Comprendre le concept du modèle ML/IA – Partie 2

Dans l’article précédent nous avions présenté 3 d’apprentissages IA. Nous allons maintenant revenir plus particulièrement sur l’apprentissage fédéré horizontal (HFL) et vertical (VLF)

Le fonctionnement du HFL et VFL pour l’IA dans les réseaux de télécommunications

Introduction à l’apprentissage fédéré

L’apprentissage fédéré est une approche d’entraînement de modèles d’IA qui permet de développer des modèles à partir de données distribuées sur différents appareils ou serveurs, sans nécessiter le transfert des données brutes vers un serveur central. Cette approche est particulièrement pertinente dans le contexte des télécommunications où la confidentialité des données, la réduction de la bande passante et la distribution géographique sont des considérations importantes.

Deux principales variantes d’apprentissage fédéré sont mentionnées dans le document de 5G Americas et développées dans la littérature scientifique: l’apprentissage fédéré horizontal (HFL) et l’apprentissage fédéré vertical (VFL).

Figure 1 : HFL (gauche) et VFL (droite)

Apprentissage Fédéré Horizontal (HFL)

Principe fondamental

Selon le document, le HFL (souvent simplement appelé « apprentissage fédéré ») est une technique où le modèle d’apprentissage automatique est entraîné sur différents « clients » (nœuds, appareils ou serveurs) qui possèdent des données avec les mêmes caractéristiques mais concernant des échantillons différents.

En termes plus simples, dans le HFL:

  • Chaque participant dispose du même type de données (mêmes features/variables)
  • Mais chacun a des exemples/échantillons différents (différentes instances)

Fonctionnement détaillé

  1. Initialisation: Un modèle global initial est créé sur le serveur central (NWDAF serveur dans le contexte des télécommunications).
  2. Distribution du modèle: Ce modèle est envoyé à plusieurs clients (par exemple, différents NWDAF locaux dans différentes zones géographiques).
  3. Entraînement local: Chaque client entraîne le modèle sur ses données locales pendant plusieurs itérations.
  4. Agrégation des paramètres: Les clients renvoient uniquement les paramètres du modèle mis à jour (pas les données) au serveur central.
  5. Mise à jour du modèle global: Le serveur central agrège ces paramètres (typiquement par une forme de moyenne pondérée) pour créer une version améliorée du modèle global.
  6. Itération: Les étapes 2-5 sont répétées à travers plusieurs cycles jusqu’à ce que le modèle converge ou atteigne des performances satisfaisantes.

Avantages dans le contexte des télécommunications

  • Confidentialité: Les données sensibles restent sur leurs appareils/serveurs d’origine.
  • Efficacité de communication: Seuls les paramètres du modèle sont transmis, pas les données brutes, réduisant considérablement la charge du réseau.
  • Adaptation locale: Le modèle peut capturer les spécificités locales tout en bénéficiant de l’apprentissage collectif.

Application dans le NWDAF (3GPP)

Dans les réseaux 5G, comme mentionné dans le document, le HFL a été introduit dans la Release 17 du 3GPP pour le NWDAF. Il permet:

  • L’entraînement collaboratif entre différentes zones d’intérêt (parties du réseau)
  • Chaque zone utilise le NWDAF le plus proche pour entraîner localement
  • L’apprentissage collectif est agrégé par une fonction centrale sur le NWDAF serveur
  • Des protocoles préservant la confidentialité comme l’agrégation sécurisée peuvent être appliqués

Apprentissage Fédéré Vertical (VFL)

Principe fondamental

Le VFL, introduit dans la Release 19 pour le NWDAF selon le document, est conçu pour des scénarios où différents participants possèdent différentes caractéristiques/features pour les mêmes échantillons (ou un chevauchement significatif des échantillons).

En termes simplifiés, dans le VFL:

  • Chaque participant a des types de données différents (features différentes)
  • Mais ils concernent le même ensemble d’utilisateurs ou d’entités (mêmes échantillons)

Fonctionnement détaillé

  1. Division du modèle: Dans le VFL, le modèle d’apprentissage est divisé en « modèle de tête » et « modèle de queue »:
    • Les modèles de tête sont déployés chez les participants (par exemple, Client A et Client B)
    • Le modèle de queue est hébergé sur un serveur central
  2. Processus d’entraînement:
    • Propagation avant: Les clients traitent leurs données locales à travers leurs modèles de tête
    • Transfert d’activations: Les résultats intermédiaires (activations) sont envoyés au serveur central
    • Concaténation: Le serveur central concatène ces activations
    • Calcul de perte: Le modèle de queue calcule une perte en utilisant les étiquettes disponibles sur le serveur
    • Rétropropagation: Les gradients sont calculés et les dérivées partielles correspondantes sont renvoyées aux clients
    • Mise à jour locale: Chaque client met à jour son modèle de tête en fonction des gradients reçus
  3. Alignement des échantillons: Pour que le VFL fonctionne, il est crucial d’aligner les échantillons entre les participants, généralement à l’aide d’identifiants uniques comme des horodatages ou des identifiants d’utilisateur (SUPI dans le contexte 5G).

Avantages spécifiques au VFL

  • Enrichissement des caractéristiques : Permet de combiner différentes perspectives ou types de données sans les partager directement
  • Architecture personnalisée: Chaque participant peut avoir sa propre architecture de réseau neural
  • Complémentarité des données: Permet d’exploiter des données complémentaires détenues par différentes entités

Application dans les réseaux 5G (NWDAF)

Selon le document, dans la Release 19 du 3GPP, le VFL est introduit pour permettre la collaboration entre:

  • Les NWDAF dans le réseau cœur
  • Les fonctions d’application (AF) qui peuvent détenir d’autres types de données

Cette approche permet notamment:

  • La prédiction de QoS en utilisant à la fois des données réseau et des données applicatives
  • Une meilleure adaptation aux besoins spécifiques grâce à des architectures de modèle personnalisées
  • L’extension des fonctionnalités existantes développées pour le HFL

Différences clés entre HFL et VFL

En synthétisant les informations du document et la littérature sur le sujet:

Aspect HFL (Horizontal) VFL (Vertical)
Partitionnement des données Même espace de features, échantillons différents Features différentes, mêmes échantillons
Architecture du modèle Modèles identiques sur tous les clients Division tête/queue avec architectures potentiellement différentes
Communication Paramètres du modèle complet Activations et gradients partiels
Confidentialité Protège la confidentialité des échantillons Protège la confidentialité des features
Cas d’usage typique dans 5G Apprentissage entre différentes zones géographiques Collaboration entre réseau cœur et applications
Complexité d’implémentation Plus simple (agrégation directe des modèles) Plus complexe (coordination entre sous-modèles)

