23 iul. 2025

Inovare, digitalizare și inteligența artificială în România: o analiză comparativă a competitivității științifice și tehnologice și a provocărilor structurale în contextul Uniunii Europene

de Nicolae Sfetcu | postat în: Arhiva, Editoriale, Numărul 3, Volumul 4 | 0

Sfetcu, Nicolae (2025), Inovare, digitalizare și inteligența artificială în România: o analiză comparativă a competitivității științifice și tehnologice și a provocărilor structurale în contextul Uniunii Europene, IT & C, 4:3, 3-25, DOI: 10.58679/IT94194, https://www.internetmobile.ro/inovare-digitalizare-si-inteligenta-artificiala-in-romania/

Abstract

The comparative analysis in the European context of the last five years of science and technology in Romania has revealed significant gaps compared to the European Union average and to countries such as Germany, France, Poland or Bulgaria. This article provides a detailed analysis of Romania’s performance in research and innovation, scientific and technological production, the level of digitalization and advances in artificial intelligence, compared to the European Union average and representative member states. I will use official sources (Eurostat, OECD, European Commission, etc.) and I will structure the exposition in clear sections: introduction, methodology, analysis (by subdomains) and conclusions. The results highlight Romania’s position as a “modest innovator” of Europe, with performances of only ~38% of the EU average, placing it in last place among member states in many key indicators. Next, I will detail these findings and present comparative data summarized in graphs and tables.

Keywords: science, technology, research, digitalization, Romania, European Union

Innovation, Digitalization and Artificial Intelligence in Romania: A Comparative Analysis of Scientific and Technological Competitiveness and Structural Challenges in the Context of the European Union

Rezumat

Analiza comparativă în context european din ultimii cinci ani a științei și tehnologiei din România a relevat decalaje semnificative față de media Uniunii Europene și față de țări precum Germania, Franța, Polonia sau Bulgaria. Acest articol oferă o analiză detaliată a performanțelor României în cercetare și inovare, producția științifică și tehnologică, nivelul de digitalizare și progresele în inteligența artificială, comparativ cu media Uniunii Europene și statele membre reprezentative. Voi utiliza surse oficiale (Eurostat, OECD, Comisia Europeană etc.) și voi structura expunerea în secțiuni clare: introducere, metodologie, analiză (pe subdomenii) și concluzii. Rezultatele evidențiază poziția României drept “inovator modest” al Europei, cu performanțe de numai ~38% din media UE, plasând-o pe ultimul loc între statele membre la mulți indicatori cheie. În continuare, voi detalia aceste constatări și voi prezenta date comparative sintetizate în grafice și tabele.

Cuvinte cheie: știință, tehnologie, cercetare, digitalizare, România, Uniunea Europeană

IT & C, Volumul 4, Numărul 3, Septembrie 2025, pp. 3-25
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT94194
URL: https://www.internetmobile.ro/inovare-digitalizare-si-inteligenta-artificiala-in-romania/
© 2025 Nicolae SFETCU. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

Inovare, digitalizare și inteligența artificială în România: o analiză comparativă a competitivității științifice și tehnologice și a provocărilor structurale în contextul Uniunii Europene

Nicolae SFETCU[1]
nicolae@sfetcu.com

[1] Cercetător – Academia Română (Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST) , Divizia de Istoria Științei (DIS)), ORCID: 0000-0002-0162-9973

Introducere

Analiza comparativă în context european din ultimii cinci ani a științei și tehnologiei din România a relevat decalaje semnificative față de media Uniunii Europene și față de țări precum Germania, Franța, Polonia sau Bulgaria. Acest articol oferă o analiză detaliată a performanțelor României în cercetare și inovare, producția științifică și tehnologică, nivelul de digitalizare și progresele în inteligența artificială, comparativ cu media Uniunii Europene și statele membre reprezentative. Voi utiliza surse oficiale (Eurostat, OECD, Comisia Europeană etc.) și voi structura expunerea în secțiuni clare: introducere, metodologie, analiză (pe subdomenii) și concluzii. Rezultatele evidențiază poziția României drept “inovator modest” al Europei, cu performanțe de numai ~38% din media UE (European Commission 2025a), plasând-o pe ultimul loc între statele membre la mulți indicatori cheie (NewsByte 2025). În continuare, voi detalia aceste constatări și voi prezenta date comparative sintetizate în grafice și tabele.

Fig. 1 Inovația în România vs. media UE. Sursa: (NewsByte 2025)

Metodologie

Metodologia acestei analize a presupus colectarea de date cantitative comparative din surse oficiale recente (2019–2025). Am extras indicatori din bazele de date Eurostat (de ex. cheltuieli R&D ca % PIB, personal de cercetare, publicații științifice, indicatori DESI privind digitalizarea și adoptarea AI), rapoarte ale Comisiei Europene – precum European Innovation Scoreboard 2025 și Digital Economy and Society Index (DESI) – și studii OECD. Pentru progresul în inteligența artificială, ne-am bazat pe monitorizările AI Watch ale UE și pe strategii naționale publicate. Abordarea comparativă a vizat România vs. media UE, evidențiind totodată contraste specifice cu Germania și Franța (economii avansate din Vest), respectiv Polonia și Bulgaria (economii est-europene cu nivel de dezvoltare apropiat). Datele au fost selectate pentru a reflecta ultimii 5 ani și a surprinde tendințele recente. În cadrul secțiunii de analiză, valorile indicatorilor sunt prezentate grafic și tabelar și discutate critic. Toate sursele folosite sunt citate conform normelor academice, pentru a asigura transparența și acuratețea informațiilor.

Analiză comparativă

Pregătirea și resursele cercetătorilor

Finanțarea cercetării (R&D)

În privința investițiilor în cercetare-dezvoltare, România se situează mult sub media UE. Cheltuielile totale de R&D ale României au fost în 2023 de numai ~0,52% din PIB, cele mai scăzute din UE (Eurostat 2025). Prin contrast, media UE a atins ~2,22% din PIB (Eurostat 2025), iar țările performante investesc peste 3% (Germania ~3,1% din PIB; Franța ~2,2% din PIB) (Eurostat 2025). Chiar și Polonia a crescut investițiile la ~1,5% din PIB în 2022, în timp ce Bulgaria alocă în jur de 0,8% (Eurostat 2025). România rămâne deci la coada Europei la acest capitol, ceea ce explică parțial capacitatea redusă de a forma și menține cercetători. (Notăm că autoritățile române au declarat ținte ambițioase – ex. atingerea 2% din PIB pentru C&D – însă acestea nu s-au materializat până în 2024.) (Trade.gov 2023)

Fig. 2 Cheltuieli interne brute pentru cercetare și dezvoltare, 2023. Sursa: (Eurostat 2025)

Resurse umane în cercetare

Corespunzător finanțării scăzute, și ponderea cercetătorilor în forța de muncă este cea mai mică din UE. Doar 0,5% din totalul angajaților din România activează în R&D, comparativ cu ~1,7% media UE (Eurostat 2024a). Germania are ~1,9% angajați în cercetare (Eurostat 2024a), iar țări nordice precum Finlanda sau Belgia depășesc 2% (Eurostat 2024a). Chiar și Polonia (ca reper regional) atinge ~1,0% (Akademickiej 2022), dublu față de România. Această diferență semnificativă evidențiază un deficit cantitativ de personal de cercetare. În plus, evoluțiile din ultimul deceniu arată un trend îngrijorător: între 2010 și 2020, numărul cercetătorilor (echivalent normă întreagă) a scăzut cu 7% în România – singura țară UE cu declin – în timp ce UE per ansamblu a înregistrat o creștere de ~40%, iar Polonia aproape și-a dublat numărul de cercetători (Akademickiej 2022). Abia recent (2013–2023) România a revenit la o creștere modestă (+11,7%, totuși printre cele mai mici rate) (Eurostat 2024a). Aceste date sugerează migrarea talentelor: cercetători formați în România care pleacă spre țări cu oportunități mai bune. De altfel, brain drain afectează întreg sectorul educație-cercetare – numărul de studenți și doctoranzi fiind în scădere, parțial din cauza emigrației tinerilor talentați (Trade.gov 2023).

