Skip navigation
Previous searches
    Suggested searches
      Like what you’re reading?

      Extraindo mais valor do espectro e do hardware que você já possui: como o AI-Native Scheduler for Link Adaptation está redefinindo a RAN

      Disponível em:
      • Ganhos de desempenho comprovados em redes em operação: onde a adaptação de enlace tradicional tem dificuldade com interferência dinâmica e UEs em movimento rápido, implantações reais mostram melhoria média de até 10% na eficiência espectral em relação ao scheduling convencional nos diversos sites, e ganhos de até 25% em eficiência espectral e de 50% em throughput de downlink nos casos de melhor desempenho.
      • Sem necessidade de hardware novo: executada como software no chip da Ericsson (EMCA), a ferramenta entrega esses ganhos em toda a base instalada de rádios e unidades de banda base, sem exigir hardware dedicado de IA.

      Customer Solutions Manager AI

      Strategic Product Manager of AI RAN

      Hashtags

      Customer Solutions Manager AI

      Strategic Product Manager of AI RAN

      Customer Solutions Manager AI

      Colaborador (+1)

      Strategic Product Manager of AI RAN

      Adaptação de enlace nativa em IA

      Durante décadas, as redes móveis foram construídas com base em regras. Os engenheiros estudavam como a rede se comportava, projetavam um algoritmo, testavam e o colocavam em produção. Uma vez implantados, esses algoritmos funcionavam com base em metas predefinidas e em premissas sobre o que daria melhor resultado em condições típicas. Em determinadas situações, essa abordagem se torna limitante, quando cada transmissão enfrenta uma combinação diferente de interferência, mobilidade, incerteza no feedback e condições de rádio que mudam rapidamente.

      Hoje, cada decisão de transmissão precisa levar em conta mobilidade, interferência, padrões de tráfego, células vizinhas, comportamento do beamforming, incerteza no feedback e condições de rádio que mudam o tempo todo, tudo ao mesmo tempo e em tempo real. A parte difícil já não é reunir essas informações. É tomar a decisão certa com elas, com rapidez suficiente.

      O AI-native Scheduler for Link Adaptation representa a transição de redes construídas para reagir para redes construídas para aprender, e se encaixa plenamente no movimento mais amplo da Ericsson de aprimorar sistemas baseados em regras e evoluir para redes que continuam melhorando por conta própria.

      O espectro sem fio é finito e caro

      O espectro é o meio físico da camada física que determina a capacidade, a propagação e a eficiência espectral de uma rede. Como é um recurso finito, limitado pelas leis da física, garantir a combinação adequada de frequências nas bandas baixa, média e alta exige investimentos expressivos. Em geral, o espectro é o ativo mais caro no balanço de uma operadora. Relatórios anuais recentes das principais operadoras da América do Norte mostram que os gastos combinados com a aquisição de espectro já ultrapassam centenas de bilhões de dólares. Como não é possível criar mais espectro, resta às operadoras extrair ainda mais valor daquele que já possuem.

      A decisão oculta por trás de cada experiência do usuário

      Os usuários avaliam uma rede pela velocidade de download, pela qualidade do vídeo, pela capacidade de resposta nos jogos e pela confiabilidade. Mas cada um desses resultados começa com uma única decisão, tomada milhões de vezes por dia: qual esquema de modulação e codificação (MCS) a próxima transmissão deve usar? Se errar, você perde throughput, perde eficiência espectral e acumula retransmissões. Se acertar, você está no caminho certo para extrair o máximo valor de cada MHz que possui.

      Por que a adaptação de enlace tradicional chegou ao limite

      A abordagem convencional, Outer Loop Link Adaptation (OLLA, adaptação de enlace em malha externa), usa o feedback do dispositivo sobre a qualidade do canal e ajusta um offset de correção com base em metas de taxa de erro de bloco (BLER). É robusta, previsível e bem compreendida. Mas tem dificuldades quando a interferência entre células oscila muito ou quando os UEs se movem rapidamente, e também é afetada por erros no feedback dos UEs, pelo tráfego de células vizinhas e por outros fatores. Nada disso significa que o algoritmo esteja errado. Significa apenas que uma malha com meta fixa de BLER pode deixar de encontrar a melhor opção de transmissão quando a capacidade do canal, a interferência, a mobilidade e a incerteza no feedback variam de uma transmissão para outra.

