No fibra, no party. Appare ormai consolidata a livello globale la tendenza a considerare future-proof, specie in ottica 5G, le reti interamente in fibra. Fino ad oggi, a causa dei costi elevati di realizzazione, soprattutto per i lavori di scavo e posa dei cavi, l’introduzione della fibra è stato un processo lento e articolato in fasi.
Per far fronte alla domanda crescente di connettività di livello superiore, basilare nella Gigabit Society, gli operatori puntano sempre più su applicazioni e tecnologie innovative che supportino e accelerino il roll-out delle reti ottiche non solo negli ambiti di gestione ed evoluzione del network ma anche sul fronte installativo e di creation dell’infrastruttura.
Facendo leva su Big Data e Artificial Intelligence, Deutsche Telekom, DT, punta ad aumentare l’efficienza dei piani di roll-out della rete in fibra andando a caccia del “miglior” tracciato per la posa dei cavi.
Collaborando con il Fraunhofer Institute for Physical Measurement Techniques, l’incumbent tedesco ha lanciato un progetto pilota in cui tramite l’analisi di immagini e informazioni raccolte da un apposito veicolo di misurazione, algoritmi di intelligenza artificiale elaborano il percorso migliore per scavare trincee e posare la fibra. Il progetto pilota si svolgerà a Bornheim, vicino a Bonn.
“La via più breve verso il cliente non è sempre la più economica”, ha dichiarato Walter Goldenits, Cto di DT. “Usando l’intelligenza artificiale nella fase di pianificazione possiamo accelerare il roll-out della fibra ottica. Questo ci consente di offrire ai nostri clienti linee ultrabroadband più veloci e, soprattutto, più efficienti. ”
Il veicolo di misurazione è dotato di telecamere a 360° e laser scanner che raccolgono circa 5 GB di dati sulla superficie per chilometro. A seconda del terreno, il veicolo può percorrere 50-80 chilometri al giorno, raccogliendo informazioni come la posizione degli alberi, il tipo di terreno che dovrà essere scavato e se ci sono elementi urbani da tenere in considerazione. Quando si distribuisce una nuova infrastruttura, gli ingegneri devono garantire che l’ambiente venga restituito nelle stesse condizioni di prima; vari scenari possono avere impatti diversi. A volte potrebbe essere più economico fare un giro più lungo.
Secondo Alexander Reiterer, responsabile del progetto presso l’Istituto Fraunhofer “è necessario disporre di quanti più dettagli possibile. Tuttavia, affinché il processo di pianificazione sia efficiente, la valutazione di queste enormi quantità di dati deve essere automatizzata”.
La rete neurale implementata riconosce un totale di circa 30 diverse categorie di “ostacoli” attraverso algoritmi di deep learning, tra cui alberi, lampioni, asfalto e ciottoli. L’applicazione può anche identificare se i marciapiedi presentano grandi lastre di pavimentazione o piccoli ciottoli, se gli alberi sono decidui o di conifere o se le radici degli alberi ostacoleranno gli ingegneri durante l’esecuzione dei lavori. Dopo aver raccolto e analizzato tutti questi dati, il percorso ottimale viene determinato valutando il grado di riutilizzo dell’infrastruttura esistente.