Fig. 3 Resurse umane în știință și tehnologie, 2023 (% din populația activă cu vârsta cuprinsă între 15 și 74 de ani). Sursa: (Eurostat 2024a)

Formarea academică și calificările

Un alt indicator al pregătirii capitalului uman este nivelul de educație terțiară. România are cea mai mică rată de absolvire a învățământului superior din UE: în 2023 doar 23% dintre tinerii de 25–34 de ani aveau studii superioare, față de 43% media UE (Eurostat 2024b). Ținta europeană pentru 2030 este 45%, deja atinsă de peste jumătate din state; însă România rămâne departe, subliniind decalajul în formarea de specialiști înalt calificați. (Germania avea ~36% în 2021, Franța ~49%, Polonia ~40%, iar doar Ungaria și Italia se apropie de România cu ~29–31% (Eurostat 2024b).) Totodată, numărul anual de doctoranzi absolvenți în România este relativ scăzut raportat la populație – indicele UE al “noi absolvenți de doctorat” plasează România la ~35% din nivelul UE (European Commission 2025a). Aceasta indică atât capacitate limitată a școlilor doctorale, cât și interes și finanțare reduse pentru cariere de cercetare. Un alt aspect este mobilitatea internațională a cercetătorilor în formare: doar o mică fracțiune din doctoranzii din România sunt străini (indicator la < 15% din media UE (European Commission 2025a)), semn că România atrage foarte puțini studenți internaționali de doctorat comparativ cu țări ca Franța sau Germania. Prin urmare, ecosistemul de formare doctorală rămâne relativ izolat și sub-internaționalizat.

Condiții de lucru și distribuție sectorială

Din cauza subfinanțării cronice, cercetătorii români se confruntă cu infrastructură și salarizare adesea necompetitive, ceea ce alimentează exodul. În plus, structura ocupării în cercetare diferă de a țărilor avansate: în România, o proporție neobișnuit de mare a cercetătorilor lucrează în sectorul guvernamental sau academic, nu în cel privat. Aproximativ 33% din cercetători sunt în institute publice guvernamentale (record UE) și restul majoritar în universități, pe când doar ~35% activează în companii private (Eurostat 2024a). În contrast, Germania și Franța au ~60%+ dintre cercetători în industrie (Eurostat 2024a), semn al unui mediu de inovare condus de sectorul privat. Această situație indică un ecosistem de inovare slab integrat cu economia – companiile din România investesc puțin în R&D (doar ~0,19% din PIB în sectorul de afaceri, față de 2,1% în Germania) (Eurostat 2024a). Pe de altă parte, merită menționată dimensiunea de gen: România și Bulgaria au printre cele mai echilibrate distribuții de gen în rândul cercetătorilor (aprox. 45–48% femei cercetător) (Eurostat 2024a), apropiindu-se de paritate, spre deosebire de Germania sau Franța unde femeile reprezintă sub 30% din cercetători (Eurostat 2024a). Acest fapt sugerează că, în pofida problemelor generale, România a reușit să includă mai bine femeile în știință, comparativ cu economiile vestice.

Tabel 1 – Indicatori comparativi privind cercetarea și resursele umane (România vs. UE și țări selectate)

Indicator (ultimul an disponibil)	România	UE – 27	Germania	Franța	Polonia	Bulgaria
Cheltuieli R&D (% PIB) (2023)	0,52% (cel mai scăzut) (Eurostat 2025)	2,22% (Eurostat 2025)	3,11% (Eurostat 2025)	2,20% (Business France 2023)	~1,56% (Statistics Poland 2024)	0,79% (Eurostat 2025)
Personal R&D (% din ocupare) (2023)	0,5% (cel mai scăzut) (Eurostat 2024a)	1,7% (Eurostat 2024a)	1,9% (Eurostat 2024a)	~1,4%	~1,0% (Akademickiej 2022)	~0,6%
Tineri 25–34 ani cu studii superioare (2023)	23% (cel mai scăzut) (Eurostat 2024b)	43% (Eurostat 2024b)	~36% (2021)	~49% (2021)	~42% (2023)	~33% (2021)

Sursa: Eurostat și rapoarte naționale citate în text. (Datele Germaniei și Franței la educație sunt aproximative pentru context.)

Interpretare

Datele agregate din Tabelul 1 confirmă poziția codașă a României. Investițiile publice și private în cercetare sunt minimaliste (0,5% din PIB față de >2% în economiile mari), ceea ce se reflectă în numărul foarte redus de cercetători și specialiști înalt calificați din economie. Doar 1 din 200 angajați lucrează în R&D în România, față de ~1 din 50 în Germania. Totodată, deficitul de capital uman calificat este amplificat de rata scăzută a absolvenților de studii superioare – sub jumătate din media UE – un obstacol major în calea dezvoltării economiei bazate pe cunoaștere. În ansamblu, România dispune de o bază de cercetători insuficientă și subfinanțată, fenomen asociat și cu migrarea creierelor, în timp ce restul UE, inclusiv țări din Est ca Polonia, și-a extins considerabil resursele umane în R&D în ultimii ani.

Producția de publicații științifice și impactul lor

Un indicator sintetic al performanței științifice este volumul de publicații de cercetare și impactul acestora în comunitatea internațională (măsurat adesea prin citări). Și la acest capitol, România se află mult sub nivelul european. Potrivit datelor Comisiei Europene, România are cea mai mică productivitate științifică din UE, raportat la populație (NewsByte 2025). În 2022, cercetătorii români au publicat aproximativ 680 de lucrări științifice la un milion de locuitori, de aproape 2,1 ori mai puține decât media UE (1447 publicații/mil. loc.) (European Commission 2025c, 3). Spre comparație, Germania și Franța au realizat ~1100–1200 de publicații/mil., Polonia ~980, iar Bulgaria ~760 (toate depășind totuși România) (European Commission 2025c, 3).. Această diferență cantitativă este uriașă: practic, contribuția României la literatura științifică europeană este marginală. În 2020, România genera doar ~0,6% din totalul publicațiilor UE, deși reprezintă ~4% din populația Uniunii (Olson 2014).

Fig. 4 Publicații la un milion de locuitori, 2012 și 2022. Sursa: (European Commission 2025c)

Impactul calitativ al acestor lucrări, deși greu de cuantificat perfect, poate fi evaluat prin proporția de articole foarte citate (în top 10% la nivel mondial). Și aici România stă modest, deși nu la fel de extrem ca la volum. Conform indicelui de inovare al UE, doar ~5-6% dintre publicațiile românești se regăsesc printre cele mai citate 10% din lume – circa 66% din nivelul mediu UE la acest indicator (European Commission 2025a). România ocupă locul 18 din 27 la impactul citărilor (European Commission 2025a), deci aproximativ la mijlocul plutonului (spre deosebire de ultimul loc la majoritatea celorlalți indici de inovare). Aceasta sugerează că, dintre puținele lucrări produse în România, o parte reușesc totuși să atingă vizibilitate și relevanță internațională, chiar dacă densitatea de publicații de top este sub media europeană.

Pe de altă parte, colaborarea științifică internațională – un factor ce sporește atât volumul cât și calitatea cercetării – este foarte redusă la noi. România are cel mai scăzut nivel de publicații în co-autorat internațional din toată Uniunea (NewsByte 2025). Acest fapt indică o integrare slabă a cercetătorilor români în rețelele globale și europene de cercetare. Lipsa colaborărilor externe poate fi cauzată de bariere de finanțare și networking, dar și de faptul că puține instituții românești coordonează sau participă la proiecte mari europene (ex. Horizon 2020/Europe), comparativ cu cele din Polonia sau chiar Ungaria. Efectul este un cerc vicios: fără colaborări, vizibilitatea și impactul scad, ceea ce la rândul său limitează șansele de a atrage noi parteneriate și finanțări.

Un alt indicator relevant, numărul de brevete obținute, confirmă tendința: România are cea mai mică intensitate de brevete per capita din UE (NewsByte 2025), arătând că transferul tehnologic și inovarea aplicată sunt foarte reduse. Prin contrast, Germania și Franța produc mii de brevete anual, iar Polonia a crescut și ea treptat producția de brevete. România, însă, nu valorifică cercetarea în inovații comerciale aproape deloc, ceea ce reflectă și lipsa cercetării corporative menționată anterior.

