu eskaluje liczbę zgłoszeń do helpdesku, system obniża jego „wagę” przy kolejnych decyzjach.
Można to porównać do zespołu lekarzy. Każdy specjalista ma swoją perspektywę, ale ostateczny plan leczenia pacjenta ustala się wspólnie, z jednym koordynatorem. W sieciach 5G rolę takiego „ordynatora” pełni właśnie warstwa orkiestracji z logiką AI.
Źródło: Pexels | Autor: Ulrick Trappschuh
Predykcja awarii i degradacji jakości: jak AI widzi problemy, zanim zobaczy je klient
Od reaktywnego NOC do proaktywnego „Network Assurance”
Tradycyjnie centrum nadzoru sieci (NOC) działało reaktywnie: alarm – analiza – akcja. W 5G liczba elementów, usług i zależności rośnie tak szybko, że ten model pęka w szwach. Dane z RAN, core, chmury i aplikacji tworzą gęstą sieć sygnałów, których człowiek nie jest w stanie w pełni ogarnąć.
Modele predykcyjne i systemy wykrywania anomalii zmieniają to podejście. Zamiast czekać na czerwone lampki w konsoli, sieć wysyła „żółte” sygnały: „Za 30–60 minut w tym regionie prawdopodobieństwo degradacji throughputu rośnie powyżej progu”. NOC z zespołu strażaków staje się zespołem planistów i operatorów dronów – bardziej steruje, niż gasi.
Wykrywanie anomalii: kiedy „normalna” sieć przestaje być normalna
Podstawową cegiełką proaktywnych rozwiązań jest anomaly detection. Nie musi znać wszystkich możliwych awarii. Wystarczy, że bardzo dobrze wie, jak wygląda normalna praca sieci w danych warunkach – i potrafi wykryć odchylenia.
Stosuje się tu różne podejścia, od prostszych po bardziej wyrafinowane:
Modele progowe oparte na statystyce – wyznaczenie „korytarza” normalnych wartości KPI, uzależnionego od pory dnia, dnia tygodnia czy sezonu; przekroczenia korytarza są sygnałem anomalii.
Uczenie nienadzorowane – algorytmy takie jak clustering czy autoenkodery uczą się typowych wzorców zachowania komórek, a nietypowe wzory (outliery) oznaczają potencjalny problem.
Modele sekwencyjne – analizujące przebieg KPI w czasie, wychwytujące „dziwne” trajektorie, które dla człowieka wyglądają jak zwykłe wahania, ale statystycznie są mało prawdopodobne.
W praktyce nie chodzi o pojedynczy KPI. Komórka może mieć w normie throughput, ale jednocześnie rośnie liczba błędów HARQ i powtórzeń transmisji. Dopiero zestawienie tych sygnałów pokazuje, że coś jest nie tak z radiem, zasilaniem albo interferencją.
Druga duża kategoria to predykcyjne utrzymanie infrastruktury. Stacje bazowe, moduły radiowe, routery, zasilacze – wszystko to emituje strumienie danych: temperatury, pobór mocy, błędy, restartowania, alerty softwarowe.
Modele uczenia maszynowego mogą z tych danych wyciągnąć zaskakująco dużo:
Prognoza czasu do awarii – na podstawie wieloletnich logów z podobnych urządzeń model szacuje, że dany moduł ma wysokie ryzyko awarii w najbliższych dniach lub tygodniach.
Identyfikacja „cichych zabójców” – komponenty, które formalnie działają, ale za chwilę staną się źródłem problemów: rosnące wibracje, subtelne fluktuacje napięć, powolny wzrost temperatury pod obciążeniem.
Optymalizacja harmonogramów serwisowych – zamiast jeździć „co 6 miesięcy z automatu”, ekipy odwiedzają te lokalizacje, gdzie ryzyko awarii jest realne, a resztę obsługują rzadziej.
