Résumé

  • La technologie prédit pour chaque utilisateur une baisse de débit et modifie un paramètre, par exemple la bande de fréquences, avant la dégradation du service.
  • Dans des simulations fondées sur des données de réseau commercial et un terrain 5G local, la fréquence annoncée est passée de 13,1 % à 7,2 %, soit 5,9 points ; les dénominateurs expérimentaux ne sont pas publiés.

L’optimisation individuelle transforme la cellule en système de décisions. Jusqu’ici, une même configuration pouvait s’appliquer à tous les appareils. Le modèle proposé apprend les déplacements et les usages, anticipe une baisse et choisit une configuration différente. L’objectif est pertinent pour la vidéo ou la visioconférence, mais chaque amélioration utilise une ressource partagée.

Le résultat de janvier 2026 reste une validation par simulation alimentée par des données commerciales et un site d’essai 5G. Il ne s’agit pas d’un réseau commercial autonome. Le passage de 13,1 % à 7,2 % est un écart de 5,9 points, non une garantie de gain pour chaque utilisateur ou chaque service.

La méthode manque de contexte publié. La taille de la cohorte, la durée, le lieu, le seuil de dégradation, les appareils, les services et l’incertitude ne sont pas indiqués. On ignore aussi le groupe témoin, la séparation entre apprentissage et évaluation et le poids des utilisateurs récurrents. Ces choix peuvent modifier fortement le résultat.

Il faut ensuite compter les erreurs d’intervention. Le modèle peut prévoir à tort une baisse et déplacer un utilisateur vers une configuration moins bonne. Il peut manquer une vraie dégradation. Le registre devrait donner faux positifs, faux négatifs, nombre de changements, bénéfices mesurés, détériorations et délai de retour. Une moyenne favorable peut masquer un petit groupe constamment pénalisé.

L’équité se joue aussi entre utilisateurs. Libérer une personne d’une bande congestionnée peut charger une autre bande ou retirer des ressources à un autre service. Un essai doit suivre les personnes traitées, celles de la même cellule non traitées et la cellule entière, puis répartir les résultats par appareil, mobilité, application et zone.

La collecte sélective décrite par les partenaires réduit potentiellement la charge du réseau. Elle n’épuise pas la gouvernance. DOCOMO doit préciser les données MDT, la durée de conservation, la possibilité de relier les profils, l’accès, la contestation et la sécurité contre des mesures falsifiées. La minimisation est une règle vérifiable, pas seulement une intention.

L’exploitation exige une sortie déterministe : seuils, budget de changements, cohorte canari, configuration connue, contrôle humain et retour automatique si la cellule ou un groupe se dégrade. Chaque décision doit laisser une trace de la prédiction, de l’action, du résultat et de l’annulation. Le modèle doit aussi être surveillé quand les appareils et les comportements changent.

La prochaine étape probante serait un essai contrôlé sur le terrain avec répartition comparable, distribution complète des résultats, erreurs, effets voisins, coût de collecte, calcul et énergie. Le test doit montrer le fonctionnement de la boucle fermée, lorsque l’action du modèle change les données de sa prochaine prédiction.

La technologie peut améliorer l’expérience avant que l’usager ne remarque le problème. Elle sera prête pour l’exploitation quand l’opérateur pourra démontrer que ses décisions sont bornées, équitables, auditables et réversibles, et pas seulement qu’une moyenne simulée s’améliore.

Sources