Cauze și context

Diferențele semnalate mai sus sunt rezultatul atât al finanțării slabe cât și al politicilor incoerente în cercetare. România a traversat numeroase reforme ale sistemului de cercetare (ex. schimbări în criteriile de evaluare academică, reorganizări instituționale), unele cu efecte adverse. Literatura de specialitate notează că inconsistența politicilor românești în CDI a frânat creșterea producției științifice și a competitivității cercetării (Cernat 2024). În schimb, țări ca Polonia au investit în programe de finanțare pentru a-și conecta cercetătorii la rețele UE, ceea ce a dus la aproape dublarea numărului de cercetători și la creșterea substanțială a publicațiilor lor în ultimii 10 ani (Akademickiej 2022). Germania și Franța beneficiază de ecosisteme consolidate: centre de excelență, infrastructuri mari (ex. institute Max Planck, CNRS etc.), precum și de atragerea de creiere din străinătate – de exemplu, în Franța circa 40% din doctoranzi sunt străini, pe când în România procentul este infim (European Commission 2025a). Toate acestea fac ca producția științifică occidentală să fie cu mai multe ordine de mărime peste cea românească.

Fig. 5 Evoluția alocărilor bugetare guvernamentale pentru cercetare și dezvoltare (în procente din PIB) și a PIB-ului (miliarde de dolari americani) al României între 1995 și 2022. Surse de date: Eurostat și Banca Mondială (Cernat 2024)

În concluzie la acest subcapitol, România rămâne mult în urma UE la performanța științifică, cu un volum mic de publicații și o participare redusă la cunoașterea globală. Deși calitativ există și rezultate notabile punctuale (dovadă lucrările cu impact relativ ridicat raportat la totalul modest de lucrări), acestea nu compensează deficitul cantitativ. Pentru a recupera, ar fi esențială creșterea finanțării cercetării, stabilitatea politicilor pe termen lung și stimularea colaborărilor internaționale care să integreze comunitatea științifică românească în spațiul european de cercetare.

Nivelul de digitalizare și infrastructura digitală

Infrastructura digitală

La capitolul infrastructură și conectivitate, România prezintă un paradox interesant. Deși performanța digitalizării generale este scăzută, infrastructura de internet fix este relativ bine dezvoltată. România se numără printre liderii UE la viteza și penetrarea internetului fix în bandă largă, inclusiv în zone rurale (European Commission 2025b). Indicele DESI arată că la accesul la internet de mare viteză, România depășește cu mult media (127% din media UE, locul 6 în UE) (European Commission 2025a), grație investițiilor timpurii în rețele de fibră optică. De pildă, ~87% din gospodării au acces la rețele de foarte mare viteză, România fiind peste medie la acest subindicator. Cu toate acestea, accesul bun la infrastructură nu se reflectă proporțional în utilizarea și competențele digitale ale populației.

Figura 6. Infrastructura digitală, România vs. UE (Comisia Europeană 2023)

Competențele digitale ale populației

România ocupă ultimul loc în UE la capitalul competențe digitale. Doar ~28% dintre persoanele cu vârsta 16–74 ani dețin competențe digitale de bază, față de ~54% media UE (Masterson 2022). Acest nivel este net inferior celui din țările vestice (ex. ~79% în Țările de Jos și Finlanda; ~70% în Irlanda) și chiar sub cel al țărilor din regiune (Polonia 43%, Bulgaria 31%) (Masterson 2022). Cu alte cuvinte, aproape trei sferturi dintre români nu au abilități digitale elementare (cum ar fi utilizarea unui editor de text, navigarea sigură pe internet sau trimiterea de e-mailuri) (Masterson 2022). Această lipsă de competențe reprezintă un obstacol major în calea transformării digitale a economiei și societății. Educația digitală în școli a rămas în urmă, iar programele de formare a adulților nu au reușit încă să aducă la zi aptitudinile forței de muncă. Conform raportului DESI 2022, România se afla pe ultimul loc la capitolul “Capital uman digital”, cu scor minim la indicatori precum specialiști IT&C în forța de muncă sau absolvenți în discipline TIC (European Commission 2024) (Masterson 2022). (Notă: Paradoxal, România produce totuși mulți absolvenți în IT – ~5,6% din totalul absolvenților, locul 5 în UE – însă nu reușește să îi rețină; mulți tineri IT-iști emigrează sau lucrează pentru companii străine de la distanță (European Commission 2025b).)

Figura 7. Abilități digitale, Romania vs. Uniunea Europeană (Comisia Europeană 2023)

Digitalizarea economiei și a serviciilor

În consecință, utilizarea tehnologiilor digitale de către întreprinderi și administrație este redusă, ceea ce plasează România pe ultimul loc în indicele compozit DESI. În 2023, România ocupa poziția 27/27 în DESI, cu un scor general de 30,6 (substanțial sub media UE ~52) (European Commission 2022). Deficitul este pronunțat mai ales la integrarea tehnologiilor digitale avansate în firme (ex. utilizarea serviciilor de cloud, big data, comerț electronic). Comisia Europeană notează că digitalizarea IMM-urilor românești rămâne mult în urmă față de media UE, adoptarea soluțiilor de cloud, comerț online sau automatizare fiind foarte scăzută (European Commission 2025b). Doar ~8% dintre firmele din România făceau vânzări online în 2020, de exemplu, față de 17% media UE. Un raport recent subliniază că digitalizarea întreprinderilor românești, mai ales a IMM-urilor, stagnează, limitând competitivitatea și inovația (European Commission 2025b).

În sectorul public, situația este similară: deși s-au făcut pași spre guvernare electronică, România încă are unele dintre cele mai scăzute scoruri la servicii publice digitale din UE. Portalurile de e-guvernare și serviciile online pentru cetățeni sunt mai puțin dezvoltate și utilizate decât în restul UE (ex. rata de interacțiune a cetățenilor cu administrația online este printre cele mai mici). Totuși, trebuie menționat că în ultimii ani s-au accelerat investițiile – de pildă, prin Planul Național de Redresare și Reziliență (PNRR) se alocă sume considerabile digitalizării administrației publice și serviciilor (peste 1,5 miliarde € pentru cloud guvernamental, digitalizarea sănătății, educației etc.). Comisia notează în 2024 că România „a continuat să investească masiv în digitalizarea serviciilor publice” (European Commission 2025b), fapt ce ar putea îmbunătăți situația dacă proiectele sunt implementate cu succes. Deja s-au înregistrat progrese la disponibilitatea datelor de e-sănătate și a platformelor de identitate digitală (European Commission 2025b).

Figură 8. Digitalizarea afacerilor, România vs. UE (Comisia Europeană 2023)

Comparativ regional și cu UE

Diferența dintre România și nucleul UE este clară: în timp ce țări precum Germania sau Franța nu excelează neapărat la toate capitolele (de exemplu, ambele au avut provocări în digitalizarea administrației, iar Germania a fost mult timp medie la broadband), ele au totuși o populație majoritar alfabetizată digital și un sector privat care adoptă noile tehnologii. Germania are ~70–75% din populație cu competențe digitale de bază (estimativ), iar Franța peste 60%, comparativ cu 28% în România (Masterson 2022). Țări ca Polonia au recuperat mult: deși în 2015 se aflau aproape de România, în 2023 polonezii au ajuns la scor DESI semnificativ mai mare (Polonia ~45 puncte vs. 30 România) și, cum am văzut, competențe digitale la 43% din populație. Bulgaria este încă aproape de România la indicele DESI (penultima), împărtășind probleme similare – competențe reduse și adoptare joasă a tehnologiei – dar chiar și ea este ușor peste România la majoritatea indicatorilor (ex. ~31% competențe digitale, scor DESI 2023 ~35). Prin urmare, România este, practic, lanterna roșie a digitalizării în UE. Singurele capitole unde România stă bine sunt conectivitatea (după cum s-a menționat) și numărul de absolvenți TIC – însă aceștia nu contribuie pe deplin la economia națională din cauza emigrării și a deficitului de locuri de muncă specializate interne (European Commission 2025b).

