代理式 AI 与 6G 网络的集成在关键任务应用中的应用案例与挑战
摘要
我们正处于一个变革的时代，人工智能（AI）的进步，尤其是基础模型，不断见诸报端。AI 一直是许多依赖自动化进行服务交付的应用的重要组成部分，其中之一便是关键任务的公共安全应用。面向 AI 的关键任务应用的问题在于人在回路系统以及在保持态势感知的同时对动态条件缺乏适应性。代理式 AI（AAI）因其在通过情境视角分析文本数据的同时能快速适应条件的能力而近期备受关注。在此背景下，本文提出了一个用于关键任务应用的 AAI 框架。我们提出了一个具有多层架构的新颖框架来实现 AAI。我们还详细实现了弥合网络基础设施与关键任务应用之间差距的 AAI 层。我们的初步分析表明，AAI 将初始响应时间平均缩短了 5.6 分钟，警报生成时间平均缩短了 15.6 秒，资源分配最多改善了 13.4%。我们还表明，AAI 方法将并发操作数量提高了 40，从而使恢复时间最多缩短了 5.2 分钟。最后，我们强调了在实施 AAI 框架时需要考虑的一些问题和挑战。
引用
@article{arxiv.2502.13476,
title = {Integration of Agentic AI with 6G Networks for Mission-Critical Applications: Use-case and Challenges},
author = {Sunder Ali Khowaja and Kapal Dev and Muhammad Salman Pathan and Engin Zeydan and Merouane Debbah},
journal= {arXiv preprint arXiv:2502.13476},
year = {2025}
}
备注
FEMA [https://www.fema.gov/openfema-data-page/disaster-declarations-summaries-v2] National Oceanic and Atmospheric Administration [https://www.ncdc.noaa.gov/stormevents/details.jsp] packages Pytorch [https://pytorch.org/] RLib [https://docs.ray.io/en/latest/rllib/index.html] Neo4j [https://neo4j.com/] Apache Kafka [https://kafka.apache.org/]