Protection de la confidentialité dans HFL et VFL

Les deux approches intègrent des mécanismes pour renforcer la confidentialité:

Dans le HFL:

  • Agrégation sécurisée: Techniques cryptographiques pour agréger les mises à jour de modèle sans révéler les contributions individuelles
  • Distillation de connaissances: Transfert de connaissances sans partager les paramètres exacts du modèle
  • Quantification et élagage: Réduction de la précision ou de la taille des modèles pour limiter les fuites d’information

Dans le VFL:

  • Calcul multi-parties: Techniques permettant des calculs conjoints sans partager les données sous-jacentes
  • Chiffrement homomorphe: Opérations sur des données chiffrées sans les déchiffrer
  • Perturbation différentielle: Ajout de bruit aux activations partagées pour protéger la confidentialité

Implémentation dans un réseau de télécommunications

Dans le contexte spécifique des réseaux de télécommunications, le document de 5G Americas décrit l’implémentation de ces approches:

Pour le HFL:

  • Déployé entre différentes zones géographiques du réseau
  • Les NWDAF clients sont situés près des zones qu’ils desservent
  • Un NWDAF serveur central coordonne l’agrégation
  • Les modèles peuvent prédire des comportements comme la charge du réseau ou la mobilité des utilisateurs

Pour le VFL:

  • Permet la collaboration entre le réseau cœur et les applications externes
  • Les prédictions peuvent combiner des données réseau (comme les conditions du signal) avec des données applicatives (comme les exigences des applications)
  • Permet de préserver la séparation entre domaines administratifs tout en bénéficiant du partage de connaissances

Conclusion: évolution et tendances futures

L’évolution de l’apprentissage fédéré dans les réseaux de télécommunications, comme le montre le document 5G Americas, suit une progression naturelle:

  1. D’abord introduction du HFL dans la Release 17, permettant la collaboration entre différentes parties du réseau
  2. Extension au transfert de modèles entre domaines administratifs dans la Release 18
  3. Introduction du VFL dans la Release 19, permettant la collaboration entre le réseau et les applications

Cette évolution reflète une tendance plus large vers:

  • Des réseaux de plus en plus intelligents et adaptatifs
  • Une intégration plus profonde entre les réseaux et les applications qu’ils supportent
  • Une attention croissante à la confidentialité et à l’efficacité des communications

Le HFL et le VFL représentent deux approches complémentaires d’apprentissage fédéré qui, ensemble, permettent une collaboration plus riche et plus flexible entre les différentes entités d’un écosystème de télécommunications, tout en respectant les contraintes de confidentialité et d’efficacité.

Comprendre le concept du modèle ML/IA – Partie 1

Comment fonctionne le modèle ? ML/IA : Principes fondamentaux et cycle de vie des modèles

I) Introduction

L’intelligence artificielle (IA) et l’apprentissage automatique (machine learning ou ML) transforment notre façon d’aborder les problèmes complexes dans de nombreux domaines. Ce document explique les principes de base du fonctionnement de ces technologies et détaille leur cycle de vie, de la conception à l’exploitation.

Le cycle de vie est défini dans le document TR28.105 et sera réexpliqué dans un autre article.

Des cas d’usages sont proposés dans le document TR28.908 et seront listés dans un autre article.

L’objectif de l’IA est de pouvoir répondre au plus juste à la question posée. A chaque question, on évalue la réponse. Cela suppose donc une phase d’apprentissage et une une phase d’examen. Les phases d’apprentissage et d’inférence sont, par analogie, comme étudier pour un examen (entraînement) puis passer l’examen réel (inférence).

L’inférence traduit simplement la réponse de l’IA à de nouvelles situations en appliquant ce qu’elle a appris.

Dans le monde réel, l’inférence, c’est quand votre téléphone reconnaît votre visage, quand un assistant vocal comprend vos paroles, ou quand une application de traduction convertit un texte d’une langue à une autre. Le système utilise ce qu’il a appris pendant l’entraînement pour traiter la nouvelle entrée que vous lui donnez.

Dans le cas des réseaux mobiles, l’IA est un assistant pour détecter des pannes. Il doit donc faire une analyse, récupérer des rapports, mais surtout réaliser des actions. Les actions peuvent être rédiger un tocketing vers un prestataire (supposons que la station de base défaillante est sur un TELCO d’un autre opérateur), ou un ticketing vers une équipe spécialisée. L’IA doit ensuite suivre l’intervention de bout en bout.

A ce jour, je liste que deux solutions IA intéressantes pour automatiser (détecter, analyser et réaliser une/des actions) qui sont :

  • Agentic AI
  • Manus MI

Je parlerais des ces deux IA dans un autre articles.

II)Comprendre le ML et l’IA

L’intelligence artificielle désigne les systèmes capables d’accomplir des tâches qui nécessiteraient normalement l’intelligence humaine. Le machine learning est une sous-discipline de l’IA qui permet aux systèmes d’apprendre à partir de données sans être explicitement programmés pour chaque tâche.

Principes fondamentaux

Le ML repose sur trois approches principales :

  1. Apprentissage supervisé : le modèle apprend à partir d’exemples étiquetés (données d’entrée associées aux sorties attendues).
  2.  Apprentissage non supervisé : le modèle découvre des structures ou des motifs cachés dans des données non étiquetées.
  3. Apprentissage par renforcement : le modèle apprend par essais et erreurs, recevant des récompenses ou des pénalités selon ses actions.

Comment les modèles « apprennent »

Au cœur du ML se trouve le concept de modèle : une représentation mathématique qui transforme des entrées en sorties. L’apprentissage consiste à ajuster les paramètres de ce modèle pour minimiser l’erreur entre ses prédictions et les résultats attendus.

Ce processus s’appuie sur :

  • Des données représentatives du problème
  • Des algorithmes qui déterminent comment ajuster les paramètres.
  • Des fonctions d’objectif qui mesurent la performance
  • Des techniques d’optimisation pour améliorer progressivement les résultats.

L’entrainement peut être sur un serveur centralisé ou  sur des serveurs distribués. On parle alors d‘apprentissage fédéré.