W jednym z typowych scenariuszy operator zamiast wysyłać ekipę na naprawę w trybie awaryjnym w niedzielę o 3 nad ranem, wymienia moduł tydzień wcześniej przy okazji planowanych prac w regionie. Z punktu widzenia księgowości i komfortu klientów to zupełnie inna liga kosztów i ryzyka.
Prognozowanie degradacji jakości usług (QoE), a nie tylko KPI technicznych
Sieć 5G służy do czegoś więcej niż „megabity”. Klienta interesuje, czy wideokonferencja przestanie się zacinać, a nie czy RSRP spadł o 2 dB. Dlatego coraz częściej modele AI uczą się nie tylko na KPI sieciowych, ale również na miarach QoE (Quality of Experience).
Dane usługowe – opóźnienia w aplikacji, przerwane sesje, retranmisje w strumieniach wideo.
Dane biznesowe – skargi, zgłoszenia, rezygnacje z usług, ankiety satysfakcji.
Na tej podstawie powstają modele, które potrafią odpowiedzieć na pytanie: „Jakie jest prawdopodobieństwo, że użytkownicy w tej komórce zaczną odczuwać problemy z aplikacjami w ciągu najbliższej godziny?”. Co z tego, że KPI radiowe wciąż są „zielone”, jeśli łączna prognoza QoE wskazuje na zwiększone ryzyko frustracji klientów.
Łańcuch przyczynowy: od objawu do źródła problemu
Samo wykrycie anomalii to dopiero początek. Równie ważne jest zrozumienie, gdzie leży źródło problemu: w radiu, w transporcie, w core, a może w zewnętrznej chmurze aplikacyjnej. Tu AI wykorzystuje różne techniki analizy przyczynowej i korelacyjnej.
Stosuje się m.in.:
Grafy zależności – sieć i usługi są odwzorowane jako graf, w którym węzły to elementy (gNB, router, UPF, serwer aplikacyjny), a krawędzie – powiązania ruchowe; algorytmy szukają minimalnego podzbioru węzłów, którego degradacja tłumaczy obserwowane objawy.
Modele korelacji czasowej – analizujące, które alarmy zwykle poprzedzają inne; jeśli w 80% przypadków alarm z konkretnego węzła transportowego pojawia się kilka minut przed falą problemów w RAN, system wiąże je jako potencjalny łańcuch przyczyn.
Uczenie wzmacniane w diagnozie – agent RL uczy się zadawać „pytania” w postaci dodatkowych pomiarów czy testów (np. aktywny ping z określonych punktów), by szybciej zawęzić obszar poszukiwań.
Dzięki temu zamiast klasycznego „lawiny alarmów” NOC otrzymuje skondensowany obraz: „Z 90% pewnością problem pochodzi z tego konkretnego odcinka sieci szkieletowej – sugerowana akcja: przełączenie ruchu na ścieżkę zapasową”.
Oszczędność kosztów: gdzie AI naprawdę obniża OPEX i CAPEX w 5G
Optymalizacja energii – zielone 5G bez utraty jakości
Koszty energii to jeden z największych składników OPEX w sieci 5G. Gęstsza siatka stacji, większa liczba pasm, masywne MIMO – wszystko to przekłada się na rachunki za prąd. Z drugiej strony nie można po prostu „wyłączyć pół miasta” w nocy, bo sieć ma zapewniać zasięg i usługi krytyczne.
Sztuczna inteligencja pozwala wyjść poza proste schematy typu „tryb nocny od 1:00 do 5:00”. Modele uczą się lokalnych wzorców ruchu i warunków radiowych, dzięki czemu mogą:
dynamicznie wyłączać nośne – w godzinach małego obciążenia, ale tylko tam, gdzie sąsiednie komórki przejmą ruch bez degradacji jakości,
adaptacyjnie sterować MIMO – przełączać się na mniejszą liczbę aktywnych strumieni, gdy nie potrzeba pełnej przepustowości,
zarządzać „głębokim uśpieniem” – przechodzić z trybu uśpienia lekkiego do głębokiego dla niektórych komponentów, przewidując, kiedy faktycznie będą ponownie potrzebne.
