اختبار قبول مسار الذكاء الاصطناعي في RAN: ما الذي تثبته فعليا تجربة SoftBank و Ericsson للجيل الخامس

إن مكسب شبكة متوسطا مبلغا عنه بنسبة 10% يستحق نظرة جادة. لكنه لا يمنح إذنا بإحالة مسار الرجوع الاحتياطي القائم على القواعد إلى التقاعد.

هذا هو الدرس الحقيقي من تجربة مجدول تكييف الوصلة المبني أصلا على الذكاء الاصطناعي من SoftBank و Ericsson في شبكة 5G تجارية. تهم التجربة لأن التحكم اللاسلكي المتعلم يقترب أكثر من ظروف الشبكة الحية، مع بيانات مشغل حقيقية وقيود تشغيلية حقيقية تحيط به. لكن تجربة واحدة، حتى لو كانت جيدة، لا تثبت أن كل مسار وخلية وفئة جهاز ومزيج حركة مرور ونافذة ازدحام جاهزة للتحكم المتعلم المستقل.

تحول هذه المقالة الإعلان إلى دليل قبول للمشغلين. الهدف ليس تكرار مزاعم الموردين. بل توضيح الأدلة التي ينبغي لفريق الشبكة أن يطلبها قبل انتقال مجدول تكييف الوصلة المتعلم من تجربة محدودة إلى مسار مراقب. يظهر الانقسام نفسه بين الإشارة وقرار المسار في أدلة Optijara حول جاهزية نشر البنية التحتية، وتأهيل وقت التشغيل، وتقييم بحث الذكاء الاصطناعي، ومفاضلات نشر النماذج المحلية.

الخلاصة المباشرة: مسار الرجوع الاحتياطي ليس رقعة طوارئ. في التحكم الشبكي المدعوم بالذكاء الاصطناعي، مسار الرجوع الاحتياطي جزء من المنتج.

لماذا تهم تجربة RAN المبنية أصلا على الذكاء الاصطناعي هذه، وما الذي لا تثبته بعد

يقول بيان SoftBank الصحفي الصادر في 20 أغسطس 2026 إن SoftBank و Ericsson تحققتا من مجدول تكييف الوصلة المبني أصلا على الذكاء الاصطناعي في شبكة 5G تجارية. ووفقا للبيان، قدمت SoftBank بيانات الشبكة، بينما دربت Ericsson نموذج الذكاء الاصطناعي وضبطته. تضمنت نتائج التجربة المبلغة تحسنا يصل إلى 25% في الكفاءة الطيفية، وتحسنا يصل إلى 50% في إنتاجية الوصلة الهابطة، وتحسينات متوسطة تقارب 10%. هذه الأرقام هي نتائج تجربة مبلغة من الموردين من اختبار محدد في شبكة تجارية. وهي ليست ضمانات إنتاج عامة.

يمكن للبيان الصحفي أن يبين أن تقنية ما تستحق التحقيق. لكنه لا يستطيع أن يحل محل أدلة القبول المملوكة للمشغل. يجب أن يجيب ملف القبول عن أسئلة أصعب. ما خط الأساس؟ هل تمت مطابقة الخلايا؟ هل فصلت الفترات الهادئة عن الفترات المزدحمة؟ هل صمد مستخدمو حافة الخلية؟ هل بقيت عمليات التسليم مستقرة؟ هل كشفت تغيرات التداخل عن سلوك غريب؟ هل يمكن للمسار الرجوع بسرعة كافية إلى القواعد التقليدية لكي تثق به العمليات؟

يضبط تكييف الوصلة خيارات الإرسال بناء على ظروف الراديو. قد يجد المجدول المتعلم أنماطا تفوتها القواعد الثابتة. لا بأس. لكن المسار لا يزال يحتاج إلى حدود سياسات، وقياس عن بعد، وتمارين تراجع، وخط أساس لم يهمل بصمت. يمكن لخط أساس ضعيف أن يجعل أي شيء تقريبا يبدو ذكيا.