L’apprentissage fédéré est une approche distribuée où le modèle est entraîné sur plusieurs appareils ou serveurs sans échanger les données brutes.

L’apprentissage fédéré est une décentralisation des données et permet la protection de la vie privée, quelle que soit la méthode d’apprentissage utilisée (supervisée ou non supervisée).

Le cycle de vie d’un modèle ML/IA

Un modèle d’IA/ML suit généralement un cycle de vie structuré, composé des étapes suivantes :

  1. Entraînement du modèle ML
    L’entraînement constitue la phase où le modèle « apprend » à partir des données. Cette étape comprend :
    • L’entraînement initial : exposition du modèle aux données d’entraînement pour qu’il ajuste ses paramètres.
    • La validation continue : évaluation des performances du modèle sur des données de validation distinctes.
    • Le réentraînement : ajustement du modèle si les résultats de validation ne sont pas satisfaisants
    L’objectif est d’obtenir un modèle qui capture efficacement les relations dans les données tout en évitant le surapprentissage (mémorisation des données d’entraînement sans capacité de généralisation).
  2. Test du modèle ML
    Une fois le modèle validé, il est soumis à une phase de test rigoureuse :
    • Le modèle est évalué sur un ensemble de données de test totalement nouvelles.
    • Les performances sont mesurées selon des métriques spécifiques au problème (précision, rappel, F1-score, etc.).
    • Si les performances ne répondent pas aux attentes, un retour à l’étape d’entraînement est nécessaire.
    Cette étape est cruciale pour déterminer si le modèle est capable de généraliser ses apprentissages à des données inédites.
  3. Émulation d’inférence AI/ML (optionnelle)
    Avant le déploiement en environnement réel, le modèle peut être testé dans un environnement d’émulation pour :
    • Évaluer les performances d’inférence (vitesse, latence, ressources consommées)
    • Vérifier la compatibilité avec l’infrastructure cible.
    • Identifier les potentiels impacts négatifs sur d’autres systèmes
    Cette étape, bien qu’optionnelle, permet d’anticiper les problèmes techniques qui pourraient survenir en production.
  4. Déploiement du modèle ML
    le déploiement consiste à rendre le modèle opérationnel dans son environnement cible :
    • Processus de chargement du modèle dans l’infrastructure d’inférence
    • Intégration avec les systèmes existants
    • Configuration des paramètres d’exécution
    Dans certains cas, cette étape peut être simplifiée, notamment lorsque les environnements d’entraînement et d’inférence sont co-localisés.
  5. Inférence AI/ML
    L’inférence représente l’utilisation effective du modèle en production.
    • Le modèle traite les nouvelles données entrantes et génère des prédictions.
    • Un système de surveillance évalue continuellement les performances.
    • Des mécanismes peuvent déclencher automatiquement un réentraînement si les performances se dégradent.
    Cette phase correspond à la « vie active » du modèle, où il crée de la valeur en résolvant les problèmes pour lesquels il a été conçu.

Considérations pratiques et avancées

Maintenir un système d’IA/ML en production performant implique de relever plusieurs défis :
1. Dérive des données : les caractéristiques des données réelles évoluent avec le temps, rendant progressivement le modèle moins précis.
2. Besoins computationnels : L’entraînement et l’inférence peuvent nécessiter d’importantes ressources de calcul, particulièrement pour les modèles complexes.
3. Explicabilité : comprendre pourquoi un modèle a pris une décision particulière devient crucial dans de nombreux contextes réglementaires.
4. Biais et équité : les modèles peuvent perpétuer ou amplifier les biais présents dans les données d’entraînement.

Pour maximiser les chances de succès d’un projet ML/IA :

  • Surveillance continue : mettre en place des mécanismes pour détecter les dégradations de performance
  • Réentraînement périodique : actualiser régulièrement le modèle avec des données récentes.
  • Tests A/B : comparer les performances de différentes versions du modèle
  • Documentation exhaustive : Maintenir une traçabilité complète du développement et des choix effectués

L’évolution du domaine ML/IA se caractérise par plusieurs tendances :

  • MLOps : automatisation et standardisation des processus de déploiement et de maintenance des modèles
  • Apprentissage fédéré : entraînement distribué préservant la confidentialité des données
  • Modèles auto-supervisés : réduction de la dépendance aux données étiquetées
  • ML embarqué : exécution de modèles directement sur des appareils en périphérie (edge computing)

MLOps et DevOps

MLOps est un ensemble de pratiques visant à automatiser et rationaliser le cycle de vie des modèles d’IA de leur déploiement à leur production et opération:

Surveillance et gestion de la performance

  • Surveillance en temps réel: Surveillance continue de la performance des modèles d’IA en production pour assurer qu’ils opèrent comme prévu, impliquant le suivi de métriques comme la précision, la latence et l’utilisation des ressources.
  • Boucles de feedback: Implémentation de boucles de feedback pour collecter des données de performance et le feedback utilisateur, qui peuvent être utilisés pour affiner et améliorer les modèles d’IA au fil du temps.

Automatisation

  • Réentraînement du modèle: Automatisation du processus de réentraînement pour incorporer de nouvelles données et s’adapter aux conditions changeantes, assurant que les modèles d’IA restent pertinents et efficaces à mesure que les environnements réseau évoluent.
  • Mise à l’échelle: Utilisation de la mise à l’échelle automatisée pour ajuster les ressources de calcul basées sur les demandes des tâches d’inférence et d’entraînement du modèle d’IA.
  • Pipelines CI/CD: Implémentation de pipelines CI/CD pour l’intégration continue et le déploiement des modèles d’IA, incluant l’automatisation du processus de mise à jour des modèles avec de nouvelles données, testant leur performance et les déployant dans des environnements de production.

Pratiques DevOps

Les pratiques DevOps sont essentielles pour intégrer les modèles d’IA dans le cadre plus large de gestion et d’opérations réseau:

  • Collaboration et intégration:
    • Équipes interfonctionnelles: Promouvoir la collaboration entre les data scientists, les ingénieurs réseau et les équipes opérationnelles pour assurer que les modèles d’IA sont efficacement intégrés dans les opérations réseau.
    • Flux de travail unifiés: Développer des flux de travail unifiés qui combinent la gestion réseau et les opérations du modèle d’IA, permettant une intégration et une coordination transparentes entre différents aspects de la gestion réseau.
  • Infrastructure as Code (IaC):
    • Gestion d’infrastructure automatisée: Utiliser IaC pour automatiser le provisionnement et la gestion de l’infrastructure requise pour l’entraînement et le déploiement du modèle d’IA, incluant la définition et la gestion des ressources réseau à travers le code pour assurer cohérence et efficacité.
  • Surveillance et journalisation:
    • Journalisation complète: Implémenter des pratiques de journalisation complètes pour suivre la performance du modèle d’IA et les métriques opérationnelles, aidant à identifier les problèmes, déboguer les problèmes et assurer que les modèles répondent aux standards de performance.