Jeśli doda się do tego dane o temperaturze i chłodzeniu (klimatyzacja, wentylacja w stacjach), modele mogą optymalizować nie tylko same moduły radiowe, ale całą energetykę lokalizacji. W efekcie część operatorów obserwuje spadek zużycia energii mimo wzrostu ruchu – co jeszcze kilka lat temu brzmiałoby jak paradoks.
Automatyzacja operacji (Zero‑Touch Operations) i redukcja pracy ręcznej
Drugi duży obszar to koszty operacyjne ludzi. Konfiguracje, analizy, ręczne testy, ręczne eskalacje – to wszystko wymaga czasu doświadczonych inżynierów. Tam, gdzie się da, AI przejmuje część zadań, a ludzi przesuwa w stronę działań koncepcyjnych.
Typowe przykłady, gdzie „zero‑touch” zaczyna realnie działać:
Plug‑and‑play dla nowych stacji – technik montuje sprzęt, podłącza zasilanie i transmisję, a sieć sama wciąga stację do konfiguracji, przeprowadza testy zdalne, dopasowuje parametry i włącza ją do ruchu.
Automatyczne „ticketowanie” i eskalacje – system AI na podstawie alarmów i wpływu na usługi sam tworzy zgłoszenia, przypisuje je do właściwych zespołów, dołącza wstępną diagnozę i sugerowane akcje.
Inteligentne playbooki naprawcze – zamiast instrukcji w PDF, które ktoś musi przeczytać, orkiestrator z AI wykonuje sekwencję działań naprawczych (restarty, przełączenia, rekonfiguracje), a człowiek jedynie akceptuje plan lub go modyfikuje.
Różnica dla operatora jest zauważalna: mniej nocnych dyżurów „na telefonie”, mniej rutynowych zadań i więcej czasu na planowanie nowych usług czy architektur. Paradoksalnie, dobrze wdrożona automatyzacja AI zwykle zwiększa zapotrzebowanie na ludzi rozumiejących całość systemu, a zmniejsza potrzebę ręcznych operatorów „od klikania”.
Lepsze planowanie inwestycji (CAPEX) dzięki modelom predykcyjnym
Inwestycje w nowe stacje, dodatkowe pasma czy rozbudowę sieci transportowej bywają kosztowne i trudne do cofnięcia. Klasyczne planowanie opierało się w dużej mierze na trendach historycznych, makrostatystykach i doświadczeniu inżynierów. 5G z AI dodaje do tego warstwę bardziej precyzyjnych prognoz.
Modele analityczne mogą pomagać w odpowiedziach na pytania:
„Gdzie ruch wzrośnie najszybciej w ciągu najbliższych dwóch lat?” – z uwzględnieniem nowych osiedli, biurowców, fabryk, dróg.
„Czy wystarczy dodać nowe pasmo, czy lepiej zagęścić istniejącą siatkę komórek?”
Alokacja budżetu tam, gdzie naprawdę „zaboli” klienta
Prognozy obciążenia to tylko połowa układanki. Druga to przewidywanie, gdzie przeciążenie przełoży się na realne niezadowolenie użytkowników. Tu ponownie wraca pojęcie QoE.
Modele AI łączą dane o ruchu z danymi o typach usług i profilu klientów danego obszaru. W praktyce pozwala to:
różnicować priorytety inwestycji – inny jest wpływ przeciążonej komórki w strefie magazynowej, a inny w dzielnicy biurowej z firmami korzystającymi z VR do szkoleń,
liczyć „koszt braku inwestycji” – modele szacują, ilu klientów potencjalnie stracimy lub jak bardzo spadnie NPS, jeśli modernizacja tej konkretnej lokalizacji przesunie się o rok,
planować rozwój sieci prywatnych i kampusowych – na podstawie danych o rozwoju przemysłu, nowych fabryk czy stref logistycznych.
