要約

  • Samsung ElectronicsとNTT DOCOMOは、利用者ごとの品質低下を予測し、発生前にネットワーク設定を選ぶ手法を検証した。
  • 移動経路、サービス利用傾向、現在の無線状態を分析し、動画速度が落ちる前に適切な周波数帯を選ぶ例を示した。
  • 1月のシミュレーションは、NTT DOCOMOの日本の商用網と5G試験網から得たデータを使った。
  • 速度低下の発生率は13.1%から7.2%へ低下し、5.9ポイント、相対値で約45%の改善となった。
  • 全国商用網での閉ループ運用を示す結果ではなく、標本数、地域、比較手法、計算費用は公表されていない。
  • 次の証拠は、制限付き実網試験、安全策、切り戻し、セルと端末をまたぐ再現性、継続的な体感測定である。

一つの結果には二つの正しい表し方がある

13.1%から7.2%への変化は5.9ポイントの低下である。一方、5.9を開始値13.1で割れば、相対的には約45%減となる。絶対差と相対差を区別すれば、どちらも正しい。

ポイント差は観測結果そのものの縮小幅を示し、相対値は基準に対する大きさを示す。ただし、何回の通信、何人の利用者が分母だったかは非公表である。

商用網データと商用網制御は別だ

1月の試験では、NTT DOCOMOの商用網と5G試験網から得たデータをシミュレーションに使った。合成データだけより、実際の電波や利用傾向を反映できる利点がある。

しかし、モデルが本番セルの設定をリアルタイムで変更したことを意味しない。再生試験なら顧客に影響を与えず判断を比べられる。閉ループ運用には、予測結果が安全策の下で実設定を動かす必要がある。

低下後の復旧ではなく低下前の選択を狙う

手法は利用者の移動予測、サービス利用傾向、現在の無線状態を組み合わせる。動画速度が落ちると予測すれば、その前に適切な周波数帯などを選択する。

セル全体の混雑を事後処理するより細かく、先回りした制御である。その分、予測が十分早く、不要な変更を避け、利用者が予想外に動いても安定することが求められる。

入力の選別はAI自体の費用に向き合う

両社は、全ての無線環境情報を集めず、利用者の問題解決に必要なデータだけを処理する方法も開発した。AI-RANが最適化のために伝送、計算、電力を使い過ぎる矛盾への対応だ。

データ量、推論時間、計算資源、消費電力の数字はない。したがって選別方式は合理的な設計回答ではあるが、便益より運用費が小さいことを示す証拠ではない。

本番の閉ループには制限と切り戻しが要る

誤予測は利用者を混雑帯域へ移し、設定を行き来させ、隣接セルへ負荷を移す恐れがある。モデルが変更できる項目と頻度を制限しなければならない。

信頼度の閾値、人の監視、切り戻し、異常検知、従来方式への安全な退避も必要だ。シミュレーション段階で詳細がないのは不自然ではないが、自律運用前には不可欠である。

再現性が次の統計的な試験になる

標本数、場所、端末、通信の種類、比較方式、信頼区間は公表されていない。改善が広い環境で起きたのか、特定経路やサービスに集中したのかは判断できない。

都市中心部、交通路、セル境界、屋内、繁忙時間での再現が必要だ。平均だけでなく、モデルによって品質が悪化した利用者の分布も報告すべきである。

本番価値は一連の台帳で測る

次の段階は制限付き実網試験、対象セルと端末の拡大、安全策の作動、計算・電力費、運用者介入、長期体感である。速度低下だけでなく、遅延、セッション継続、公平性も要る。

両社は以前掲げた利用者単位最適化を、定量的なシミュレーション結果へ進めた。これは明確な前進だ。同じ改善がリアルタイム制御でも維持され、新しい障害や過大な費用を生まない時に初めて本番価値になる。

情報源