Bagaimana AI Mempercepat Efisiensi Pengelolaan Sumber Daya 6G Hingga 50%?
Dalam beberapa tahun terakhir, perkembangan teknologi nirkabel mengalami kemajuan pesat, dan 6G diperkirakan akan merevolusi cara kita berkomunikasi dan menggunakan data. Jaringan generasi keenam ini diharapkan dapat menghadirkan kecepatan yang jauh lebih tinggi, latensi rendah, serta kemampuan untuk mengelola volume data yang luar biasa besar. Namun, kompleksitas 6G juga membawa tantangan baru, terutama dalam hal manajemen sumber daya jaringan. Salah satu solusi yang diusulkan adalah penggunaan kecerdasan buatan (AI), khususnya untuk mengoptimalkan manajemen sumber daya radio (Radio Resource Management, RRM).
Artikel "Explainable and Robust Artificial Intelligence for Trustworthy Resource Management in 6G Networks" yang ditulis oleh Nasir Khan, Sinem Coleri, Asmaa Abdallah, Abdulkadir Celik, dan Ahmed M. Eltawil dari universitas terkemuka seperti Koc University dan King Abdullah University of Science and Technology (KAUST), membahas tantangan utama dalam penerapan AI di jaringan 6G.Â
Salah satu kekhawatiran besar adalah bagaimana memastikan AI yang digunakan dapat dijelaskan dan tangguh terhadap serangan siber atau kesalahan prediksi. Pada tahun 2024, ketika artikel ini diterbitkan, banyak pakar telah menggarisbawahi pentingnya transparansi dalam AI, terutama dalam sistem kritis seperti jaringan komunikasi. Menurut penelitian ini, sekitar 68% kompleksitas model AI dapat dikurangi melalui teknik seperti SHAP, sementara efisiensi pelatihan bisa meningkat hingga 49,1%.
Penggunaan teknik explainable AI (XAI) menjadi semakin penting karena AI cenderung bersifat "black box", sulit dipahami, dan rawan kesalahan yang dapat mengganggu stabilitas jaringan. Oleh karena itu, diperlukan metode yang dapat menjelaskan bagaimana keputusan diambil oleh AI dan memastikan bahwa model tetap tangguh terhadap berbagai skenario. Tanpa penjelasan yang transparan, AI di jaringan 6G mungkin tidak akan mendapatkan kepercayaan penuh dari operator jaringan maupun pengguna.
Dalam konteks jaringan 6G, kompleksitas pengelolaan sumber daya radio menjadi tantangan yang sulit dipecahkan oleh metode tradisional. Oleh karena itu, AI menjadi alat yang sangat diperlukan untuk menangani tantangan ini. Namun, artikel ini menyoroti dua isu besar yang perlu diperhatikan: pertama, transparansi keputusan AI, dan kedua, ketangguhan sistem terhadap serangan atau input yang tidak terduga. Tanpa kedua aspek ini, AI di jaringan 6G dapat kehilangan kepercayaan dari pemangku kepentingan.
Salah satu solusi yang diusulkan dalam artikel ini adalah penerapan Explainable Artificial Intelligence (XAI) untuk meningkatkan transparansi AI dalam pengambilan keputusan. Misalnya, penggunaan metode SHAP (Shapley Additive Explanations) memungkinkan kita untuk mengetahui fitur input mana yang paling berpengaruh terhadap output model.Â
Dalam studi kasus manajemen sumber daya di jaringan kendaraan, SHAP mampu mengurangi ukuran input agen pembelajaran penguatan sebesar 68%, yang pada akhirnya mengurangi waktu pelatihan hingga hampir setengahnya, yaitu 49,1%. Ini adalah bukti kuat bahwa transparansi dalam AI tidak hanya penting dari sisi etika dan kepercayaan, tetapi juga meningkatkan efisiensi secara signifikan.
Selain itu, artikel ini juga membahas pentingnya ketangguhan model AI dalam menghadapi serangan adversarial. Dalam studi kasus kedua yang berkaitan dengan beam alignment pada sistem MIMO, penulis menggunakan algoritma Deep k-Nearest Neighbors (DkNN) untuk mengukur tingkat kredibilitas keputusan model AI. Algoritma ini tidak hanya mengidentifikasi anomali atau input yang berpotensi membahayakan, tetapi juga meningkatkan ketangguhan sistem hingga hampir tiga kali lipat, tergantung pada ambang kredibilitas yang diterapkan. Dengan menggunakan teknik ini, model AI tidak hanya lebih tangguh, tetapi juga lebih transparan dalam hal tingkat kepercayaan prediksi yang dihasilkan.
Yang menarik, penerapan XAI dalam jaringan 6G juga membuka peluang bagi otomatisasi yang lebih canggih. Dengan memanfaatkan metode XAI, operator jaringan dapat lebih mudah mengidentifikasi input yang tidak relevan atau merugikan, sehingga model AI dapat disederhanakan tanpa mengorbankan kinerjanya. Ini berarti bahwa AI di jaringan 6G bisa lebih hemat sumber daya dan lebih efisien dalam mengelola beban jaringan yang terus meningkat. Berdasarkan data yang dipresentasikan oleh penulis, implementasi teknik XAI di jaringan kendaraan dapat mengurangi jumlah parameter pelatihan hingga 81,5%, yang merupakan langkah besar menuju sistem AI yang lebih hemat sumber daya.
Dengan teknologi seperti ini, 6G tidak hanya dapat dioptimalkan dari sisi kinerja, tetapi juga dari segi keamanan dan kepercayaan pengguna. Keberhasilan dalam memadukan AI dengan XAI pada jaringan 6G akan menjadi faktor kunci dalam memastikan bahwa jaringan ini tidak hanya kuat, tetapi juga dapat dipercaya oleh publik.