سؤال المشغل الأفضل بسيط: هل يستطيع هذا المسار الصمود أمام الازدحام، والانجراف، وتنوع الأجهزة، والحركة، وتحولات التداخل، والتراجع من دون إخفاء الضرر في الذيول؟

حلقة التحكم: من ملاحظات الراديو إلى قرار المجدول

يستهلك مجدول تكييف الوصلة المتعلم ملاحظات الراديو وسياق حركة المرور، ثم يقترح خيارات الإرسال أو يؤثر فيها. في تصميم محدود، تظل قيود السياسة ومسارات الرجوع التقليدية تحيط بالمكون المتعلم. ذلك النظام المحيط ليس مجرد توصيلات. إنه ما يجعل المسار مقبولا.

إذا كان مسار الرجوع الاحتياطي بطيئا، أو غير مختبر، أو ضعيف المراقبة، فإن مسار الذكاء الاصطناعي ليس جاهزا، حتى عندما تبدو نتيجة النموذج جذابة.

يمكن للمشغلين قياس الكفاءة الطيفية، وتوزيعات إنتاجية الوصلة الهابطة، وإعادة الإرسال أو معدل خطأ الكتل، وزمن الاستجابة والتذبذب حيثما كانا متاحين، وسلوك التسليم، وأحداث حواجز الحماية، ومعدل الرجوع الاحتياطي، وإشارات الانجراف، وجداول الحوادث الزمنية. وينبغي ألا يستنتجوا فوائد لم يقيسوها. تنتمي محاسبة الطاقة والسعة إلى ملف القبول فقط عندما تقاس مباشرة، لا عندما تفترض من تغيرات الإنتاجية أو الكفاءة الطيفية وحدها.

AIRAT: إطار قبول من خمس بوابات لتكييف الوصلة بالذكاء الاصطناعي في RAN

إن اختبار قبول مسار AI-RAN من Optijara، أي AIRAT، هو إطار من خمس بوابات لتقرير ما إذا كان تكييف الوصلة المتعلم ينبغي أن يبقى في وضع الظل، أو ينتقل إلى كناري، أو يتوسع، أو يتوقف مؤقتا، أو يتراجع، أو يتوقف استخدامه. وهو مبني لذكاء اصطناعي يتحكم في الشبكات، حيث لا يكفي متوسط الأداء أبدا.

البوابة 1: حدود الأدلة وتتبع المصدر

افصل أدلة التجربة المبلغة من الموردين عن أدلة المسار المملوكة للمشغل. احتفظ بسجل مصدر للبيان الصحفي، ووثائق البنية، وإصدار النموذج، والتكوين، والميزات، والتسميات، ونافذة التقييم، وقواعد خط الأساس، ونطاق الطرح. إذا تعذر تتبع نتيجة ما إلى مصدر أو أثر قياس، فينبغي ألا تؤثر في التوسع.

مثال عملي: إذا قالت حزمة القبول إن الإنتاجية تحسنت في خلية كناري، فينبغي أن يستطيع الفريق تتبع ذلك الرقم إلى قائمة الخلايا، ونافذة الوقت، وإصدار المسار، ومجموعة قواعد خط الأساس، وإصدار النموذج، ومنطق التصفية المستخدم في التقرير.

البوابة 2: تصميم خط الأساس والواقع المضاد

حدد خط أساس المجدول التقليدي قبل التجربة. طابق الخلايا، ونوافذ الوقت، وفئات الأجهزة، وأنواع حركة المرور، وحالات الحركة، وظروف التداخل حيثما أمكن. تجنب مقارنة مسار ذكاء اصطناعي جديد بخط أساس قديم أو مضبوط بشكل سيئ. هذه واحدة من أسهل الطرق لخداع نفسك.

البوابة 3: الأداء والإنصاف على مستوى الشريحة

لا تتوقف عند المتوسطات. قسم النتائج حسب الموقع، والخلية، ومستخدمي حافة الخلية، ونوافذ الازدحام، وحالة الحركة، وفئة الجهاز، ومزيج حركة المرور. افحص التوزيعات وسلوك الذيل. المسار الذي يحسن المتوسط بينما يضعف إنتاجية حافة الخلية أو يزيد إعادة الإرسال في الازدحام ليس جاهزا للتوسع.

هنا تصبح كثير من تجارب الشبكات بالذكاء الاصطناعي غير مريحة، وهذا بالضبط سبب وجود الفحص هنا. مكسب المتوسط مقياس عنوان. سلوك الذيل هو حقيقة التشغيل.

