La visión de las redes móviles de sexta generación (6G) establece estándares extraordinariamente altos para los futuros sistemas de comunicación, que deberán cumplir con requisitos de rendimiento sobresalientes, incluida una latencia casi nula, una capacidad aparentemente infinita y una confiabilidad y disponibilidad del 100 %. Para cumplir estos ambiciosos objetivos, se espera que las redes 6G completen la transición a la virtualización total y admitan soluciones de gestión de servicios y redes (ZSM) sin intervención capaz de automatizar completamente la orquestación de los recursos de la red.

La inteligencia artificial (IA) se considera ampliamente como el principal habilitador del algoritmo de toma de decisiones que sustentará ZSM. En particular, se espera que la IA brinde soporte MANO anticipado, es decir, tome decisiones que aborden de manera proactiva los cambios futuros en las demandas de los usuarios, lo que requiere modelos de IA adaptados para el pronóstico de indicadores clave de rendimiento (KPI) del tráfico de red.

Sin embargo, para que los predictores de IA se implementen en sistemas operativos de nivel de producción que atiendan a millones de usuarios, la solidez es fundamental y, de hecho, es una de las principales barreras que actualmente impide a los ORM confiar en las tecnologías ZSM. En el caso de la predicción de KPI de redes móviles, es fundamental no sólo que los pronósticos sean precisos en el momento de la implementación, sino también que lo sean a lo largo del tiempo. La tarea no es obvia, ya que tanto las demandas de los usuarios como las configuraciones de la red varían en el tiempo debido a la adopción de nuevos servicios, cambios en la popularidad de las aplicaciones móviles, disponibilidad de tecnologías de comunicación más rápidas, cambios en las configuraciones de la red, implementación de operadores adicionales o Desmantelamiento de antenas antiguas. Estos fenómenos ocurren en escalas de tiempo de semanas y se caracterizan por una combinación de tendencias constantes y eventos abruptos.

Esta investigación apunta precisamente al desarrollo de predictores prácticos de IA que puedan hacer frente a estas complejas dinámicas temporales y conservar su calidad de pronóstico a pesar de los cambios subyacentes en el sistema.

Este proyecto está financiado por la Comunidad de Madrid (Consejería de Educación, Ciencia, Universidades y Portavocía) a través de la ayuda 2023-5A/TIC-28944. Esta ayuda es una extensión de la subvención a la Atracción de Talento 2019-T1/TIC-16037, otorgada al Dr. Marco Fiore en la convocatoria de 2019 para financiar el proyecto de investigación NetSense.