În ansamblu, nivelul de digitalizare al României rămâne mult sub media UE, cauzat mai ales de factorul uman – competențe și pregătire – și de întârzierea în adoptarea noilor tehnologii în afaceri și servicii publice. Infrastructura robustă de internet este o oportunitate insuficient exploatată. Pentru a reduce decalajele, sunt necesare investiții substanțiale în educație digitală (începând din școală, dar și pentru forța de muncă actuală), precum și stimulente pentru IMM-uri de a adopta soluții digitale. Recomandări oficiale insistă pe integrarea competențelor digitale ca element central în procesul educațional și pe programe de îmbunătățire a abilităților angajaților, în paralel cu simplificarea accesului companiilor la finanțare pentru digitalizare (European Commission 2025b). Numai astfel se poate valorifica baza tehnologică existentă (rețele broadband, număr de specialiști IT) pentru a obține beneficii economice și sociale similare cu cele din restul UE.

Fig. 9. Indicatori cheie de performanță ai României observați în 2024 ca procent din obiectivele UE 2030. Sursa: (European Commission 2025b)

Progrese în domeniul inteligenței artificiale (AI)

Strategii naționale de AI

Inteligența artificială a devenit în ultimii ani o prioritate strategică în UE, statele membre fiind încurajate să-și dezvolte propriile strategii naționale aliniate cu Planul coordonat al Comisiei (2018 și actualizările ulterioare). România, însă, a fost relativ întârziată în adoptarea unei strategii naționale de AI. După ani de dezbateri și pregătire, abia în iulie 2024 Guvernul României a aprobat Strategia națională privind Inteligența Artificială (2024–2027) (Theiss 2024). Această strategie își propune să stimuleze adoptarea tehnologiilor AI în economie și societate, asigurând totodată respectarea drepturilor și valorilor etice (Theiss 2024). România se alătură astfel tuturor celorlalte state UE care deja aveau un cadru strategic AI. Spre exemplu, Franța și Germania au lansat strategii naționale încă din 2018: Franța prin inițiativa “AI for Humanity” prezentată de președintele Macron, cu un buget inițial de 1,5 miliarde € până în 2022 (din care 700 milioane € pentru cercetare) (European Commission 2021), urmată de o a doua etapă 2022–2025 cu încă ~2,2 mld. € alocați (AEEN 2025). Germania și-a prezentat Strategia Națională pentru AI tot în 2018, actualizată ulterior, și a planificat investiții masive – 5 miliarde € până în 2025 – pentru implementarea acesteia (Trade.gov 2024b). Și țările din Est au mișcat mai repede: Polonia a adoptat în 2020 o “Politică pentru dezvoltarea inteligenței artificiale”, integrată în strategia sa de digitalizare, iar Bulgaria a aprobat tot în 2020 „Conceptul pentru dezvoltarea IA până în 2030” (OECD 2025). Astfel, România a fost printre ultimele state care să își formalizeze strategia AI, evidențiind o anumită lentoare instituțională în abordarea acestui domeniu emergent.

Noua Strategie AI a României (2024) identifică direcții precum: dezvoltarea cercetării fundamentale și aplicate în AI, stimularea inovării și adopției AI în sectorul public și privat, formarea de specialiști AI și adaptarea sistemului educațional, precum și crearea unui cadru etic și de reglementare pentru AI. Documentul subliniază necesitatea cooperării internaționale și a alinierii la demersurile europene – de exemplu, adoptarea viitorului Act European privind Inteligența Artificială (AI Act), care va intra în vigoare treptat între 2024–2026 (Theiss 2024). Astfel, strategia României vine într-un context în care UE însăși reglementează AI și creează mecanisme (cum ar fi Pactul pentru AI propus de Comisie) pentru a ghida dezvoltarea acestei tehnologii.

Inițiative și capacități interne

Deși întârziată la nivel strategic, România a început să deruleze în ultimii ani câteva inițiative concrete în domeniul AI. Un progres major este înființarea primului institut de cercetare dedicat AI: în mai 2024 a demarat la Cluj construcția Centrului Român de Inteligență Artificială, o investiție de ~105 milioane lei (≈21 mil. €) la Universitatea Tehnică din Cluj-Napoca (Emirates News Agency 2024). Acest centru va dispune de 30 de laboratoare moderne pe ~13.850 mp și va dezvolta soluții AI în domenii critice precum sănătate, transport, securitate cibernetică etc. (Emirates News Agency 2024). Inițiativa implică parteneriate cu companii de top (ex. Lockheed Martin) și își propune să transforme Clujul într-un hub de inovare în AI, valorificând ecosistemul local IT (peste 1.200 firme IT active în Cluj) (Emirates News Agency 2024). De asemenea, în București a fost lansat recent Hub-ul Român de Inteligență Artificială (HRIA) – un consorțiu coordonat de Universitatea Politehnica, cu finanțare UE (~65 mil. € pe 5 ani) pentru a sprijini proiecte de cercetare și inovare în AI, și a conecta industria cu mediul academic (EIB 2020). Prin PNRR și fonduri structurale, România a alocat investiții în infrastructuri digitale care includ componente AI (de exemplu, supercomputere și centre de date care pot susține aplicații de învățarea automată). Totodată, Autoritatea pentru Digitalizare a lansat programe de pregătire în AI pentru funcționari și planuri de introducere a cursurilor de bază în AI în școli și universități, recunoscând necesitatea formării de competențe noi. Cu toate acestea, capacitatea de cercetare în AI a României rămâne modestă: nu avem încă institute de talia celor din Europa de Vest și nici mega-programe naționale (Germania are rețeaua de centre de excelență Cyber Valleys, Franța a creat 4 Institute Interdisciplinare de AI la Grenoble, Nisa, Paris etc. (European Commission 2021)). Proiectele autohtone sunt abia la început, depinzând mult de finanțare externă.

Investiții și ecosistemul privat de AI

Investițiile publice directe ale României în AI au fost limitate până acum, dar ecosistemul privat începe să se dezvolte. Au apărut startup-uri românești notabile în AI (ex. UiPath – unicorn din domeniul automatizării, care folosește algoritmi AI – deși relocat în SUA; FintechOS – care în 2023 a atras o finanțare majoră de 55 mil. € (Recursive 2024), integrând soluții AI în servicii financiare). Fonduri de capital de risc internaționale și locale au început să finanțeze tineri întreprinzători în învățarea automată, computer vision etc. Cu sprijinul noii strategii, se așteaptă creșterea investițiilor publice: de exemplu, Planul Național pentru CDI 2022–2027 include un program dedicat AI și noi tehnologii, iar prin bugetul PNRR România a alocat ~180 mil. € pentru proiecte de cercetare în energie nucleară și AI (anunțate în 2023) (Xinhua 2025) (Ernst 2025). Totuși, aceste sume pălesc pe lângă investițiile marilor economii: spre exemplu, Franța și-a majorat bugetul AI prin programul France 2030, alocând încă 2,5 miliarde € pentru dezvoltarea și implementarea AI (Menardeau 2025); Germania a anunțat în 2023 un “atac AI” cu scopul de a deveni lider european – vizând ca 10% din PIB-ul său să fie generat de AI până în 2030 – și a suplimentat fondurile pentru AI (pe lângă cei 5 mld. € inițiali) (Rinke 2025). Prin comparație, România va trebui probabil să se bazeze considerabil pe fonduri UE (structurale, Orizont Europa) pentru a finanța proiecte AI de anvergură.

Adopția AI în sectorul public și privat

Cea mai elocventă dovadă a decalajului este dată de rata de utilizare a tehnologiilor AI în companii. Conform datelor Eurostat din 2024, doar ~3,1% dintre firmele din România (cu peste 10 angajați) folosesc aplicații de Inteligență Artificială, aceasta fiind cea mai scăzută pondere din UE (European Commission 2025d). Media UE a urcat la 13,5% în 2024 (de la 8% în 2023, deci o creștere robustă) (European Commission 2025d). Țările fruntașe, precum Danemarca, Suedia, Belgia, au între 24% și 28% din companii adoptând AI (European Commission 2025d). Chiar și în regiune, Polonia (5,9%) și Bulgaria (6,5%) depășesc România la acest indicator de două ori sau mai mult (European Commission 2025d). Cu alte cuvinte, AI este cvasi-inexistentă în mediul de afaceri românesc comparativ nu doar cu Vestul, dar și cu media est-europeană. Situația se explică prin nivelul scăzut de digitalizare generală a firmelor (discutat anterior) și lipsa know-how-ului intern: puține companii au specialiști sau parteneriate pentru a implementa soluții AI (precum analiză de date cu algoritmi de învățare automată, automatizări inteligente, chatboți avansați etc.). De asemenea, costurile percepute și nesiguranța privind beneficiile încetinesc adopția.