البوابة 4: الاستقرار، والانجراف، وحواجز الحماية

اختبر عتبات الثقة، وتشغيل حواجز الحماية، ومؤشرات الانجراف، وتقادم الميزات، وسلوك التسليم، ومشغلات الرجوع الاحتياطي. ينبغي للمسار أن يتصرف باتساق عبر الظروف المتغيرة، أو أن يعود إلى القواعد التقليدية بسرعة وبشكل مرئي. يأتي الاستقرار من عمل النموذج، وخط البيانات، وطبقة السياسة، والقياس عن بعد، وعملية العمليات معا.

البوابة 5: قرار المسار، والتراجع، ومعايير إيقاف الاستخدام

ترجم الأدلة إلى واحد من خمسة قرارات: الاستمرار في وضع الظل، أو توسيع كناري محدود، أو التوقف مؤقتا، أو التراجع، أو إيقاف الاستخدام. حدد مسبقا معايير إيقاف الاستخدام قبل بدء التجربة. تشمل الأمثلة التشغيل المتكرر لحواجز الحماية، والانجراف غير المفسر، وتدهور الذيل، وفشل الرجوع الاحتياطي، ومشكلات حدود الخصوصية أو الأمن، أو عدم اكتمال قابلية المراقبة.

{
  "framework": "Optijara AI-RAN Route Acceptance Test",
  "shortName": "AIRAT",
  "gates": ["evidence_boundary", "baseline_counterfactual", "slice_performance", "stability_drift_guardrails", "route_decision_rollback"],
  "decisions": ["shadow", "canary", "expand", "hold", "rollback", "stop_use"],
  "requiredSafeguards": ["conventional_fallback", "model_version_pinning", "drift_monitoring", "guardrail_events", "rollback_drill"]
}

مصفوفة قرار مسار AIRAT

الأخضر لا يعني طرحا غير مقيد. بل يعني أن المسار يمكن أن يتوسع عبر كناريات محدودة لأن المقاييس المستهدفة تتحسن من دون ضرر خفي في الذيل، وحواجز الحماية قابلة للمراقبة، والرجوع الاحتياطي مختبر، وزمن التراجع داخل النافذة المقبولة. الكهرماني يعني أن الأدلة واعدة لكنها غير مكتملة. الأحمر يعني أنه ينبغي التراجع عن المسار أو إيقافه.

ينبغي كتابة معايير القبول قبل مراجعة النتائج. ينبغي لكل معيار أن يسمي المقياس، والشريحة، وخط الأساس، ونافذة الوقت، وفترة الدليل الدنيا، وعتبة التنبيه، والمالك، ومشغل التراجع. يبدو ذلك مملا إلى أن يسيء كناري التصرف عند الساعة 2 صباحا. عندها تصبح الأوراق المملة أقصر طريق للعودة إلى التحكم.

قائمة تنفيذية: كيفية تشغيل تجربة مسار AI-RAN مراقبة

قبل وضع الظل، احصر مصدر الحقيقة لبيانات الراديو، وسياق حركة المرور، وقواعد خط الأساس، وتعريفات الميزات، والتسميات، وإصدار النموذج، والتكوين. ثبت النموذج وتكوين المسار. حدد حدود الخصوصية والأمن. سجل مسبقا المقاييس ومعايير إيقاف الاستخدام. تأكد من أن المجدول التقليدي يستطيع الاستمرار في خدمة حركة المرور بينما يتم تقييم مسار الذكاء الاصطناعي.

أثناء طرح الكناري، ابدأ بوضع الظل. ينتج مجدول الذكاء الاصطناعي قرارات للمقارنة بينما تستمر القواعد التقليدية في خدمة حركة المرور. بعد أن تكفي أدلة الظل، انتقل إلى خلايا كناري محدودة ونوافذ مضبوطة. عين مالكين لأداء الراديو، وسلوك النموذج، وقابلية المراقبة، والاستجابة للحوادث، وموافقة التراجع.