Zamiast ogólnego „zwiększamy budżet CAPEX o X”, dyskusja na poziomie zarządu zaczyna brzmieć raczej: „Te 10 lokalizacji generuje 60% ryzyka utraty przychodu w segmencie premium – inwestujemy najpierw tam”. AI podsuwa liczby i scenariusze, a człowiek decyduje, które z nich wpisują się w strategię biznesową.
Symulacje „co‑jeśli” – cyfrowe bliźniaki sieci 5G
Coraz częściej operatorzy budują tzw. digital twins – cyfrowe bliźniaki sieci. To wirtualne środowiska, które naśladują zachowanie realnej infrastruktury, zasilane historycznymi i bieżącymi danymi. W takim „piaskownicowym” świecie można bez ryzyka testować decyzje inwestycyjne i konfiguracyjne.
AI wykorzystuje się tutaj na kilku poziomach:
uczenie modeli ruchu – jak zmieni się obciążenie, jeśli powstanie nowe centrum handlowe albo przeniesie się duży najemca biurowy,
symulacja scenariuszy awaryjnych – co się stanie z QoE, jeśli dany pierścień transportowy wypadnie z powodu prac drogowych,
analiza opłacalności wariantów – porównanie, czy lepiej dodać sektor w istniejącej stacji, czy postawić nową lokalizację mikrostacji.
Dla planistów to ogromna zmiana jakościowa. Zamiast opierać się na intuicji i prostych trendach, dostają narzędzie, które pozwala „przewinąć taśmę do przodu” i zobaczyć skutki decyzji kilka lat naprzód. Oczywiście, to wciąż prognozy, ale zwykle dużo bardziej trafne niż arkusz kalkulacyjny z kilkunastoma kolumnami.
Kluczowe techniki AI w sieciach 5G – bez przesadnej matematyki, ale z konkretem
Uczenie nadzorowane: gdy mamy etykiety i historię
Uczenie nadzorowane to klasyka: model uczy się na przykładach, gdzie znamy „prawidłową odpowiedź”. W sieciach 5G wykorzystuje się je szczególnie tam, gdzie dostępne są bogate logi z przeszłości.
Typowe zastosowania to:
klasyfikacja awarii – rozpoznawanie, czy dany wzorzec alarmów oznacza problem w radiu, transporcie czy w warstwie usług,
prognozowanie obciążenia – przewidywanie liczby użytkowników i zapotrzebowania na przepustowość w określonym czasie,
predykcyjne utrzymanie – szacowanie czasu do awarii na podstawie historii podobnych urządzeń.
Wykorzystuje się tu zarówno „lżejsze” modele (drzewa decyzyjne, lasy losowe, gradient boosting), jak i głębokie sieci neuronowe, gdy liczba parametrów i relacji jest zbyt duża dla prostszych metod. Centralnym zadaniem inżyniera nie jest jednak dobór „magicznego algorytmu”, tylko zbudowanie sensownych cech (feature’ów) z surowych logów i KPI.
Uczenie nienadzorowane: gdy nie wiemy, czego szukamy
Sieć 5G generuje tyle danych, że nie da się ręcznie oznaczyć wszystkich wzorców jako „dobre” czy „złe”. Tu wchodzi uczenie nienadzorowane, które szuka struktur i anomalii bez etykiet.
Najczęściej spotyka się:
klasteryzację komórek i użytkowników – grupowanie elementów o podobnych profilach ruchu lub zachowania, co pomaga np. w segmentacji klientów czy dobieraniu parametrów SON,
detekcję anomalii – wykrywanie nietypowych wzorców KPI, które mogą oznaczać nowy typ awarii, atak DDoS albo błąd konfiguracyjny,
redukcję wymiaru – techniki typu PCA lub autoenkodery, które „ściskają” tysiące metryk do kilkunastu wymiarów, na których łatwiej pracować kolejnym algorytmom.
Przykład z praktyki: operator zauważa, że w pewnym mieście pojawiają się krótkie, trudne do uchwycenia spadki jakości. Modele nienadzorowane wyłapują, że zestaw KPI w tych chwilach tworzy osobny klaster, różny od wszystkiego, co widziano wcześniej. To sygnał, że w sieci dzieje się coś nowego – może interferencja z nową instalacją przemysłową, może nowa klasa terminali z błędnym firmware.