În Germania, de pildă, adopția AI a cunoscut o creștere accelerată: studii recente indică că în 2023 circa 12% din companiile germane utilizau AI, iar procentul ar fi urcat spre 20% în 2024 (GPTZero 2025), stimulată de disponibilitatea soluțiilor și de politicile de sprijin. Un sondaj Ifo arăta că în industria prelucrătoare germană, 17% dintre firme foloseau AI la începutul lui 2024 (Trade.gov 2024a). De asemenea, aproape jumătate din marile companii (cu peste 250 angajați) din UE folosesc deja AI (European Commission 2025d) – un segment unde și în România procentul e ceva mai mare decât la IMM-uri, dar tot substanțial mai mic față de marile corporații din Vest. Prin urmare, firmele private românești riscă să piardă avantajele competitive aduse de AI (eficiență, inovație în produse și servicii) dacă trendul nu se schimbă.

În ceea ce privește sectorul public, România se află abia în fazele pilot de adoptare a AI. Există inițiative incipiente: de exemplu, dezvoltarea de chatboți guvernamentali pentru relația cu cetățenii (cum ar fi asistentul virtual ION lansat de autorități în 2023 pentru a colecta feedback de la populație), sau proiecte de computer vision pentru siguranță publică (camere inteligente de trafic). Însă la scară largă, utilizarea AI în administrația românească este aproape inexistentă comparativ cu țări ca Estonia sau Franța, unde deja funcționează sisteme de diagnostic medical asistat de AI, algoritmi de optimizare în transportul public, ori sisteme de analiză predictivă a datelor guvernamentale. Strategia națională a României menționează obiective de a introduce treptat soluții AI în furnizarea serviciilor publice și procese decizionale, însă implementarea reală rămâne de realizat. Important este și cadrul de reglementare: România va trebui să transpună regulile AI Act (ce impun evaluarea sistemelor de AI utilizate de autorități, interzic anumite practici cu risc inacceptabil – precum supravegherea biometrică în timp real) (Theiss 2024). Acest lucru va cere capacitate instituțională și expertiză, încă inadecvate în prezent.

Fig. 10. Utilizarea tehnologiilor de inteligență artificială este în creștere în întreprinderile din UE. Sursa: (European Commission 2025d)

Perspective

În ansamblu, la debutul anului 2025, România se află la început de drum în domeniul inteligenței artificiale. Față de media UE și țări ca Germania sau Franța, decalajul este semnificativ atât ca pregătire strategică (până recent lipsă de strategie, finanțare modestă), cât și ca utilizare practică (adopție infimă în economie). Totuși, există și semnale pozitive: lansarea strategiei și a unor investiții dedicate sugerează o conștientizare a importanței AI. O oportunitate majoră o reprezintă fondurile europene (din programele Orizont Europa, Digital Europe, precum și PNRR) ce pot fi folosite pentru a construi infrastructura de cercetare și pentru a sprijini proiecte pilot de AI în industrie și administrație. De asemenea, România poate valorifica diaspora sa de specialiști IT și AI – mulți români lucrează în laboratoare de AI din străinătate – dacă creează condiții atractive pentru revenirea lor sau pentru colaborări internaționale. Comparativ, Polonia a început deja implementarea strategiei sale AI, investind în laboratoare naționale și hub-uri regionale, ceea ce i-ar putea oferi un avantaj competitiv în regiune. Bulgaria, cu strategia sa conceptuală, se concentrează pe dezvoltarea competențelor și a unui teren de testare AI în sectorul public. Așadar, competiția în Europa de Est privind AI se va intensifica, iar România va trebui să recupereze repede anii de întârziere pentru a nu rămâne și aici în urmă.

Concluzii

Analiza comparativă evidențiază că, în perioada recentă, România ocupă o poziție periferică în peisajul științei și tehnologiei din Uniunea Europeană. Nivelul de pregătire al cercetătorilor români este mult sub standardul european, din cauza finanțării insuficiente a cercetării, a numărului mic de specialiști și a exodului continuu de creiere. România investește de aproape 4 ori mai puțin în R&D decât media UE (raportat la PIB) și are cea mai redusă forță de muncă științifică din Uniune (Eurostat 2025). Această realitate se reflectă direct în producția științifică: România contribuie neînsemnat la fondul de cunoaștere al Europei, cu cele mai puține publicații pe cap de locuitor și cele mai puține colaborări științifice internaționale (NewsByte 2025). Deși calitatea unor lucrări este competitivă, impactul general rămâne limitat, iar inovațiile brevetabile sunt rare.

În domeniul digitalizării, România prezintă un contrast marcat între infrastructură și utilizare. Dacă la capitolul rețele de bandă largă stăm surprinzător de bine (datorită rețelelor de fibră optică extinse) (European Commission 2025a), la competențe digitale și servicii online suntem ultimii din Europa (Masterson 2022). Acest deficit de abilități digitale frânează transformarea economiei și administrației, menținând competitivitatea României scăzută într-o lume din ce în ce mai digitală. Țări ca Polonia, deși porneau de pe poziții similare acum 5-10 ani, au avansat mai rapid, investind în educație digitală și stimulente pentru firme, astfel încât și-au îmbunătățit substanțial scorurile DESI. România, în schimb, are nevoie de un efort susținut pentru alfabetizarea digitală a populației și pentru adoptarea pe scară largă a tehnologiilor precum cloud, big data, automatizare – aspecte unde întârzierea este recunoscută inclusiv de autorități și se încearcă recuperarea prin fonduri din PNRR și alte programe.

În ceea ce privește inteligența artificială, decalajul față de liderii europeni este momentan semnificativ, însă aici jocul este încă la început pentru toată lumea. România a pierdut câțiva ani fără o viziune strategică în AI, timp în care alte țări și-au construit ecosisteme solide de cercetare și inovare. Astăzi, adoptarea AI în România este abia detectabilă în statistici – doar ~3% din companii folosesc AI, față de 13–15% în Vest (European Commission 2025d) – semn că potențialul acestei tehnologii revoluționare nu este încă valorificat. Cu toate acestea, există și motive de optimism moderat: strategia națională recent lansată și investițiile începute (precum centrul AI de la Cluj (Emirates News Agency 2024)) pot oferi infrastructura și direcția necesare progresului. România are atuuri de capital uman (absolvenți IT talentați, programatori recunoscuți global) care, dacă vor fi formați și orientați și spre AI, ar putea accelera recuperarea decalajului. Succesul va depinde de implementarea efectivă a politicilor – asigurarea finanțărilor promise, crearea de parteneriate cu industrie și instituții externe, precum și adaptarea cadrului legislativ la inovație (inclusiv aplicarea regulamentelor UE precum AI Act).

Comparând punctual cu țările analizate: Germania și Franța se situează ferm în frunte, datorită investițiilor constante și viziunii strategice – ele reprezintă ștacheta pe care România, pe termen lung, ar aspira să o atingă în privința ecosistemului de inovare. Polonia ilustrează calea unei țări est-europene care, prin voință politică și folosirea oportunităților UE, își îmbunătățește vizibil indicatorii R&D – un exemplu demn de urmat. Bulgaria, deși aproape de România ca nivel, totuși a devansat-o ușor la câțiva parametri, semn că România riscă să rămână chiar în urma vecinilor cei mai apropiați dacă nu își accelerează reformele.

