🤖 AI

LLM-Based Agentic Negotiation for 6G: Addressing Uncertainty Neglect and Tail-Event Risk

Dit artikel stelt een risicobewust, op LLM's gebaseerd agentisch onderhandelingskader voor 6G-netwerken voor dat Digital Twins en Conditional Value-at-Risk (CVaR) benut om het bias van het negeren van onzekerheid te overwinnen, waardoor SLA-schendingen en risico's van staartgebeurtenissen bij de toewijzing van middelen worden geëlimineerd terwijl haalbare inferentiesnelheden worden behouden.

Oorspronkelijke auteurs: Hatim Chergui, Farhad Rezazadeh, Mehdi Bennis, Merouane Debbah, Christos Verikoukis

Gepubliceerd 2026-05-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hatim Chergui, Farhad Rezazadeh, Mehdi Bennis, Merouane Debbah, Christos Verikoukis

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de toekomstige internet (genaamd 6G) voor als een enorm, druk autosnelwegsysteem waar verschillende soorten voertuigen tegelijkertijd moeten reizen. Sommige zijn zware vrachtwagens die enorme hoeveelheden data vervoeren (zoals het streamen van films), en andere zijn kleine, supersnelle raceauto's die moeten aankomen op het exacte moment (zoals zelfrijdende auto's of chirurgie op afstand).

Om het verkeer te laten stromen, heeft de snelweg een slim verkeersregelaar nodig. In dit artikel stellen de auteurs voor om AI-agenten (slimme computerprogramma's) te gebruiken om te onderhandelen over wie hoeveel wegruimte en rekenkracht krijgt.

Er is echter een groot probleem: deze AI-agenten zijn vatbaar voor een specifiek soort "cognitieve blinde vlek".

Het Probleem: De Valstrik van het "Gemiddelde"

Het artikel stelt dat huidige AI-agenten lijden aan Onzekerheidsverwaarlozing. Denk hierbij aan een weerman die alleen kijkt naar de gemiddelde temperatuur voor de komende week.

De Gebiaseerde Agent: "De gemiddelde temperatuur is 21°C, dus het is een perfecte dag voor een picknick!"
De Realiteit: Het gemiddelde verbergt het feit dat er dinsdag een enorme sneeuwstorm zal komen die de picknick afblaast.

In de 6G-wereld is de "sneeuwstorm" een plotselinge, extreme piek in netwerkverkeer (een "staartgebeurtenis"). Als de AI alleen plant voor het gemiddelde verkeer, zal het net genoeg middelen toewijzen om te overleven. Maar wanneer die zeldzame, enorme piek optreedt, crasht het netwerk en halen de "raceauto's" (kritieke diensten) hun deadlines niet.

De Oplossing: De "Paranoïde" Planner

De auteurs stellen een nieuw, "onbevooroordeeld" kader voor dat de AI dwingt om te stoppen met kijken naar gemiddelden en te beginnen met kijken naar de slechtst denkbare scenario's. Ze gebruiken drie hoofdtools om dit te verhelpen:

1. De Digitale Tweeling (De Kristallen Bol)

In plaats van te gokken, gebruikt de AI een Digitale Tweeling. Stel je een perfecte, virtuele kopie van het hele snelwegsysteem voor die draait in een simulator. Voordat een beslissing wordt genomen, voert de AI duizenden simulaties uit in deze tweeling om elke mogelijke uitkomst te zien, inclusief de zeldzame, chaotische.

2. CVaR (Het "Slechtst Denkbare" Veiligheidsnet)

Het artikel introduceert een wiskundig concept genaamd Conditionele Waarde-at-Risico (CVaR).

Oude Manier: "Wat is de gemiddelde vertraging?"
Nieuwe Manier: "Als we in de slechtste 0,001% van de files zitten, hoe erg zal de vertraging dan zijn?"
De AI is nu geprogrammeerd om ervoor te zorgen dat zelfs in deze slechtst denkbare scenario's de "raceauto's" nog op tijd aankomen. Het bouwt een enorm veiligheidsbuffer, net als een piloot die plant voor een storm, zelfs als de voorspelling zonnig is.