Uczenie wzmacniane (Reinforcement Learning): AI, która uczy się działać
Uczenie wzmacniane (RL) przydaje się tam, gdzie kluczowe jest podejmowanie sekwencji decyzji w czasie, a nie pojedynczych strzałów. Agent RL dostaje nagrody za dobre decyzje (np. lepsze KPI, niższe zużycie energii) i kary za złe, a z czasem buduje politykę działania.
W sieciach 5G RL pojawia się m.in. przy:
dynamicznej optymalizacji parametrów RAN – agent steruje parametrami sąsiedztw, tiltów, poziomów mocy, stopniowo ucząc się, które kombinacje poprawiają QoE bez przekraczania ograniczeń interferencji,
zarządzaniu energią – decyzje o przechodzeniu w tryby uśpienia, włączaniu/wyłączaniu nośnych czy zmienianiu konfiguracji MIMO są wynagradzane na podstawie balansu między oszczędnością energii a jakością usługi,
routing’u w sieci transportowej – szczególnie w rozwiązaniach z segmentacją, gdzie agent decyduje, jak rozkładać ruch po wielu ścieżkach.
Żeby RL działał bezpiecznie, zwykle trenuje się agentów najpierw w symulatorze lub cyfrowym bliźniaku sieci, a dopiero później stopniowo dopuszcza do realnej infrastruktury – na początku w wąskim zakresie i z silnymi ograniczeniami polityk bezpieczeństwa.
Głębokie sieci neuronowe i modele sekwencyjne (LSTM, Transformers)
Sieci 5G to systemy „czasowe”: ruch zmienia się w minutach, godzinach, sezonach; sygnały radiowe falują w zależności od obciążenia i warunków propagacji. Do uchwycenia takich zależności świetnie nadają się modele sekwencyjne.
Najczęściej wykorzystywane podejścia to:
LSTM/GRU – sieci rekurencyjne dobrze radzące sobie z dłuższymi zależnościami czasowymi, używane do prognoz obciążenia czy predykcji KPI,
Transformery sekwencyjne – architektury oparte na mechanizmie uwagi (attention), które potrafią „widzieć” odległe w czasie zależności bez typowych problemów RNN; przydatne przy złożonych sekwencjach logów i zdarzeń,
modele hybrydowe – łączące np. CNN (do ekstrakcji przestrzennych zależności między sąsiadującymi komórkami) z LSTM (do dynamiki w czasie).
Wyobraźmy sobie miasto w godzinach szczytu: część użytkowników przesiada się do metra, część idzie pieszo, część wsiada do samochodów. Wzorce ruchu skaczą między komórkami w sposób, który z pozoru wygląda chaotycznie. Modele sekwencyjne i przestrzenno‑czasowe są w stanie uchwycić takie migracje i przewidzieć, które sektory „zapalą się na czerwono” za 10–15 minut.
Modele grafowe (GNN) dla topologii sieci
Sieć 5G jest naturalnie grafem: węzły to stacje, routery i elementy core, a krawędzie – połączenia fizyczne i logiczne. Grafowe sieci neuronowe (GNN) wykorzystują tę strukturę wprost.
Przykładowe scenariusze użycia GNN:
propagacja informacji o stanie – model „rozsiewa” informacje o KPI i alarmach po grafie, ucząc się, jak problemy w jednym miejscu wpływają na inne elementy,
lokalizacja źródła awarii – na podstawie obserwowanych objawów w wielu punktach (QoE, opóźnienia, straty) model wskazuje najbardziej prawdopodobne źródło w grafie,
optymalizacja tras i segmentów – GNN mogą sugerować alternatywne ścieżki w sieci transportowej, uwzględniając zarówno przepustowość, jak i opóźnienia oraz ryzyko przeciążeń.
