Automatisation et intelligence des télécommunications

Les systèmes modernes de communications mobiles gagnent en complexité en raison de la multiplication des cas d’usage de la 6G, du network slicing et de la GenAI/IA. Les opérateurs doivent simultanément satisfaire des accords de niveau de service (SLA) variés entre les différents slices (par exemple le haut débit mobile amélioré versus les communications ultra-fiables à très faible latence), optimiser l’utilisation du spectre et de l’énergie, et gérer des interférences ainsi que des variations de trafic dynamiques.

Les approches traditionnelles de gestion des réseaux reposent sur des configurations statiques et des algorithmes spécialisés pour chaque tâche (par exemple des fonctions distinctes pour l’optimisation des handovers, le slicing ou l’atténuation des interférences). Même les architectures réseau émergentes (O-RAN, AI-RAN) utilisent plusieurs applications spécialisées (par exemple des xApps) dédiées à des tâches d’optimisation spécifiques, ce qui conduit à des solutions en silos dépourvues d’une intelligence unifiée. Cette approche fragmentée peine à coordonner des objectifs conflictuels (par exemple lorsque différents slices réseau se disputent des ressources partagées) et ne permet pas de s’adapter facilement à des scénarios imprévus.

Dans ce cours, nous étudierons les réseaux mobiles de nouvelle génération sous l’angle architectural et leur évolution depuis les réseaux hérités vers des réseaux autonomes intégrant nativement l’automatisation et l’intelligence du réseau. En particulier, nous analyserons comment les réseaux de télécommunications évoluent avec l’émergence de la GenAI/IA (par exemple DeepSeek et OpenAI) et de l’informatique cloud-native (par exemple Kubernetes), afin d’augmenter significativement l’efficacité et l’agilité de la gestion et de l’exploitation des réseaux, permettant aux opérateurs d’optimiser dynamiquement leurs réseaux en fonction d’objectifs de haut niveau (par exemple la réduction de la consommation énergétique).

Dans ce cadre, nous concevrons, construirons et déploierons des agents autonomes basés sur des modèles de langage de grande taille (LLM) pour la prise de décision en temps réel sur un réseau 5G cloud-native opérationnel. Nous discuterons également de la manière dont les futurs réseaux autonomes pourront s’autosynthétiser afin de composer de nouvelles capacités et connaissances, et ainsi évoluer dans le temps et dans l’espace. Enfin, nous examinerons des scénarios concrets issus de réseaux de télécommunications publics et privés, et la manière dont ils pourraient bénéficier des réseaux autonomes.

Le cours combine des séances théoriques et des travaux pratiques en laboratoire.

Objectifs d’apprentissage :

• Être capable de concevoir de manière flexible une architecture de réseau 5G.

• Être capable d’automatiser le déploiement d’un réseau 5G.

• Être capable de développer des fonctions d’intelligence de réseau 5G sous la forme de xApps/rApps O-RAN.