La red móvil de 6ª generación (6G) fija unas barreras extremadamente altas a los futuros sistemas de comunicación que deben cumplir requisitos de rendimiento sobresalientes como una latencia cercana a cero, una capacidad aparentemente infinita y un 100% de fiabilidad y disponibilidad que harán la infraestructura de comunicaciones plenamente transparente a las aplicaciones. Para lograr tan ambiciosos objetivos, las redes 6G deberán completar la plena transición a la virtualización con la mayoría de funciones de red operando en nubes de telecomunicación dedicadas sobre un plano de usuario abierto y programable.

Para desplegar el potencial del 6G para orquestar recursos y Funciones de Red Virtuales (VNFs) a través del entramado multidominio de la infraestructura, la red debe integrar soluciones de gestión de red y del servicio sin intervención (ZSM) que sean capaces de automatizar plenamente dicho proceso, llevando las operaciones de gestión de red a escalas de gran rapidez (e.j.: de milisegundos a minutos) no alcanzables por enfoques tradicionales que involucran a personas.

La Inteligencia Artificial (IA) es comúnmente considerada como el principal habilitador para el algoritmo de toma de decisiones que soportará la ZSM y el éxito del 6G podría depender de la calidad con que la IA gestione de facto la infraestructura tomando e implementando autónomamente decisiones operacionales sobre los programadores, controladores y orquestadores en los diferentes dominios de red.

Concretamente, se espera que los modelos de IA provean de un apoyo rápido y eficiente para la gestión y orquestación anticipatoria, es decir, que adopten decisiones que respondan proactivamente a los futuros cambios en la demanda de los usuarios, un enfoque mucho más eficiente que las políticas reactivas y que es fundamental para desbloquear todos los beneficios de la automatización. Esto claramente requiere diseñar modelos de IA adaptados para la predicción de Indicadores Clave de Rendimiento (KPIs) del tráfico de red y de hecho se han propuesto muchos predictores de IA que mejoran los métodos tradicionales de modelación estadística en varias tareas de predicción del tráfico.

Sin embargo, para que los predictores de IA sean desplegados en sistemas operacionales que sirven a millones de usuarios su robustez es crítica, siendo esta una de las mayores barreras actuales a la confianza de sus Operadores en las tecnologías ZSM. Para el KPI de predicción de red móvil es fundamental no solo que las estimaciones sean precisas al desplegarse, sino también a lo largo del tiempo. La tarea no es obvia pues la demanda de los usuarios y la configuración de la red varían con el tiempo debido a la adopción de nuevos servicios, el cambio en la popularidad de aplicaciones móviles, la disponibilidad de tecnologías de telecomunicación más rápidas, los cambios en la configuración de la red, el despliegue de operadores adicionales o el desmantelamiento de antiguas antenas. Estos fenómenos ocurren en el plazo de semanas y se caracterizan por una combinación de tendencias fijas y eventos abruptos. Para que los predictores de IA sean prácticos deben poder hacer frente a esta compleja dinámica temporal y mantener la calidad de sus predicciones a pesar de que el sistema subyacente cambie.

6G-IRONWARE diseñará a medida modelos de IA resilientes y robustos ante (i) cambios temporales en la demanda de los usuarios y (ii) actualizaciones de la configuración de la red a lo largo del tiempo.

Proyecto financiado por MICIU/AEI /10.13039/501100011033 y por la Unión Europea NextGenerationEU/PRTR