 

Conclusion

Le ML et l’IA représentent des technologies puissantes dont l’efficacité dépend largement de la rigueur avec laquelle leur cycle de vie est géré. De l’entraînement à l’inférence, chaque étape présente des défis spécifiques et requiert une attention particulière.
La compréhension de ce cycle de vie est essentielle pour toute organisation souhaitant tirer profit de ces technologies de manière durable et responsable. Les systèmes ML/IA ne sont pas statiques : ils nécessitent une maintenance et une amélioration continues pour rester performants face à l’évolution constante des données et des besoins.

Le service XRM : réalité étendue et média (RXRM : Real-Time XRM)

Introduction

Le XRM, ou service de réalité étendue et média, représente une convergence de technologies immersives que la 5G permet de déployer à grande échelle grâce à ses caractéristiques techniques avancées.

Le XRM englobe principalement:

1. La réalité virtuelle (VR) – immersion complète dans un environnement numérique
2. La réalité augmentée (AR) – superposition d’éléments numériques sur le monde réel
3. La réalité mixte (MR) – fusion interactive des mondes réel et virtuel
4. Les médias immersifs – contenus multimédia à forte composante d’immersion

Les avantages offerts par la 5G pour le XRM sont multiples:
– Faible latence (temps de réponse inférieur à 10ms) permettant des expériences immersives fluides
– Bande passante élevée pour transmettre des contenus haute définition
– Edge computing (traitement des données au plus près des utilisateurs)
– Fiabilité accrue des connexions

Ces services XRM trouvent des applications dans de nombreux domaines comme:
– L’éducation et la formation professionnelle
– La santé (chirurgie à distance, visualisation médicale avancée)
– L’industrie (maintenance assistée, jumeaux numériques)
– Le divertissement et les médias
– Le commerce (shopping immersif)

II) Déploiement technique

Du point de vue technique, la 5G propose le service XRM grâce à plusieurs mécanismes spécifiques :

1. Network Slicing : C’est effectivement une technologie clé pour le XRM. La 5G permet de créer des « tranches réseau » dédiées avec des caractéristiques adaptées aux besoins des applications XR :
– Une tranche URLLC (Ultra-Reliable Low-Latency Communications) pour minimiser la latence
– Une tranche eMBB (enhanced Mobile Broadband) pour garantir la bande passante nécessaire aux contenus haute définition.

2. Architecture Service-Based (SBA) :
– L’AMF (Access and Mobility Management Function) joue un rôle important en gérant les connexions des terminaux XR avec une priorité adaptée
– Le PCF (Policy Control Function) définit des règles QoS spécifiques aux flux XR
– L’UPF (User Plane Function) peut être déployé au plus près des utilisateurs (edge) pour minimiser la latence

3. Edge Computing :
– Déploiement des MEC (Multi-access Edge Computing) en bordure de réseau
– APIs ouvertes pour les développeurs XR (via ETSI MEC)
– Traitement local des données sensibles au temps (rendu, tracking, etc.)

4. QoS spécifique :
– Utilisation de 5QI (5G QoS Identifier) dédiés pour les flux XR
– Garantie de SLA (Service Level Agreement) adaptés aux besoins immersifs
– Mécanismes d’adaptation du débit selon les mouvements de tête (viewport-adaptive streaming)

5. Technologies radio avancées :
– Beamforming pour diriger l’énergie vers les terminaux XR
– Utilisation des bandes millimétriques (mmWave) pour les environnements à haute densité
– Duplexage flexible pour optimiser les flux montants/descendants

6. API réseau XR spécifiques :
– NEF (Network Exposure Function) exposant des API pour les applications XR
– Interfaces permettant aux applications de négocier dynamiquement les ressources

Ces différents mécanismes sont nécessaires pour apporter les caractéristiques essentielles du XRM :
– Latence ultra-faible (1-10ms)
– Bande passante garantie (jusqu’à plusieurs Gbps)
– Fiabilité élevée (99,999%)