قبل توسيع المسار، اطلب أدلة عبر الفترات العادية والمزدحمة، وشرائح حافة الخلية، وحالات الحركة، وفئات الأجهزة، ومزيج حركة المرور. تأكد من تسجيل رموز أسباب الرجوع الاحتياطي. راجع مؤشرات الانجراف وأحداث حواجز الحماية. تحقق من أن زمن التراجع قد قيس، لا افترض.

ينبغي أن يتضمن القياس عن بعد عروضا لكل خلية، ومخططات توزيع، ومقاييس ذيل، واتجاهات إعادة الإرسال أو BLER، وزمن الاستجابة والتذبذب حيثما قيست، وأحداث حواجز الحماية، ونطاقات الثقة، ومؤشرات الانجراف، ورموز أسباب الرجوع الاحتياطي، وإصدار المسار، وجداول الحوادث الزمنية. ينبغي أن يعرف الفريق ما حدث، ولماذا تغير المسار، وكيف يعود إلى المسار التقليدي.

ما تخطئ فيه الفرق عند تقييم تكييف الوصلة المتعلم

تتعثر الفرق عادة في مواضع مألوفة. فهي تتعامل مع مكسب المتوسط كجاهزية. وتقارن بخط أساس ضعيف. وتتجاهل شرائح حافة الخلية، أو نوافذ الازدحام، أو حالات الحركة، أو مزيج الأجهزة. وتتخطى تمارين التراجع لأن الكناري يبدو جيدا. وتفقد نسب النموذج والبيانات، ثم تكتشف أثناء حادث أنه لا أحد يستطيع إعادة بناء أي نموذج وميزات وتسميات وقواعد وتكوين أنتج قرارا ما.

الخطأ الأسوأ هو استنتاج قيمة لم تقاس. مكسب الإنتاجية ليس وفرا في التكلفة تلقائيا. ومكسب الكفاءة الطيفية ليس وفرا في الطاقة تلقائيا. ونافذة تجربة سلسة ليست ضمانا لوقت التشغيل. تحتاج هذه المزاعم إلى أدلتها الخاصة.

التحفظات والحدود: ما لا ينبغي استخدام هذه التجربة لادعائه

التحسينات المبلغة هي نتائج تجربة مبلغة من الموردين من إعلان SoftBank. ولا ينبغي تقديمها كإعادة إنتاج مستقلة، أو دليل على نطاق النشر، أو وفورات تكلفة، أو وفورات طاقة، أو ضمانات وقت تشغيل، أو مزاعم أداء عامة. يعتمد تكييف الوصلة المدعوم بالذكاء الاصطناعي على ظروف الراديو المحلية، ومزيج حركة المرور، ومزيج الأجهزة، والحركة، والتداخل، وجودة الميزات، وضبط النموذج، والسياسة التشغيلية.

تعد مراجع المعايير والبنية من مجموعات مثل O-RAN و 3GPP و NGMN و ITU سياقا مفيدا لبنية الشبكات المفعلة بالذكاء الاصطناعي، والتحكم الذكي، وإدارة دورة الحياة. وهي لا تصادق على مسار محدد لمجدول متعلم.

خطة قياس عملية لقرار مسار AI-RAN التالي

تتبع الكفاءة الطيفية، وتوزيع إنتاجية الوصلة الهابطة، وإنتاجية الذيل، وإعادة الإرسال أو BLER، وزمن الاستجابة والتذبذب حيثما قيست، وسلوك التسليم، والاستقرار، وأحداث حواجز الحماية، وإشارات الانجراف، ومعدل الرجوع الاحتياطي، وزمن التراجع، وعدد الحوادث. قارن حسب الموقع، والخلية، ومستخدمي حافة الخلية، ونوافذ الازدحام، وحالة الحركة، وفئة الجهاز، ونوع حركة المرور، ووقت اليوم، والموسمية، وظروف التداخل.

احتفظ بعناوين URL المصدرية، وتكوين التجربة، وتعريف خط الأساس، وبطاقة النموذج أو سجل الإصدار، ونسب الميزات والتسميات، وتقرير التقييم، ومصفوفة قرار المسار، وسجل تمرين التراجع، وسجل إيقاف الاستخدام. بالنسبة إلى AI-in-RAN، هذا الانضباط هو الفرق بين الاحتفال بتجربة وتشغيل مسار يستطيع الصمود أمام الانجراف، والازدحام، والتراجع.