      A transição das regras para o aprendizado

      O projeto tradicional de redes transforma o conhecimento especializado em regras, limites e políticas fixos. Funciona, mas fica restrito por premissas estáticas, ajustes manuais e uma capacidade limitada de responder a condições que mudam. As redes nativas de IA combinam esse mesmo conhecimento especializado com dados operacionais, para que o sistema possa aprender com o comportamento, se adaptar ao contexto local e continuar melhorando em vez de ficar parado. A adaptação de enlace é um dos primeiros exemplos práticos disso em ação: ela se baseia em insights contínuos sobre qualidade do canal, mobilidade, tráfego, interferência e comportamento dos dispositivos para otimizar continuamente as decisões de transmissão e, com elas, a eficiência espectral, a confiabilidade e a experiência que os usuários de fato percebem.

      Ganhos com IA no hardware da base instalada

      As abordagens tradicionais se apoiam principalmente nas medições atuais do canal para decidir o que transmitir em seguida. Muitas vezes, isso não é suficiente. Em ambientes dinâmicos, tanto o que está acontecendo agora quanto o que aconteceu da última vez em condições semelhantes influenciam o sucesso de uma transmissão. Um sistema nativo de IA aprende com medições de rádio, padrões de tráfego e desempenho histórico para encontrar as relações mais profundas entre o que se observa e o que realmente acontece. Assim, a pergunta deixa de ser: "qual é a qualidade do sinal agora?" E passa a ser: "considerando tudo o que está acontecendo e o que já funcionou antes em condições como esta, qual opção tem mais chance de dar certo?". Essa é, na essência, a ideia por trás das redes nativas de IA: trocar a reação reflexiva por uma previsão fundamentada no contexto.

      O AI-native Scheduler for Link Adaptation obtém seus maiores ganhos nas bordas da cobertura e em ambientes com muita interferência, onde as estatísticas médias da rede mascaram o que os usuários realmente vivenciam. Resultados validados em campo com diversos provedores de serviços globais, na América do Norte e na Ásia-Pacífico, confirmam

      • Em uma ampla variedade de sites, melhoria de aproximadamente 10% na eficiência espectral em comparação com a adaptação de enlace legado baseada em regras, com resultados que chegam a um aumento de 25% em determinados sites, com base em testes comerciais em larga escala com tráfego real de 5G Advanced.
      • No topo dos resultados dos testes, o aumento de throughput chega a 50%, enquanto no conjunto de sites foram observados aumentos de até 20%.
      • A prova de conceito executada na arquitetura Cloud RAN com processadores Intel Xeon 6 apresentou resultados consistentes com os das implantações em hardware de propósito específico (purpose-built).

      Esses ganhos se traduzem diretamente na economia de rede. Maior eficiência espectral significa mais capacidade com o mesmo investimento em espectro. Maior throughput em condições difíceis significa melhor experiência do usuário quando mais importa e mais valor por MHz.

      O AI-native Scheduler for Link Adaptation é executado como software no chip da Ericsson (EMCA) e não exige hardware de IA novo ou dedicado. As operadoras podem implantar a funcionalidade em toda a sua base instalada, melhorando o desempenho da rede sem substituir o hardware que já está em campo.

      A jornada rumo à RAN autônoma

      O AI-native Scheduler for Link Adaptation é uma das primeiras capacidades de IA integradas diretamente ao stack de software de rádio, um marco inicial no caminho para a RAN nativa de IA. Ele já está disponível comercialmente e faz parte do roadmap de AI in RAN da Ericsson, ao lado de capacidades que estão por vir, como AI-Managed Beamforming, AI-Powered Macro Positioning e AI-powered Multi-Layer Coordination. Juntas, essas capacidades estabelecem as bases para redes de acesso por rádio cada vez mais autônomas, capazes de tomar decisões em tempo real e de realizar otimização em malha fechada, algo que sistemas baseados em regras simplesmente não conseguem igualar. A direção é clara: as redes passarão a traduzir a intenção das operadoras diretamente no comportamento do rádio, sem que alguém precise escrever uma nova regra para cada novo ambiente. A adaptação de enlace nativa de IA é onde essa jornada começa.

      Onde tudo começa

      O AI-native Scheduler for Link Adaptation é importante menos por usar IA e mais pelo que ele muda: a forma como as decisões são tomadas desde a origem. As redes funcionavam com regras definidas por especialistas. As do futuro funcionarão cada vez mais com objetivos definidos por especialistas combinados com estratégias aprendidas por IA, aprendendo continuamente com o ambiente em vez de esperar que um engenheiro identifique a próxima otimização. É a primeira de muitas funcionalidades de IA da Ericsson AI in RAN. Uma RAN que aprende com cada transmissão é o ponto de partida quando o objetivo é uma rede que, com o tempo, aprenda a operar sozinha.

      Links relacionados

      The Ericsson Blog

      Like what you’re reading? Please sign up for email updates on your favorite topics.

      Subscribe now

      At the Ericsson Blog, we provide insight to make complex ideas on technology, innovation and business simple.