3. Vertrouwenscontrole (De "Ik Weet Het Niet Zeker" Knop)

Soms is de kristallen bol van de AI (de Digitale Tweeling) wazig omdat er niet genoeg data is. Het nieuwe kader dwingt de AI om toe te geven: "Ik ben niet 100% zeker van deze voorspelling."

Als de AI het niet zeker weet, gaat het automatisch uit van een situatie die slechter is dan het lijkt en vraagt om meer middelen om veilig te zijn.
Dit voorkomt dat de AI risicovolle weddenschappen sluit op basis van wankel data.

Het Experiment: Vrachtwagens versus Raceauto's

De auteurs testten dit in een simulatie met twee agenten:

De eMBB-agent: Vertegenwoordigt de "Vrachtwagens" (streamen van video). Ze kunnen wat vertraging verdragen.
De URLLC-agent: Vertegenwoordigt de "Raceauto's" (kritieke data). Ze hebben een strikte deadline van 10 milliseconden.

De Resultaten:

De Gebiaseerde Agent (Oude Manier): Het probeerde energie te besparen door het absolute minimum aan middelen toe te wijzen. Het zag er goed uit op papier, maar in 200 proeven faalde het 11 keer, waardoor de "raceauto's" hun deadlines misten. Het was een schijnbesparing: een beetje energie besparen, maar het risico lopen op een crash.
De Onbevooroordeelde Agent (Nieuwe Manier): Het wees iets meer middelen toe om een veiligheidsbuffer te bouwen.
- Resultaat: Nul fouten. De "raceauto's" kwamen altijd op tijd aan.
- De Kosten: Het bespaarde iets minder energie (ongeveer 2–15% minder dan de gebiaseerde agent), maar de auteurs betogen dat dit een rationele afweging is. Je betaalt een beetje extra voor veiligheid, in plaats van het risico te lopen op een catastrofale storing.

Snelheid en Haalbaarheid

Men zou kunnen vrezen dat al deze complexe "wat-zou-er-gebeurd-zijn"-simulaties te traag zouden zijn. De auteurs bewezen het tegendeel. Ze draaiden hun systeem op een enkele, standaard grafische kaart (een NVIDIA RTX A4000) met behulp van een klein, efficiënt AI-model.

Het systeem nam beslissingen in minder dan 1,5 seconde.
Dit bewijst dat deze "paranoïde", ultra-veilige planning snel genoeg kan gebeuren om in real-time 6G-netwerken te worden gebruikt, zonder dat er langzame, dure cloudcomputers nodig zijn.

De Conclusie

Het artikel concludeert dat AI-agenten, om 6G echt betrouwbaar te maken, moeten stoppen met het zijn van "optimistische optimaliseerders" die alleen naar gemiddelden kijken. In plaats daarvan moeten ze "risicobewuste bewakers" worden die plannen maken voor de slechtst denkbare stormen, toegeven wanneer ze het niet zeker weten, en veiligheid prioriteren boven het eruit persen van elke laatste druppel energie-efficiëntie.

1. Probleemstelling

Het artikel adresseert een kritieke barrière voor de implementatie van betrouwbare 6G-autonome netwerken (specifiek TM Forum-niveaus 4 en 5): Uncertainty Neglect Bias (bias door het negeren van onzekerheid) in Large Language Model (LLM)-agenten.