5G-Advanced R.19 : AIoT – Partie 5

Tableau Comparatif des Caractéristiques Principales

Use Case Contexte d’application Latence maximale Disponibilité du service Taille du message Densité des dispositifs Portée de communication Vitesse des dispositifs Précision de positionnement
5.1 – Entreposage automatisé Logistique, gestion d’inventaire 1s 99% 96/128 bits 1-2/m² 30m (intérieur) 5-10 km/h 2-3m
5.2 – Instruments médicaux Santé, gestion d’inventaire Quelques secondes 99% 176 bits ≥1000/km² 50m (intérieur), 200m (extérieur) <6 km/h 3-5m (intérieur)
5.3 – Sous-stations électriques Énergie, réseaux intelligents 1s 99% <100 octets <10,000/km² 50-200m (extérieur) Stationnaire Dizaines de mètres
5.4 – Logistique en réseau non public Logistique, gestion d’inventaire
5.5 – Intralogistique automobile Fabrication, gestion de matériaux 10s 99% 96 bits <1,5 million/km² 30m (intérieur) 5 km/h 3m
5.6 – Maisons intelligentes Domotique, surveillance 20s 99,9% 8-96 bits <5 pour 100m² 10-30m (intérieur) Stationnaire
5.7 – Terminaux d’aéroport/port Gestion d’actifs, logistique 1-10s 99% 256 bits 100 dispositifs/km² 50m (intérieur) 3-10 km/h Niveau cellulaire
5.8 – Recherche d’objets perdus Localisation, suivi 5s 99% 256 bits 250/100m² (intérieur), 10/100m² (extérieur) 10m (intérieur), 100m (extérieur) ~3m (intérieur), ~10m (extérieur)
5.9 – Services de localisation Localisation, suivi 500m 10 km/h (extérieur) Niveau cellulaire (horizontal)
5.10 – Positionnement relatif Localisation, suivi 20/100m² 10m <1m/s 1-3m
5.11 – Modification d’instruments médicaux Santé, gestion d’inventaire Quelques secondes 99% 176 bits ≥1000/km² 50m (intérieur), 200m (extérieur) <6 km/h 3-5m (intérieur)
5.12 – Recherche d’objets personnels Localisation, suivi 1s 99,9% <1 kbits <5 pour 100m² (intérieur), <10 pour 100m² (extérieur) 10m (intérieur), 100m (extérieur) Statique 1-3m (intérieur), dizaines de mètres (extérieur)
5.13 – Supervision environnementale Télécommunications, surveillance 30s 99% 96 bits 1,5/m² 30m (intérieur) Stationnaire
5.14 – Positionnement intérieur Commerce, navigation 0,5s 99,9% 96 bits 2500/10000m² 10m 3m
5.15 – Lessive intelligente Domotique, électroménager >10s <100 bits 20/100m² 6 km/h (extérieur)
5.16 – Distribution automatisée Logistique, suivi >10s 99% <100 octets <1,5 million/km² 30m (intérieur), 400m (extérieur) 3m (intérieur), niveau cellulaire (extérieur)
5.17 – Activation/désactivation Gestion des dispositifs
5.18 – Aliments frais Logistique, surveillance >1 minute <100 bits 1,5 million/km² 1 m/s
5.19 – Incendies de forêt Surveillance environnementale >10s 99,9% 100 par km² 15-200m Stationnaire
5.20 – Agriculture intelligente Agriculture, contrôle >1s 99,9% <1000 bits 1 par m² 30-100m Stationnaire
5.21 – Guide de musée Culture, information 2s 99,9% 96 bits <10,000/km² 30m 3 km/h 3m
5.22 – Élevage laitier Agriculture, surveillance >1s 99% <100 octets <5200/km² 300-500m (extérieur) 3 km/h
5.23 – Élevage porcin Agriculture, surveillance >10s <100 octets 850 000/km² 250m (intérieur) Quasi-stationnaire
5.24 – Bouches d’égout Infrastructure urbaine 10-30s 99% <100 octets <1000/km² 300-500m (extérieur) Stationnaire
5.25 – Santé des ponts Infrastructure urbaine 10s 99% <100 octets <1000/km² 300-500m (extérieur) Stationnaire
5.26 – Soins aux personnes âgées Santé, assistance 1s <100 bits <20 pour 100m² 20m (intérieur), 200m (extérieur) Statique
5.27 – Logistique de bout en bout Logistique, suivi
5.28 – Interrupteur à pression Interface utilisateur
5.29 – Désactivation permanente Gestion des dispositifs
5.30 – Contrôleur agricole Agriculture, contrôle Plusieurs secondes 99% 128 bit (DL) 500m (extérieur) Statique

5G-Advanced R.19 : AIoT – Partie 4

Nous allons nous intéresser maintenant aux cas d’usages présentés dans le TR 22.840

Cas d’usage de 21 à 30

5.21 Use case sur l’IoT Ambiant pour le guide de musée

Objectif :  Ces dispositifs IoT Ambiant permettent, dans les musées, de fournir des informations sur les expositions. Les dispositifs sont attachés aux vitrines d’exposition ou placés à proximité, et les visiteurs peuvent obtenir des informations en utilisant leur téléphone portable qui communique avec les dispositifs.

5.22 Use case sur l’élevage laitier en pâturage intelligent rendu possible par l’IoT Ambiant

Objectif : attaché aux vaches laitières, l’IoT Ambient peut surveiller la température corporelle et détecter précocement les signes de maladie. Les données sont collectées périodiquement et analysées par une application de gestion de la santé du bétail.

5.23 Use case sur l’élevage porcin intelligent rendu possible par l’IoT Ambiant

Objectif : Idem que le cas d’usage précédent mais pour l’élevage porcin

5.24 Use case sur la surveillance de la sécurité des bouches d’égout utilisant l’IoT Ambiant

Objectif : surveiller les bouches d’égout et prévenir les accidents. Les dispositifs sont équipés de capteurs (niveau d’eau, inclinaison, vibration) qui détectent les anomalies et alertent les autorités en cas de problème.

5.25 Use case sur la surveillance de la santé des ponts utilisant l’IoT Ambiant

Objectif : surveiller l’état des ponts et prévenir les accidents. Les dispositifs sont équipés de capteurs (inclinaison, vibration) qui détectent les anomalies structurelles et alertent les autorités locales en cas de problème.

5.26 Use case sur les soins de santé pour personnes âgées

Utilisation de dispositifs IoT Ambiant pour aider les personnes âgées à localiser rapidement leurs médicaments, tant à l’intérieur qu’à l’extérieur. Les dispositifs sont attachés aux boîtes de médicaments et peuvent être activés à distance pour allumer une LED, facilitant leur localisation.

5.27 Use case sur la logistique de bout en bout

Objectif : suivre des produits spécifiques (par exemple, des téléviseurs) depuis l’usine de fabrication jusqu’à la livraison au client final. Les dispositifs peuvent fonctionner dans différents réseaux (NPN, PLMN) et pays, s’adaptant aux différentes réglementations et licences de fréquence.

5.28 Use case sur l’optimisation de la signalisation 5G

Objectif : Réduire la signalisation entre le dispositif IoT et le cœur de réseau 5G

Les interrupteurs existants, non 3GPP, peuvent se connecter sans fil sur de courtes distances (environ 25 m en intérieur et 150 m en extérieur). Intégrer ce type d’interrupteur au réseau 3GPP nécessite suffisamment d’énergie pour s’attacher et émettre des données pour ne pas être en échec. Mais l’énergie nécessaire peut être supérieure à l’énergie disponible (l’énergie cinétique lorsqu’on appuie dessus).

5.29 Use case sur la désactivation permanente des dispositifs

Objectif : désactivation permanente d’un dispositif IoT Ambiant lorsque celui-ci n’a plus d’utilité de surveillance. Le scénario décrit un responsable de production qui supervise la fabrication de plaquettes de circuits intégrés et utilise des dispositifs IoT Ambiant pour enregistrer les conditions environnementales. LAIoT sont désactivées lorsque la chaîne de fabrication est au repos.

