Ekonomický argument pro DSS řízené AI je zřejmý – operátoři získávají větší hodnotu ze spektra, za které již zaplatili. Namísto nákupu zcela nového spektra nebo rozsáhlého reframingu umožňuje DSS postupný přechod s využitím stávající anténní a RF infrastruktury. To má přímý dopad na hospodářský výsledek, protože operátoři se vyhnou kapitálovým výdajům na pořízení dedikovaného spektra i provozním komplikacím spojeným s výměnou infrastruktury.
Operátoři také nemusí čekat na další aukci spektra ani dokončit celkovou modernizaci sítě, aby mohli nabídnout 5G. Mohou 5G aktivovat napříč stávajícími pásmy téměř okamžitě a kapacitu i pokrytí pak škálovat podle poptávky. A možná nejdůležitější je, že DSS umožňuje bezproblémovou koexistenci mezi oběma generacemi, i těmi budoucími. Stávající zákazníci 4G si zachovají kvalitu služeb, zatímco uživatelé 5G získají přístup k možnostem aktuální generace.
Omezení
Navzdory všem výhodám přináší DSS řízené AI reálné praktické výzvy, které si zaslouží upřímné zhodnocení.
Složitost je jednou z nich. Provoz sofistikované ML infrastruktury pro správu spektra v reálném čase vyžaduje robustní datové pipeline, systémy pro trénování a inferenci a odborné technické znalosti. Menší operátoři nebo ti na méně vyspělých telekomunikačních trzích nemusí mít prostředky na vybudování a provoz těchto systémů. V některých případech může režie spojená s nasazením, laděním a monitorováním AI řízeného plánování převážit nad úsporami z efektivity – zejména v oblastech, kde je spektrum stále relativně dostupné. Pro tyto operátory může být dobře nakonfigurované statické přidělování zcela dostačující.
Správa interferencí je dalším přetrvávajícím problémem. DSS je navrženo tak, aby minimalizovalo interference mezi 4G a 5G, ale dynamické přeskupování přidělení zdrojů ve stejném pásmu vytváří koordinační výzvy, které se s růstem sítě násobí. Konzistentní výkon v reálném světě závisí na pokročilém beamformingu, přesném řízení výkonu a sofistikované mitigaci interferencí – žádná z těchto technik se však nešíří rovnoměrně napříč všemi scénáři nasazení.
Pak je tu přesnost předpovědí. ML modely trénované na historických datech mohou fungovat dobře za normálních okolností, ale mohou selhat při anomálních událostech – jako jsou výpadky sítě, velké sportovní akce nebo přírodní katastrofy – nebo v nově nasazených oblastech s omezenými trénovacími daty. Celý systém funguje na základě předpovědí, a když tyto předpovědi selžou, může dojít k horšímu využití spektra, než by poskytovalo kompetentně nakonfigurované statické schéma.
Regulatorní a standardizační překážky přidávají další komplikaci. DSS je sice standardizováno v rámci 3GPP, ale širší regulatorní rámce pro sdílení spektra se liší stát od státu. Regulační orgány musí schválit ujednání o sdílení a tento schvalovací proces může být pomalý a nepředvídatelný. Studie amerického ministerstva obrany dospěla k závěru, že sdílení 350 MHz spektra v pásmu 3 GHz by nebylo proveditelné bez DSS ověřeného ve velkém měřítku, což jej staví do role klíčového nástroje, ale zároveň zdůrazňuje, že jeho prokázání ve velkém měřítku s vysokou mírou spolehlivosti je stále ještě nedokončenou prací.
Za zmínku také stojí, že DSS definované 3GPP představuje pouze jednu variantu dynamického sdílení spektra. Širší oblast zahrnuje kognitivní rádio, oportunistický přístup ke spektru a další pokročilé techniky, které nejsou všechny stejně standardizovány ani připraveny pro reálné nasazení.
Nové technologie pro DSS řízené AI
Několik navazujících technologií se sbíhá, aby učinily DSS řízené AI praktičtějším a výkonnějším.
Architektury Open RAN (O-RAN) jsou v tomto ohledu výrazné. Standardy O-RAN poskytují otevřená, na dodavateli nezávislá rozhraní, která umožňují aplikacím pro snímání a správu spektra fungovat napříč různými platformami zařízení. To má zásadní význam pro DSS řízené AI, protože algoritmy pro optimalizaci spektra nejsou uzavřeny v proprietárním zásobníku jediného dodavatele – mohou přijímat data z heterogenní sítě a odesílat do ní rozhodnutí. Distribuovaný design O-RAN také umožňuje snímání spektra ve velkém měřítku, čímž zásobuje datové pipeline, které AI modely potřebují ke svému fungování.
Technologie kognitivního rádia se k tomu přirozeně hodí. Kognitivní rádia snímají spektrální prostředí v reálném čase a umožňují uživatelům s nižší prioritou dynamicky využívat licencované spektrum v okamžicích, kdy jej primární uživatelé plně nevyužívají. To přímo navazuje na DSS řízené AI – umožňuje inteligentní, protokolově uvědomělý přístup ke spektru, který dalece přesahuje jednoduché časové nebo frekvenční multiplexování.
Zdroj: rcwireless.com