De Kernkwestie: LLM-gedreven agenten die 6G-netwerkslicing beheren, vertrouwen vaak op eenvoudige statistische gemiddelden (middelen) om beslissingen met hoge inzet te nemen. Deze cognitieve bias zorgt ervoor dat ze staartrisico's (extreme gebeurtenissen) en epistemische onzekerheid (zekerheid over hun eigen voorspellingen) negeren.
Het Gevolg: In scenario's voor ultra-betrouwbare communicatie met lage latentie (URLLC) leidt het vertrouwen op het gemiddelde tot catastrofale schendingen van Service Level Agreements (SLA's) wanneer zeldzame, hoge latentiepieken optreden. De agenten houden geen rekening met "worst-case" scenario's, wat leidt tot netwerkinstabiliteit en servicefouten.
Het Gat: Bestaand werk adresseert cognitieve biases of risicobeperking afzonderlijk, maar faalt in het integreren van onzekerheidskwantificering en communicatie in de redeneerlus van agenten, waardoor agenten "blind" blijven voor de betrouwbaarheid van hun eigen data.

2. Methodologie

De auteurs stellen een onbevooroordeeld, risicobewust onderhandelingskader voor dat de redenering van agenten verschuift van op gemiddelden gebaseerde logica naar staartrisico-bewuste logica. Het systeem omvat twee concurrerende agenten (eMBB- en URLLC-slices) die onderhandelen over gedeelde bandbreedte en rand-CPU-bronnen.

A. Systeemarchitectuur

Digital Twins (DT's): Elke agent maakt gebruik van een private DT gebaseerd op wachtrijtheorie om netwerktatoestanden te simuleren. De DT voert vectoriserde Monte Carlo-simulaties uit om volledige latentieverdelingen ( $L_{edge} + L_{RAN}$ ) te voorspellen, in plaats van enkel-puntschattingen.
Hybride Beslissingsengine:
- LLM-component: Een lokaal gedeployerd model met 1 miljard parameters (otel-llm-1b-it) behandelt strategische doelstelling (het genereren van één optimale contra-voorstel).
- Deterministische component: Een 2D Proportioneel-Integraal-Derivatie (PID)-algoritme voert fijnmazig lokaal zoeken uit om wiskundig de haalbaarheid van bronnen (bandbreedte- en CPU-beperkingen) en convergentie te garanderen.

B. Risicobewuste Mechanismen

Het kader introduceert twee belangrijke wiskundige concepten om bias te mitigeren:

Aleatorische Onzekerheid (Statistisch Risico):
- In plaats van het gemiddelde latentie ( $\mu_L$ ) te gebruiken, berekent de agent de Conditional Value-at-Risk (CVaR) op een strikt betrouwbaarheidsniveau ( $\alpha = 0.99999$ ).
- CVaR vertegenwoordigt de verwachte latentie in de slechtste $(1-\alpha)\%$ van de gevallen, waardoor de agent effectief gefocust wordt op de "staart" van de verdeling.
- Er wordt een Greedy Guardband toegepast, waarbij een veiligheidstarget ( $L_{gb}$ ) wordt ingesteld op 80% van de werkelijke SLA om extreme fluctuaties op te vangen.
Epistemische Onzekerheid (Voorspellingszekerheid):
- De agent kwantificeert zijn zekerheid in de DT-voorspelling met behulp van de Variatiecoëfficiënt (CV) van de latentieverdeling.
- Onzekerheid-gecorrigeerd Risico ( $\widehat{CVaR}_\alpha$ ): Als de zekerheid van de DT laag is (hoge variantie), wordt het gemeten risico kunstmatig opgeblazen. Dit dwingt de agent om voorspellingen met lage zekerheid te behandelen als hoogrisico, waardoor beslissingen op basis van onbetrouwbare data worden voorkomen.

C. Onderhandelingsprotocol

Meertraps Onderhandeling: Agenten gaan een beperkte, meertraps dialoog aan om bronnen te partitioneren.
Validatielus: Voordat een agent een voorstel doet, valideert hij zijn voorstel tegen de $\widehat{CVaR}_\alpha$ en de Guardband. Als het risico te hoog is of de zekerheid te laag, weigert de agent bronnen verder te optimaliseren en prioriteert hij veiligheid boven energiebesparing.