5.30 Use case sur le dispositif IoT Ambiant agissant comme contrôleur dans l’agriculture intelligente

Objectif : Utiliser comme contrôleurs dans l’agriculture intelligente pour gérer les équipements (système d’irrigation, pulvérisation de pesticides). Les dispositifs sont activés périodiquement pour recevoir des informations d’opération et contrôler les équipements en conséquence, économisant l’énergie pendant les périodes d’inactivité.

 

5G-Advanced R.19 : AIoT – Partie 3

Nous allons nous intéresser maintenant aux cas d’usages présentés dans le TR 22.840

Cas d’usage de 11 à 20

5.11 Use case sur la modification en ligne du statut des instruments médicaux

Objectif : Un gestionnaire d’inventaire peut à distance lire, modifier et écrire des informations sur les instruments médicaux via la plateforme de gestion et le réseau 5G, facilitant la maintenance et le suivi de l’état des instruments.

5.12 Use case sur le service IoT Ambiant pour retrouver des objets personnels

Objectif : Localiser des objets personnels perdus, tant à l’intérieur qu’à l’extérieur. L’utilisateur peut utiliser son téléphone portable pour rechercher les dispositifs IoT Ambiant attachés à ses objets, et obtenir leur position précise grâce au système 5G.

5.13 Use case sur l’IoT Ambiant pour la supervision environnementale des salles de machines des stations de base

Objectif : surveiller les paramètres environnementaux (température, humidité, infiltration d’eau) dans les salles de machines des stations de base. Ces dispositifs aident à prévenir les pannes réseau et les problèmes électriques en détectant les anomalies.

5.14 Use case sur le positionnement intérieur dans un centre commercial utilisant l’IoT Ambiant

Objectif : guider les clients dans un centre commercial, Les utilisateurs peuvent trouver facilement les magasins ou objets cibles grâce à leur téléphone portable qui communique avec les dispositifs IoT Ambiant.

5.15 Use case sur l’IoT Ambiant pour la lessive intelligente

Objectif : pour surveiller les conditions de lavage (température, humidité) et stocker des informations sur le vêtement (couleur, tissu, matériau, forme), le dispositif Ambiant IoT est placé sur les vêtements. Ces informations sont utilisées pour recommander un mode de lavage approprié et optimiser le processus de lavage.

5.16 Use case sur le service IoT Ambiant pour la distribution automatisée de la chaîne d’approvisionnement

Objectif : suivre les produits depuis la fabrication jusqu’à la livraison dans la chaîne d’approvisionnement d’appareils électroménagers pour. Le système permet de surveiller et de localiser les produits pendant le transport, garantissant qu’ils sont livrés au bon client via l’itinéraire correct.

5.17 Use case sur l’activation et la désactivation des dispositifs

Objectif : Activer ou désactiver un dispositif. Le scénario décrit un utilisateur d’entreprise qui utilise des dispositifs IoT Ambiant avec des capteurs environnementaux pour surveiller les conditions de croissance des plantes d’orchidées. Lorsque l’orchidée est sous serre, le dispositif est activé. A partir du moment ou la croissance est terminée, on désactive l’IoT

5.18 Use case sur la chaîne d’approvisionnement des aliments frais

Objectif : surveiller la chaîne d’approvisionnement des aliments frais. Les dispositifs sont attachés aux RTI (Reusable Transport Items) utilisés pour stocker et transporter les aliments, permettant un suivi de la température et des conditions environnementales pour garantir la sécurité alimentaire et réduire le gaspillage.

5.19 Use case sur la surveillance des incendies de forêt utilisant des dispositifs IoT Ambiant

Objectif : le dispositifs IoT Ambiant est équipé de détecteurs de fumée pour surveiller les incendies de forêt. Le système permet une détection précoce des incendies et une communication fiable avec le système 5G, même dans des conditions difficiles (mauvaise couverture de signal, alimentation intermittente).

5.20 Use case sur l’agriculture intelligente

Objectif : surveiller l’environnement et contrôler les installations (système d’irrigation, contrôle de la température) dans l’agriculture intelligente. Les dispositifs récupèrent l’énergie de l’environnement et communiquent avec le réseau 5G pour fournir des données environnementales et recevoir des commandes de contrôle.

5G-Advanced R.19 : AIoT – Partie 2

Nous allons nous intéresser maintenant aux cas d’usages présentés dans le TR 22.840

Cas d’usage de 1 à 10

5.1 Use case sur l’IoT Ambiant pour l’entreposage automatisé

Objectif : suivre et inventorier automatiquement les marchandises dans un entrepôt. Les dispositifs sont attachés aux articles, palettes ou conteneurs et communiquent avec le réseau 5G pour permettre un inventaire précis et rapide lors des différentes étapes (entrée, stockage, sortie). Le système peut opérer en mode déclenché manuellement ou automatiquement, et transmettre les données à la plateforme de gestion d’entrepôt.

5.2 Use case sur la gestion d’inventaire et le positionnement des instruments médicaux

Objectif : Faciliter l’inventaire et la localisation des instruments médicaux dans un hôpital. Ces dispositifs fonctionnent sans batterie ou avec un stockage d’énergie limité, et peuvent résister à des conditions difficiles (température élevée, pression, humidité) afin de vérifier que l’instrument médical est bien stérilisé. Le système permet au personnel hospitalier de localiser rapidement des instruments spécifiques et d’obtenir des informations sur leur statut.

5.3 Use case sur les dispositifs IoT Ambiant dans les stations de réseaux électriques intelligents (smart-grid)

Objectif : Déploiement de capteurs dans les sous-stations électriques extérieures pour surveiller différents paramètres (température, humidité, pression, vibrations) afin de détecter les dysfonctionnements. Ces capteurs aident à la maintenance prédictive et permettent d’éviter les pannes. Les données sont collectées périodiquement et analysées pour identifier les anomalies potentielles et faire de l’analyse prédictive.

5.4 Use case sur la prise en charge de l’IoT Ambiant dans un réseau non public pour la logistique

Objectif : Les dispositifs IoT sont attachés aux marchandises et communiquent avec le réseau privé NPN pour permettre un inventaire efficace et un suivi du fret lors de son transport.

5.5 Use case sur l’intralogistique dans la fabrication automobile

Objectif :  les dispositifs sont attachés aux conteneurs de charge et communiquent avec le réseau 5G pour faciliter l’inventaire automatisé, le positionnement et le suivi des matériaux dans l’usine, depuis leur réception jusqu’à leur utilisation sur les lignes de production. Ce cas d’usage permet d’améliorer l’efficacité de la gestion des matériaux et des pièces.

