في ظل التطورات التكنولوجية المستمرة، أصبحت شبكات الوصول الإذاعي المفتوح (O-RAN) تمثل أفقًا جديدًا في قدرة الوصول المرن لشبكات الجيل السادس (6G). لكن تطور هذه الشبكات وفقًا لمكونات برمجية وواجهات مفتوحة يتطلب أيضًا استراتيجيات لإدارة التعقيد المتزايد.

هذه الدراسة تتناول إنشاء إطار عمل للذكاء الاصطناعي (AI) يتكون من عدة مستويات، حيث يقوم بتنسيق الذكاء الذي تحتاجه الشبكة عبر مستويات التحكم المختلفة. تقدم النقاط الرئيسية لهذا الإطار ما يلي:
(i) في المستوى غير الزمني (Non-RT)، وكيل نموذج اللغة الكبير (LLM) يترجم نية المُشغلين إلى سياسات للتحكم في دورات حياة النماذج.
(ii) في المستوى شبه الزمني (Near-RT)، تعمل وكلاء نموذج اللغة الصغير (SLM) على تنفيذ تحسينات سريعة الاستجابة وتمكين التطبيقات الحالية.
(iii) على مستوى الوحدة الموزعة، يوفر وكيل نموذج الأساس الفيزيائي اللاسلكي (WPFM) استنتاجًا سريعًا قريبًا من واجهة الهواء.

تتعاون هذه الوكلاء عبر واجهات معيارية لـ O-RAN، مما يضمن تفاعلًا فعالاً بين التطبيقات المختلفة. وقد تم إثبات فاعلية هذا الإطار من خلال تطبيق عملي تم بناؤه باستخدام نماذج مفتوحة المصدر، حيث عُرض في سيناريوهين يمثلان تحديات حقيقية: التشغيل القوي في ظروف غير مستقرة وتحكم موارد الشرائح المدفوع بالنية.

مع تزايد أهمية الشبكات الحديثة، يظهر هذا الإطار كحل جذري لتحسين الكفاءة والإدارة الذكية للشبكات، مما يفتح آفاقًا جديدة لمشغلي الشبكات والمطورين. ما هي التحديات التي تتوقعون أن تواجهها O-RAN في المستقبل؟ شاركونا آرائكم في التعليقات.