Przewaga takich modeli nad klasycznymi podejściami polega na tym, że „rozumieją” sieć jako całość, a nie jako zbiór odseparowanych punktów pomiarowych. To trochę jak lekarz, który patrzy nie tylko na jeden organ, ale na cały układ krążenia.
Federated Learning – uczenie modeli bez wyciągania danych z sieci
W sieci 5G pojawia się coraz więcej ograniczeń regulacyjnych i biznesowych dotyczących danych. Nie zawsze można bez ograniczeń przesyłać logi i statystyki do jednej, centralnej chmury. Rozwiązaniem jest federated learning.
Koncept jest prosty: model jest trenowany „na brzegu” (np. w lokalnym data center czy nawet w węzłach MEC), a do centrali wysyłane są tylko aktualizacje parametrów modelu, nie surowe dane. Centralny serwer agreguje te aktualizacje, tworzy „uśredniony” model i odsyła go z powrotem do krawędzi.
W 5G pozwala to m.in. na:
lokalne dostosowanie modeli – różne miasta czy regiony mogą mieć trochę inne wzorce ruchu, ale wciąż korzystają z „wspólnej bazy” wiedzy,
mniejsze ryzyko związane z prywatnością – wrażliwe dane klientów nie opuszczają danej domeny czy kraju,
redukcję ruchu w sieci core – zamiast gigabajtów logów przesyłane są stosunkowo niewielkie wektory wag modeli.
To podejście szczególnie dobrze wpisuje się w architekturę 5G z rozproszonym edge computingiem, gdzie część przetwarzania naturalnie przenosi się bliżej użytkownika.
Systemy hybrydowe: AI + reguły eksperckie
W realnych sieciach rzadko spotyka się „czyste” AI bez żadnej logiki biznesowej. Częściej mamy do czynienia z hybrydami, gdzie modele ML współpracują z zestawem reguł, polityk i ograniczeń narzuconych przez ekspertów.
Taki miks sprawdza się szczególnie dobrze, gdy:
istnieją twarde ograniczenia – np. minimalny zasięg dla służb ratunkowych, których nie wolno naruszyć nawet w imię oszczędności energii,
chcemy kontrolować zakres działania AI – operator może pozwolić modelowi podejmować decyzje tylko w określonych „korytarzach” parametrów,
część zjawisk jest dobrze rozumiana – nie ma sensu trenować modelu do rzeczy, które od lat opisano i ustandaryzowano w formie prostych reguł.
Przykładowo: model może proponować zmiany tiltów czy mocy, ale system reguł weryfikuje, czy nie spowodują one utraty pokrycia w korytarzu kolejowym lub wzdłuż autostrady. Jeśli tak – modyfikacja jest korygowana albo odrzucana. Dzięki temu AI działa jak sprytny asystent, a nie nieprzewidywalny „czarny skrzynkowiec”.
Explainable AI (XAI) – wyjaśnialność decyzji w środowiskach krytycznych
Sieć 5G jest infrastrukturą krytyczną. Nie wystarczy wiedzieć, że „model tak powiedział” – trzeba rozumieć, dlaczego podjął konkretną decyzję. Tu pojawia się obszar Explainable AI.
Stosuje się między innymi:
lokalne wyjaśnienia predykcji – metody typu SHAP czy LIME pokazują, które cechy miały największy wpływ na konkretną decyzję (np. wskazanie awarii w danym węźle),
reguły generowane z modeli – złożony model jest używany do wygenerowania zbioru uproszczonych reguł, które inżynier może przejrzeć i zweryfikować,
wizualizacje na grafach i mapach – zamiast suchego „prawdopodobieństwo awarii: 0,87”, system zaznacza na mapie sieci fragment, który wpłynął na taką ocenę.
Gdy inżynier NOC widzi, że model sugeruje przełączenie ruchu na inną ścieżkę, a pod spodem ma czytelne wyjaśnienie: „Rośnie jitter i packet loss na tym odcinku, podobny wzorzec poprzedzał awarię tego łącza 20 razy w ciągu ostatniego roku”, znacznie łatwiej mu zaufać rekomendacji i podjąć decyzję.
