由5G美洲区总裁Chris Pearson撰写
最近你听到了很多关于AI将如何实现工作自动化的信息。据估计，到2030年，将有29%的工作实现自动化。与此同时，你可能也意识到，机器学习（ML）和人工智能（AI）也可以提供一些本来可能需要整个团队花费多年时间才能完成的惊人功能，但是由于ML和AL的出现，所以导致这些过程所需花费的时间更少，准确性更高。这种能力会带来新的机会，而这些机会原本是不存在的。
以5G网络为例。当今的无线网络正面临着对移动数据的日益增长的需求，根据思科的数据显示，到2022年，每月的数据量将达到77 EB，这正推动着对网络致密化的需求（即更多的蜂窝站点！）。这种网络的密集化需要大量的人力和财力来完成，这是因为填补无线数据覆盖的“空白”需要专家团队来开展工作并分析具有挑战性的现实条件，而这些现实条件会影响5G网络无线电的安装位置。
这是什么意思呢？
无线网络的覆盖范围包括一系列的“单元”，这些单元通常由一个“宏单元”提供。你可能会在一个手机信号塔上看到这种单元，或者一个小单元，它可以是背包大小的，小到可以放在室内，或者介于两者之间。通过增加这些单元的密度，可以增加网络可以管理的数据量。
小型手机信号塔体积小、功耗低、成本低。这意味着它们必须更靠近需求热点，而消费者和企业正在这些信号塔附近使用他们的移动设备来有效地提供数据，并为网络运营商带来良好的投资回报。小型手机信号塔应放置在尽可能靠近需求高峰的位置，因此，针对小型手机信号塔选址的最佳做法（在我们的5G美洲和小型手机信号塔论坛白皮书中概述）是将其放置在最高需求高峰的20-40米之内。
这就是挑战：您如何确定“需求高峰”的位置？
事实证明，确定需求峰值的位置是一项挑战，需要超精确的部署规划过程。这是因为需求高峰会受到多种因素的影响，这些因素可能包括信号干扰比，频谱效率，视线，网络流量估算，天气模式，建筑物和地形的高度图，移动设备的方向性和位置，以及重叠的蜂窝覆盖范围。
此外，还存在一个问题，那就是为小型手机信号站提供所有合适的条件以使其工作，包括功率和回程可用性，频谱可用性以及与站点所有者的许可协议以及其他众多考虑事项。因此，必须对网络规划进行全面检查，以处理各种可能发生的干扰因素和投入。
虽然人类可以精确地评估这些因素，但AI却将其提升到了另一个层次。 AI和ML可以同时考虑所有这些影响，并很好的预测了它们将如何相互作用。结果呢？这是一个非常可靠的需求峰值位置预测。
AI和ML可以做令人惊奇的事情，但是机器学习的迭代性质要求针对大量数据反复测试算法。数据越多，结果越准确。将非常大的数据集聚集到“数据池”中，这对于为算法提供足够的测试数据以求得结果来说是非常重要的。
AI和ML还可以用于增强现有的用户设备定位技术，例如，根据GPS跟踪或观测到的到达时差（OTDOA），以预测整个小区覆盖区域内的设备旅行模式。这些增强的功能可以大大提高其预测的准确性，并提高小型单元的生产量。在3D可视化技术优于2D可视化技术的基础上，AI和ML可以开始做出与建筑物不同楼层之间的通信变量一样精确的预测。
如今，网络运营商才刚刚开始将AI和ML纳入其小型蜂窝选址过程的早期阶段。结果却令人印象深刻，这明显是为网络运营商提供了一个好机会，毕竟他们在节省时间，劳动力和成本时，也可以同时部署他们的网络。在一个测试案例中，一个运营商能够在曼哈顿下城以减少40%站点的条件下，还能提供相同水平的网络吞吐量和覆盖率，这简直是令人难以置信的结果。
与在5G网络中全面采用这些AI技术相比，我们还有很长的路要走。毕竟，5G只是九局棒球比赛的第一局。但是，如果历史能够说明一切，一旦一项技术被成功应用，它就可以被运营商迅速复制，并为他们的网络带来皆大欢喜的结果。
当地基层实际和实时信息的质量和可用性将对5G网络的成功产生长远的影响，而运营商如今已经在考虑这一问题，这可能预示着变革将会有多快。