5.6 Use case sur les capteurs IoT Ambiant dans les maisons intelligentes

Objectif : surveillance de l’environnement domestique (température, humidité) et détection de situations d’urgence (gaz, fumée). Ces capteurs fonctionnent à partir d’énergie ambiante récupérée et peuvent alerter les résidents via leurs téléphones portables en cas de dépassement de seuils critiques.

5.7 Use case sur l’IoT Ambiant pour les terminaux d’aéroport/ports maritimes

Objectif : suivi et gestion des actifs dans les aéroports ou ports maritimes (chariots élévateurs, chariots, fauteuils roulants, etc.). Le système permet une gestion en temps réel et un déploiement efficace des ressources en fonction de la demande variable, améliorant la sécurité et l’expérience des voyageurs.

5.8 Use case sur la recherche d’objets perdus à distance

Objectif : Les dispositifs IoT Ambiant sont attachés aux objets personnels, permettant ainsi de les localiser en cas de perte, même à grande distance. Le système permet à l’utilisateur de localiser ses objets perdus grâce à l’aide d’appareils UE/entités RAN environnants qui peuvent communiquer avec le dispositif IoT Ambiant et transmettre les informations de localisation.

5.9 Use case sur les services de localisation (LCS) pour l’IoT Ambiant

Objectif : Le système permet à l’utilisateur de demander la position du dispositif via son téléphone portable, et le réseau localise le dispositif lorsqu’il dispose de suffisamment d’énergie. Exemple : dispositif attaché au collier d’un animal de compagnie

5.10 Use case sur le positionnement relatif pour l’IoT Ambiant

Objectif : Localiser de dispositifs IoT par rapport à d’autres éléments du réseau ou à d’autres UE. L’exemple illustre la recherche d’une clé équipée d’un dispositif IoT Ambiant dans une maison, où l’UE de l’utilisateur communique avec le dispositif pour déterminer sa position relative.

 

5G-Advanced R.19 : AIoT – Partie 1

La Release 19 (5G advanced) introduit un nouveau dispositif IoT nommé IoT Ambiant (Ambient IoT). À la différence des autres dispositifs IoT comme le LTE-M, NB-IoT ou le RedCap, il s’agit de dispositifs IoT qui fonctionnent sans batterie conventionnelle ou avec un stockage d’énergie très limité (comme un condensateur), et qui tirent leur énergie de l’environnement via diverses techniques de récupération d’énergie.

Pourquoi l’IoT Ambiant est-il important ?

L’IoT Ambiant répond à plusieurs défis critiques des réseaux IoT actuels :

  1. Réduction de l’impact environnemental : en éliminant les batteries traditionnelles, on réduit les déchets électroniques et la nécessité de remplacer et recycler les batteries.
  2. Diminution des coûts de maintenance : les dispositifs sans batterie ou avec des capacités de stockage très limitées peuvent fonctionner pendant de longues périodes (plus de 10 ans) sans nécessiter d’intervention humaine.
  3. Miniaturisation : sans batterie conventionnelle, les dispositifs peuvent être beaucoup plus petits, légers et moins complexes.
  4. Déploiement dans des environnements difficiles : ces dispositifs peuvent être déployés dans des endroits où le remplacement de batterie serait impossible ou très coûteux.

Comment fonctionne la récupération d’énergie dans l’IoT Ambiant ?

Les dispositifs IoT Ambiant utilisent différentes sources d’énergie ambiante :

1. Énergie RF (Radio-Fréquence)

  • Les dispositifs récupèrent l’énergie des ondes radio présentes dans l’environnement (3 kHz à 300 GHz)
  • L’énergie récupérée est généralement de l’ordre de quelques microwatts à des dizaines de microwatts
  • Un circuit redresseur convertit les signaux RF en courant continu utilisable
  • L’efficacité de conversion varie de 1,2% à 49% selon les technologies

2. Énergie solaire/lumière

  • Utilisation de cellules photovoltaïques pour convertir la lumière en électricité
  • En extérieur, l’énergie solaire peut fournir jusqu’à 100 mW/cm²
  • En intérieur, l’éclairage peut fournir environ 100 μW/cm²
  • L’efficacité de conversion est typiquement de 10-40%

3. Énergie thermique

  • Exploitation des différences de température via l’effet Seebeck
  • L’efficacité est relativement faible (environ 5-6%)
  • La densité de puissance varie de 25 à 1000 μW/cm² selon les conditions environnementales.

4. Vibration mécanique

  • Utilisation de l’effet piézoélectrique pour générer de l’électricité à partir des déformations mécaniques
  • Typiquement, ces générateurs peuvent produire environ 250 μW/cm³
  • Sources : vibrations, mouvements humains, vent, ondes acoustiques

Architecture et communication

L’IoT Ambiant s’intègre dans les réseaux 5G de différentes façons :

Modes de communication

  1. Communication directe avec le réseau : Le dispositif IoT Ambiant communique directement avec le réseau 5G.
  2. Communication indirecte via un UE : Le dispositif communique d’abord avec un équipement utilisateur (UE) qui relaie ensuite l’information au réseau 5G.
  3. Communication device-to-device : communication directe entre un dispositif IoT Ambiant et un UE sans passer par le réseau.

Scénarios de disponibilité

  1. Fonctionnement normal : Le dispositif a de l’énergie disponible en continu ou pendant des périodes significatives.
  2. Fonctionnement déclenché par le dispositif : Le dispositif n’a de l’énergie que par intermittence et décide lui-même quand communiquer.
  3. Fonctionnement à la demande : Le réseau 5G réveille et déclenche le dispositif pour qu’il communique, le dispositif ne pouvant pas déterminer lui-même quand communiquer.

Intégration de la détection et de la communication : ISAC Cas d’usage 27 à 32

Ce document est issu de la TR 22.827 et à pour objectif de résumer les cas d’usages

Résumé du cas d’utilisation 5.27 « Public Safety Search and Rescue or Apprehend »

Description :
Ce cas d’utilisation met en évidence l’importance de localiser rapidement un individu porté disparu (opération de recherche et sauvetage) ou un suspect impliqué dans une activité illégale (opération d’appréhension).

Une localisation précise sur les trois axes (3D) est nécessaire pour optimiser la détection.