În concluzie, decalajul României față de media UE în știință și tehnologie rămâne considerabil, dar nu insurmontabil. Ultimii cinci ani au adus atât confirmarea slăbiciunilor (finanțare, resurse umane, management strategic deficitar), cât și oportunități noi (fonduri de redresare, inițiative digitale și AI emergente). Realizarea potențialului acestor oportunități necesită o abordare strategică coerentă și pe termen lung din partea României – investiții inteligente în educație și cercetare, măsuri de stopare a exodului de talente, stimularea inovării private și implicarea activă în proiectele științifice europene. Numai astfel România poate spera ca, în următorii ani, să înceapă să recupereze terenul pierdut și să se apropie de nucleul țărilor UE în aceste domenii esențiale pentru prosperitatea și competitivitatea unei națiuni în secolul XXI.

Bibliografie

AEEN. 2025. “Can France become a world power in artificial intelligence?” AEEN, January 3. https://www.aeen.org/can-france-become-a-world-power-in-artificial-intelligence/.
Akademickiej, Narodowa Agencja Wymiany. 2022. “Eurostat Reveals New Statistics – since 2010, the Number of Research Projects in Poland Has Almost Doubled.” Research in Poland, January 18. https://researchinpoland.org/news/eurostat-reveals-new-statistics-since-2010-the-number-of-research-projects-in-poland-has-almost-doubled/.
Business France. 2023. “Key Indicators of French Economic Attractiveness – RESEARCH AND INNOVATION.” https://en.media.businessfrance.fr/download-pdf/677e87e3a3efbabb30094b2a#:~:text=France%20en,Programming.
Cernat, Vasile. 2024. “The Unprincipled Principal: How Romania’s Inconsistent Research Reform Impacted Scientific Output.” Scientometrics 129 (9): 5557–75. https://doi.org/10.1007/s11192-024-05118-9.
Comisia Europeană. 2023. “Digital Decade Country Report 2023 – Romania.” https://ec.europa.eu/newsroom/dae/redirection/document/98631.
EIB. 2020. “Romania: EUR 21 Million EIB Backing to Strengthen Research, Education, and Innovation Infrastructure at the Technical University of Cluj-Napoca.” European Investment Bank. https://www.eib.org/en/press/all/2020-385-eur-21-million-european-investment-bank-backing-to-strengthen-research-education-and-innovation-infrastructure-at-the-technical-university-of-cluj-napoca.
Emirates News Agency. 2024. “Romania Begins Constructing Its First AI Research Centre.” https://www.wam.ae/en/article/b3bx1cz-romania-begins-constructing-its-first-research.
Ernst, Iulian. 2025. “Romanian Govt. Announces Nuclear and AI R&D Projects Worth EUR 180 Mln.” Romania Insider, March 10. https://www.romania-insider.com/romania-projects-research-nuclear-energy-artificial-intelligence-2025.
European Commission. 2021. “France AI Strategy Report – European Commission.” https://ai-watch.ec.europa.eu/countries/france/france-ai-strategy-report_en.
European Commission. 2022. “Romania in the Digital Economy and Society Index | Shaping Europe’s Digital Future.” https://digital-strategy.ec.europa.eu/en/policies/desi-romania.
European Commission. 2024. “The Digital Economy and Society Index (DESI) | Shaping Europe’s Digital Future.” https://digital-strategy.ec.europa.eu/en/policies/desi.
European Commission. 2025a. “European Innovation Scoreboard 2025 – Romania.” https://ec.europa.eu/assets/rtd/eis/2025/ec_rtd_eis-country-profile-ro.pdf#:~:text=Romania%20is%20an%20Emerging%20Innovator%2C,is%20below%20the%20average%20of.
European Commission. 2025b. “Romania 2025 Digital Decade Country Report | Shaping Europe’s Digital Future.” https://digital-strategy.ec.europa.eu/en/factpages/romania-2025-digital-decade-country-report.
European Commission. 2025c. “SCIENTIFIC KNOWLEDGE PRODUCTION – Chapter 3.” https://ec.europa.eu/assets/rtd/srip/2024/ec_rtd_srip-report-2024-chap-03.pdf.
European Commission. 2025d. “Usage of AI Technologies Increasing in EU Enterprises.” January 23. https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20250123-3.
Eurostat. 2024a. “R&D Personnel.” https://ec.europa.eu/eurostat/statistics-explained/index.php?title=R%26D_personnel.
Eurostat. 2024b. “43% of EU’s 25-34-Year-Olds Have Tertiary Education.” May 27. https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20240527-1.
Eurostat. 2025. “R&D Expenditure.” https://ec.europa.eu/eurostat/statistics-explained/index.php?title=R%26D_expenditure.
GPTZero. 2025. “How Many Companies Use AI in 2025?” AI Detection Resources | GPTZero, March 7. https://gptzero.me/news/how-many-companies-use-ai/.
Masterson, Victoria. 2022. “Which European Countries Have the Most Digital Skills?” World Economic Forum, April 25. https://www.weforum.org/stories/2022/04/europe-basic-digital-skills/.
Menardeau, Ethel. 2025. “AI: A Driving Force for Innovation in France.” Business France Nordic, February 6. https://world.businessfrance.fr/nordic/ai-a-driving-force-for-innovation-in-france/.
NewsByte. 2025. “Romania Is Europe’s Worst Performer in Research and Innovation | Science|Business.” https://sciencebusiness.net/news-byte/romania-europes-worst-performer-research-and-innovation-0.
OECD. 2025. “The OECD Artificial Intelligence Policy Observatory.” https://oecd.ai/en/.
Olson, Randy. 2014. “Top 40 countries by the number of scientific papers published.” Reddit Post. R/Dataisbeautiful, March 16. https://www.reddit.com/r/dataisbeautiful/comments/20k5dk/top_40_countries_by_the_number_of_scientific/.
Recursive, The. 2024. “Romania’s AI Startup Ecosystem: €160M Fresh Capital to Move the Innovation Needle.” TheRecursive.Com, November 29. https://therecursive.com/romania-ai-startup-ecosystem/.
Rinke, Andreas. 2025. “Germany Plans AI Offensive to Catch up on Key Technologies, Document Shows.” Technology. Reuters, July 15. https://www.reuters.com/technology/germany-plans-ai-offensive-catch-up-key-technologies-document-shows-2025-07-15/.
Statistics Poland. 2024. “Research and Experimental Development in Poland in 2023.” https://stat.gov.pl/files/gfx/portalinformacyjny/en/defaultaktualnosci/3313/7/13/1/research_and_experimental_development_in_poland_in_2023.pdf#:~:text=,409%20PLN%20and%20was.
Theiss, Wolf. 2024. “COFAG Consolidation Act Brings Significant Changes for the Handling of Funding Claims.” CEE Legal Matters, July 16. https://ceelegalmatters.com/briefings/26897-preparing-for-the-future-romania-s-national-ai-strategy-and-the-eu-ai-act.
Trade.gov. 2023. “Romania – Education and Training Services.” March 16. https://www.trade.gov/country-commercial-guides/romania-education-and-training-services.
Trade.gov. 2024a. “Germany AI in Manufacturing.” May 31. https://www.trade.gov/market-intelligence/germany-ai-manufacturing.
Trade.gov. 2024b. “Germany AI in Education.” November 19. https://www.trade.gov/market-intelligence/germany-ai-education.
Xinhua. 2025. “Romania Launches 195 Mln USD Nuclear, AI Research Projects.” https://english.news.cn/20250308/199af5a328d146138bb3bde5c0ab1481/c.html.

Articol cu Acces Deschis (Open Access) distribuit în conformitate cu termenii licenței de atribuire Creative Commons CC BY SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/).

10 iul. 2025

Dezvoltarea unui chatbot pentru servicii clienți cu ChatGPT

de Nicolae Sfetcu | postat în: Arhiva, Numărul 3, Programare, Volumul 4 | 1

Sfetcu, Nicolae (2025), Dezvoltarea unui chatbot pentru servicii clienți cu ChatGPT, IT & C, 4:3, 51-66, DOI: 10.58679/IT92596, https://www.internetmobile.ro/dezvoltarea-unui-chatbot-pentru-servicii-clienti-cu-chatgpt/

Developing a Chatbot for Customer Service with ChatGPT

Abstract

In a world where customer experience has become a key differentiator, fast, personalized responses are no longer a “nice-to-have” but a natural expectation. AI-powered chatbots are today the most accessible solution for providing 24/7 support, taking over repetitive tasks and freeing up human teams for complex situations. Of all the technologies available, OpenAI’s conversational models – brought together under the ChatGPT umbrella – stand out for their language quality, flexibility, and ease of API integration.