3. Belangrijkste Bijdragen

Risicobewust Onderhandelingskader: Een nieuwe aanpak die op gemiddelden gebaseerde redenering vervangt door Onzekerheid-gecorrigeerde CVaR, waarmee een strikte veiligheidsbuffer tegen staartgebeurtenissen wordt afgedwongen.
Propagatie van Epistemische Onzekerheid: Een mechanisme waarbij agenten hun eigen voorspellingszekerheid expliciet kwantificeren en propageren, waardoor data met lage zekerheid dynamisch wordt bestraft om starre, onveilige beslissingen te voorkomen.
Hybride, op Rand Deployeerbare Architectuur: Een ontwerp dat een snelle-inferentie LLM van 1B parameters voor strategie combineert met een deterministische PID-controller voor haalbaarheid, waardoor uitvoering in subseconden wordt gegarandeerd, geschikt voor non-real-time RIC (RAN Intelligent Controller) gebruiksscenario's.
Empirische Validatie: Uitgebreide simulatie die aantoont dat de voorgestelde methode SLA-schendingen elimineert die op gemiddelden gebaseerde benaderingen teisteren, terwijl de afweging tussen betrouwbaarheid en energie-efficiëntie transparant wordt blootgelegd.

4. Experimentele Resultaten

Het kader werd gevalideerd over 200 onafhankelijke onderhandelingsproeven tussen een eMBB-agent (50ms SLA) en een URLLC-agent (10ms SLA).

SLA-Compliance:
- Bevooroordeeld (op gemiddelden gebaseerd) Agent: Faalde systematisch, wat leidde tot 11 kritieke SLA-schendingen voor de URLLC-slice. Zijn latentieverdeling reikte verder dan de 10ms-grens.
- Onbevooroordeeld (Risicobewuste) Agent: Bereikte 0 SLA-schendingen. Hij slaagde erin om de volledige latentieverdeling onder de 10ms-drempel te houden.
Reductie van Staartlatentie:
- De risicobewuste agent verlaagde de 99,999e-percentiel (p99.999) latentie met maximaal 51,7% voor eMBB en aanzienlijk voor URLLC (verlaging van 7,4ms naar 4,4ms).
Afweging Energie versus Betrouwbaarheid:
- De bevooroordeelde agent behaalde hogere energiebesparingen (26–30%), maar ten koste van veiligheid (werken gevaarlijk dicht bij faalgrenzen).
- De risicobewuste agent behaalde lagere energiebesparingen (2–15%), wat de auteurs beschouwen als de rationele kostprijs van betrouwbaarheid, waarmee de "schijnbare economie" van de bevooroordeelde aanpak wordt vermeden.
Inferentieprestaties:
- Het uitvoeren van het kader op een enkele NVIDIA RTX A4000 GPU met het model van 1B parameters resulteerde in inferentietijden onder de 1,5 seconde (gemiddeld ~1,29s voor de risicobewuste agent), wat de haalbaarheid voor randdeployments valideert.

5. Betekenis

Dit artikel biedt een fundamentele stap richting betrouwbare 6G-autonomie. Het demonstreert dat:

Cognitieve biases in AI niet slechts theoretisch zijn: Ze hebben meetbare, catastrofale impact op netwerkprestaties (SLA-schendingen).
Op gemiddelden gebaseerde optimalisatie ontoereikend is voor 6G: Kritieke diensten zoals URLLC vereisen redeneren over de staart van verdelingen, niet over het gemiddelde.
Onzekerheid moet worden gecommuniceerd: Agenten moeten niet alleen uitkomsten voorspellen, maar ook hun zekerheid over die voorspellingen kwantificeren om cascaderende fouten in multi-agent systemen te voorkomen.
Haalbaarheid: Geavanceerde risicoredenering lokaal kan worden uitgevoerd op randhardware zonder afhankelijk te zijn van trage, privacy-ondermijnende cloud-API's, waardoor robuuste autonome netwerken een praktische realiteit worden.