Exigences potentielles pour le soutien de ce cas d’utilisation :

Critère de performance Valeur requise
Niveau de confiance ≥ 99 %
Précision de l’estimation du positionnement horizontal ≤ 0,5 m
Précision de l’estimation du positionnement vertical ≤ 1 m
Précision de l’estimation de la vitesse horizontale ≤ 1,5 m/s
Précision de l’estimation de la vitesse verticale ≤ 1,5 m/s
Résolution de la détection ≤ 3 m
Latence maximale du service de détection ≤ 1000 ms
Taux de rafraîchissement ≤ 0,1 s
Taux de détection manquée ≤ 3 %
Taux de fausse alarme ≤ 3 %

 

Résumé du cas d’utilisation 5.28 : Détection pour les systèmes d’assistance avancée à la conduite (ADAS)

Description :
Le système d’assistance avancée à la conduite (ADAS) utilise divers capteurs (radar à ondes millimétriques, lidar, caméras monoculaires/binoculaires et navigation par satellite) installés sur le véhicule pour détecter l’environnement. Ces capteurs collectent des données, identifient, détectent et suivent des objets statiques et dynamiques. Le système analyse ensuite ces données pour alerter le conducteur des dangers potentiels, augmentant ainsi la sécurité et le confort de conduite.

Les technologies de détection basées sur la radio NR (New Radio) 3GPP peuvent être intégrées dans l’ADAS pour améliorer sa fiabilité et sa qualité. Les véhicules équipés de cette technologie peuvent, par exemple, détecter les collisions imminentes et arrêter la voiture pour les éviter.

Exigences potentielles pour le soutien de ce cas d’utilisation :

Critère de performance Valeur requise

Intérieure

Valeur requise

Extérieure

Niveau de confiance ≥ 95 % ≥ 95 %
Précision de l’estimation du positionnement horizontal ≤ 1,3 m ≤ 2,6 m
Précision de l’estimation de la vitesse horizontale ≤ 0,12 m/s ≤ 0,12 m/s
Résolution de la détection ≤ 0,4 m ≤ 0,4 m
Latence maximale du service de détection ≤ 50 ms ≤ 20 ms
Taux de rafraîchissement ≤ 0,2 s ≤ 0,05 s
Taux de détection manquée ≤ 10 % ≤ 10 %
Taux de fausse alarme ≤ 1 % ≤ 1 %

 

Résumé du cas d’utilisation 5.29 : Use case on Coarse Gesture Recognition for Application Navigation and Immersive Interaction »

Description : Cette section se concentre sur l’utilisation de la reconnaissance gestuelle sans contact, permettant aux utilisateurs de contrôler des applications et d’interagir avec des environnements immersifs via des gestes simples. Ce type d’interaction est particulièrement utile dans des environnements où le contrôle manuel est difficile ou impossible.

Exigences potentielles pour le soutien de ce cas d’utilisation :

Critère de performance Valeur requise
Niveau de confiance ≥ 95 %
Précision de l’estimation du positionnement horizontal ≤ 0,1 m
Précision de l’estimation de la vitesse horizontale ≤ 0,1 m
Latence maximale du service de détection ≤ 500 ms
Taux de rafraîchissement ≤ 1 s
Taux de détection manquée ≤ 5 %
Taux de fausse alarme ≤ 5 %

 

Résumé du cas d’utilisation 5.31 : détection des angles morts pour améliorer la sécurité des véhicules en mouvement.

L’objectif est d’améliorer la sécurité des manœuvres, notamment lors des changements de voie ou des virages.

Pré-conditions :

  • Le véhicule doit être équipé de capteurs ou de technologies de détection capables d’identifier les objets ou véhicules se trouvant dans les angles morts.
  • Les capteurs doivent être positionnés de manière à couvrir l’ensemble des zones critiques où des angles morts peuvent exister.
  1. Les capteurs embarqués collectent des données en temps réel sur les objets ou véhicules situés dans les angles morts.
  2. Le système analyse les données pour déterminer s’il y a un risque potentiel de collision.
  3. En cas de détection d’un obstacle dans l’angle mort, le conducteur est averti par un signal visuel ou sonore.
  4. Si le conducteur ignore l’alerte et continue sa manœuvre, le système peut proposer une assistance automatique (par exemple, correction de trajectoire).

 

Exigences potentielles pour le soutien de ce cas d’utilisation :

Critère de performance Valeur requise
Niveau de confiance ≥ 99 %
Précision de l’estimation du positionnement horizontal ≤ 0,5 m
Précision de l’estimation du positionnement vertical ≤ 0,5 m
Précision de l’estimation de la vitesse horizontale ≤ 0,1 m/s
Précision de l’estimation de la vitesse verticale ≤ 0,1 m/s
Résolution de la détection ≤ 0,5 m
Latence maximale du service de détection ≤ 200 ms
Taux de rafraîchissement ≤ 0,5 s
Taux de détection manquée ≤ 1 %
Taux de fausse alarme ≤ 1 %

Résumé du cas d’utilisation 5.32 : intégration des technologies de détection et de positionnement dans un hall d’usine pour améliorer la gestion des opérations et la sécurité.

Ce cas d’utilisation concerne l’intégration de la détection et du positionnement pour suivre et localiser des objets, des équipements ou des personnes à l’intérieur d’un hall d’usine. L’objectif est d’améliorer l’efficacité des opérations de production, d’assurer la sécurité et d’optimiser l’utilisation des ressources.

  1. Les capteurs collectent des données sur les objets et les personnes dans le hall d’usine.
  2. Les données sont analysées pour déterminer la position, la vitesse et d’autres caractéristiques des objets suivis.
  3. Les résultats de l’analyse sont utilisés pour optimiser les flux de production, éviter les collisions et assurer la sécurité du personnel.
  4. Les données de détection et de positionnement sont mises à jour en temps réel pour refléter tout changement dans l’environnement.
Critère de performance Valeur requise
Niveau de confiance ≥ 98 %
Précision de l’estimation du positionnement horizontal ≤ 0,2 m
Précision de l’estimation du positionnement vertical ≤ 0,2 m
Précision de l’estimation de la vitesse horizontale ≤ 0,05 m/s
Précision de l’estimation de la vitesse verticale ≤ 0,05 m/s
Résolution de la détection ≤ 0,2 m
Résolution de la détection en vitesse ≤ 0,05 m
Latence maximale du service de détection ≤ 100 ms
Taux de rafraîchissement ≤ 0,2 s
Taux de détection manquée ≤ 2 %
Taux de fausse alarme ≤ 1 %