This article aims to guide you step-by-step through the process of creating a customer service chatbot, built in Python and exposed in a web application.

Keywords: chatbot, bot, ChatGPT, API, Python, OpenAI, framework

Rezumat

Într-o lume în care experiența clientului a devenit un diferențiator esențial, răspunsurile rapide și personalizate nu mai sunt un „nice-to-have”, ci o așteptare firească. Chatbot-urile alimentate de inteligență artificială reprezintă astăzi cea mai la îndemână soluție pentru a oferi suport 24/7, preluând sarcini repetitive și eliberând echipele umane pentru situații complexe. Dintre toate tehnologiile disponibile, modelele conversaționale de la OpenAI – reunite sub umbrela ChatGPT – se remarcă prin calitatea limbajului, flexibilitate și ușurința integrării prin API.

Acest articol își propune să vă conducă pas cu pas prin procesul de creare a unui chatbot pentru servicii clienți, construit în Python și expus într-o aplicație web.

Cuvinte cheie: chatbot, bot, ChatGPT, API, Python, OpenAI, framework

IT & C, Volumul 4, Numărul 3, Septembrie 2025, pp. 51-66
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT92596
URL: https://www.internetmobile.ro/dezvoltarea-unui-chatbot-pentru-servicii-clienti-cu-chatgpt/
© 2025 Nicolae SFETCU. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

Dezvoltarea unui chatbot pentru servicii clienți cu ChatGPT

Nicolae SFETCU[1]
nicolae@sfetcu.com

[1] Cercetător – Academia Română (Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST) , Divizia de Istoria Științei (DIS)), ORCID: 0000-0002-0162-9973

Introducere

Acest articol își propune să vă conducă pas cu pas prin procesul de creare a unui chatbot pentru servicii clienți, construit în Python și expus într-o aplicație web.

Prezentare generală a arhitecturii soluției

Un chatbot pentru servicii clienți bazat pe ChatGPT implică interacțiunea dintre trei componente principale: interfața utilizator (frontend), serverul aplicației (backend) și serviciul extern OpenAI (API-ul ChatGPT). Pe scurt, fluxul funcționează astfel:

Utilizatorul (browser-ul web) introduce o întrebare sau solicitare în interfața de chat.
Frontend-ul (pagina web) trimite mesajul utilizatorului către backend printr-o cerere HTTP (de exemplu, o cerere POST către un endpoint al serverului web).
Backend-ul (serverul Flask/FastAPI) primește mesajul și apelează API-ul OpenAI (serviciul ChatGPT) trimițându-i promptul (și contextul conversației, dacă este cazul). Backend-ul include în cerere cheia API și specifică modelul ChatGPT dorit (de ex. gpt-3.5-turbo).
Serviciul ChatGPT (OpenAI) procesează promptul și întoarce un răspuns generat folosind modelul AI.
Backend-ul primește răspunsul de la ChatGPT și îl transmite înapoi către frontend (ca răspuns HTTP, de obicei în format JSON sau HTML).
Frontend-ul afișează răspunsul în interfața de chat, astfel încât utilizatorul să îl poată vedea. Utilizatorul poate continua dialogul, trimițând un nou mesaj, care va fi procesat în același mod (menținând contextul conversației, dacă este implementat acest aspect).

Figura 1: Arhitectura chatbot. Exemplu de concept al unui chatbot integrat într-o aplicație web, folosind ChatGPT și un framework backend precum Flask.

În această arhitectură, browser-ul acționează ca client (partea de prezentare), serverul web (codul Python) reprezintă logica de aplicație care intermediază între client și serviciul AI, iar modelul ChatGPT de la OpenAI rulează în cloud, furnizând inteligența conversațională. Avantajul folosirii API-ului ChatGPT este că putem integra puterea modelului în propria noastră aplicație și interfață personalizată, în loc să fim limitați la interfața standard ChatGPT (Loo 2023). De asemenea, această separare asigură securitatea cheii API (cheia secretă rămâne pe server, nefiind expusă în browser) și controlează fluxul de mesaje.

Notă: Chatbot-ul nostru va fi stateless din perspectiva OpenAI – adică modelul nu „ține minte” conversația decât dacă îi trimitem istoricul în fiecare cerere. Vom discuta mai jos despre cum putem simula o conversație continuă prin trimiterea unui istoric de mesaje.

Crearea contului OpenAI și obținerea unui API key

Pentru a utiliza API-ul ChatGPT, este necesar un cont de dezvoltator OpenAI și o cheie API privată:

Înregistrare cont OpenAI: Accesați platforma OpenAI (de ex. platform.openai.com) și creați un cont dacă nu aveți deja. Este posibil să vi se ceară un număr de telefon pentru verificare. Autentificați-vă apoi în contul de dezvoltator.
Accesarea secțiunii de chei API: După logare, navigați la panoul de control al contului vostru OpenAI. În meniul din platformă, găsiți secțiunea „API Keys” (chei API) – acolo veți gestiona cheile (Codecademy 2025). (Alternativ, puteți accesa direct URL-ul https://platform.openai.com/account/api-keys pentru a ajunge la pagina de chei API).
Crearea unei chei secrete noi: În pagina „API Keys”, faceți clic pe butonul “Create new secret key” (Crează cheie nouă). Vi se va solicita să dați un nume cheii (opțional, pentru a o identifica) și apoi veți confirma crearea ei (Codecademy 2025). Platforma va afișa o dată noua cheie generată (un șir lung de caractere). Atenție: copiați această cheie și salvați-o într-un loc sigur în acest moment. Din motive de securitate, OpenAI nu vă mai arată cheia completă după ce părăsiți pagina (Codecademy 2025). Dacă pierdeți cheia, va trebui să generați alta nouă.
Configurare facturare: Crearea contului și a cheii API este gratuită, însă utilizarea efectivă a API-ului este tarifată pe baza consumului (un model pay-as-you-go). Asigurați-vă că adăugați o metodă de plată în contul vostru OpenAI și verificați creditul gratuit oferit (OpenAI oferă adesea o sumă de credit de testare la început). Costul variabil depinde de modelul folosit și numărul de tokeni procesați în solicitare și răspuns (Loo 2023) (de exemplu, modelul gpt-3.5-turbo este mai ieftin per 1000 de tokeni comparativ cu GPT-4).
Protejarea cheii: Tratați cheia API ca pe o parolă – nu o distribuiți public și nu o includeți în codul sursă vizibil public (de ex. pe GitHub). O bună practică este să stocați cheia în variabile de mediu sau fișiere de configurare ignorate de controlul versiunilor. Vom vedea mai jos cum s-o folosim în cod prin variabile de mediu.

După ce aveți cheia API, sunteți gata să integrați serviciul ChatGPT în aplicația voastră Python.

Exemplu de cod în Python pentru interacțiunea cu API-ul ChatGPT

Pentru a apela API-ul OpenAI din Python, putem folosi biblioteca oficială OpenAI pentru Python (disponibilă via pip). Pașii de bază sunt:

Instalarea bibliotecii OpenAI: În mediul vostru Python, instalați pachetul openai. De exemplu, rulând comanda: pip install openai. (Asigurați-vă că folosiți un mediu virtual sau includeți pachetul în proiectul vostru). Eventual, actualizați-l la ultima versiune: pip install –upgrade openai (Loo 2023).
Setarea cheii API în cod: Există două metode principale: fie setăm cheia ca variabilă globală pentru biblioteca OpenAI, fie folosim direct parametru. Cel mai simplu mod este:

import openai
openai.api_key = "CHEIA_VOASTRĂ_API"

În loc să hard-codați cheia, este recomandat să o încărcați dintr-o variabilă de mediu pentru a nu fi expusă. Exemplu:

import os, openai
openai.api_key = os.getenv("OPENAI_API_KEY")

unde OPENAI_API_KEY a fost setată în mediul de execuție (sau într-un fișier .env încărcat cu ajutorul bibliotecii python-dotenv).

Apelarea metodei de completare (ChatCompletion): OpenAI oferă diferite modele și endpoint-uri. Pentru un chatbot, vom folosi endpoint-ul de Chat Completion, care suportă modelele de conversație (cum ar fi GPT-3.5-Turbo sau GPT-4). O cerere minimă arată astfel:

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[
        {"role": "system", "content": "Ești un asistent de suport clienți politicos și util."},
        {"role": "user", "content": "Bună, am o problemă cu comanda mea."}
    ]
)
răspuns_text = response.choices[0].message.content
print(răspuns_text)

În exemplul de mai sus, am specificat modelul (gpt-3.5-turbo) și am furnizat o listă de mesaje:

Mesajul cu role: „system” setează contextul sau comportamentul asistentului (prompt de sistem). În cazul nostru, îl instruiește pe chatbot să aibă rolul unui asistent de suport clienți politicos. (Acest mesaj de sistem este opțional, dar util pentru a influența tonul și stilul răspunsurilor).
Mesajul cu role: „user” conține întrebarea sau cererea utilizatorului. Într-un flux de conversație real, la fiecare pas vom adăuga un nou mesaj de tip „user” (și eventual și răspunsurile anterioare de tip „assistant”).

Funcția ChatCompletion.create va returna un obiect care conține, între altele, lista de răspunsuri posibile. De obicei, luăm primul răspuns: response.choices[0].message.content conține textul răspunsului generat de model (Codecademy 2025). În exemplul de mai sus, response_text va conține efectiv mesajul de la asistent (de exemplu, un mesaj de scuze și asistență privind comanda).

Înainte de a continua, câteva explicații importante despre parametri și structură:

Cheia API: Am setat api_key direct în cod (sau prin mediu). Alternativ, puteam trimite cheia în header-ul HTTP al cererii ca Authorization: Bearer <API_KEY> (Codecademy 2025) dacă am fi folosit biblioteca requests. Biblioteca oficială OpenAI însă ne scutește de gestionarea manuală a headerelor, atâta timp cât openai.api_key este setată corect.
Modelul: Parametrul model specifică ce model AI folosim. Pentru ChatGPT, opțiunile comune sunt „gpt-3.5-turbo” sau „gpt-4” (dacă aveți acces la GPT-4). Asigurați-vă că modelul ales este disponibil pentru cheia voastră și că țineți cont de costul fiecăruia.
Mesajele (messages): Reprezintă istoricul conversației trimise modelului. API-ul ChatGPT așteaptă o listă de obiecte JSON, fiecare având role (rolul în conversație) și content (conținutul mesajului) (Loo 2023). Rolurile posibile sunt:
- „system” – folosit de dezvoltator pentru a fixa contextul conversației sau personalitatea asistentului (de exemplu, „Ești un asistent care ajută clienții cu comenzile online”).
- „user” – un mesaj care provine de la utilizator (cererea sau întrebarea efectivă).
- „assistant” – un mesaj care provine de la asistent (răspunsurile modelului). Când trimiteți o nouă cerere, puteți include ultimul răspuns al modelului ca parte din istoricul mesajelor (vezi secțiunea despre păstrarea contextului).

Ordinea mesajelor contează: modelul va vedea această listă în ordine și va genera continuarea conversației. La prima interacțiune, de obicei trimitem un singur mesaj de tip „user” (eventual precedat de un „system”). Pentru dialog continuu, vom trimite la fiecare apel tot istoricul: de exemplu, messages=[{„role”:”system”,”content”:”…”}, {„role”:”user”,”content”:”întrebarea1″}, {„role”:”assistant”,”content”:”răspunsul1″}, {„role”:”user”,”content”:”întrebarea2″}] și modelul va genera răspunsul 2 ca și cum ar continua discuția.

Alți parametri opționali: Se pot specifica max_tokens (limita de tokeni din răspuns, dacă dorim), temperature (creativitatea/randomizarea răspunsului, de obicei 0.7 implicit), n (numărul de variante de răspuns generate), stop (șiruri de oprire) etc., însă pentru început, modelul și mesajele sunt suficiente. ChatGPT are implicit un comportament destul de conversațional cu setările default.
Tratarea erorilor: Este recomandat să includeți blocuri de tip try/except în jurul apelurilor API, pentru a prinde eventuale erori (de rețea, de autentificare – de ex. dacă cheia e invalidă, sau erori legate de depășirea contextului de tokeni). În caz de eroare, backend-ul poate returna un mesaj de eroare prietenos către utilizator (ex: “Ne pare rău, a apărut o eroare. Vă rugăm să încercați din nou.”).

După cum vedem, cu doar câteva linii de cod putem obține un răspuns de la ChatGPT (Codecademy 2025). Următorul pas este să integrăm acest apel într-o aplicație web, astfel încât utilizatorii finali să poată interacționa cu chatbot-ul printr-o pagină web.

Integrarea frontend-backend pentru trimiterea mesajelor și primirea răspunsurilor

Pentru a oferi o interfață utilizatorului, vom crea o pagină web simplă (HTML/CSS/JS) care comunică cu backend-ul nostru Python. Iată cum putem proceda pas cu pas:

Backend – definirea endpoint-ului de chat: În aplicația Python (Flask sau FastAPI) vom avea un endpoint (o rută) la care frontend-ul va trimite mesajele utilizatorului. De exemplu, un endpoint /chat care acceptă cereri POST conținând mesajul. Când serverul primește o astfel de cerere, va apela funcția OpenAI de completare (ca mai sus) și va întoarce rezultatul. Logic, codul ar arăta așa în Flask:

from flask import Flask, request, jsonify
import openai, os

app = Flask(__name__)
openai.api_key = os.getenv("OPENAI_API_KEY")  # cheia API din mediu

@app.route("/chat", methods=["POST"])
def chat():
    data = request.get_json()  # presupunem că mesajul vine ca JSON în corpul cererii
    user_message = data.get("message", "")
    if not user_message:
        return jsonify({"error": "Mesaj gol"}), 400
    # Apel către OpenAI cu mesajul primit
    try:
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=[
                {"role": "system", "content": "You are a helpful customer support assistant."},
                {"role": "user", "content": user_message}
            ]
        )
        answer = response.choices[0].message.content
        return jsonify({"response": answer})
    except Exception as e:
        return jsonify({"error": str(e)}), 500

Explicație: endpoint-ul /chat primește o cerere POST cu un JSON ce conține cheia „message” (textul întrebării). Folosim openai.ChatCompletion.create exact ca în exemplul anterior (posibil fără a include întotdeauna promptul de sistem – acesta poate fi și fixat o dată la început). Rezultatul este trimis înapoi sub formă de JSON, cu cheia „response” ce conține răspunsul text al modelului (GeeksforGeeks 2025). În caz de eroare, returnăm un cod HTTP 500 și detalii (în practică am putea ascunde detaliile și doar indica o eroare generică).

Pentru FastAPI, codul ar fi similar, definind o funcție asociată rutei /chat și folosind pydantic pentru validarea input-ului. De exemplu, folosind FastAPI am putea scrie:

from fastapi import FastAPI
from pydantic import BaseModel
import openai, os

app = FastAPI()
openai.api_key = os.getenv("OPENAI_API_KEY")

class Message(BaseModel):
    message: str

@app.post("/chat")
async def chat_endpoint(msg: Message):
    user_message = msg.message
    try:
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": user_message}]
        )
        answer = response.choices[0].message.content
        return {"response": answer}
    except Exception as e:
        return {"error": str(e)}

Frontend – trimiterea cererii către backend: Partea de HTML/JS va trebui să trimită mesajul utilizatorului la endpoint-ul de mai sus și să afișeze răspunsul primit. Există două abordări posibile:
Trimitere prin formular și actualizare pagină server-side: Aceasta este o abordare simplă, în care pagina HTML conține un formular (cu un câmp de text pentru mesaj și un buton „Trimite”). Când utilizatorul apasă butonul, formularul face submit către server (către ruta /chat), iar serverul poate fie să redirecționeze înapoi către aceeași pagină cu răspunsul inclus (de exemplu, să renderizeze un template cu întrebarea și răspunsul). Aceasta este metoda tradițională, dar implică reîncărcarea paginii la fiecare întrebare. Exemplu minimal de cod (Flask) pentru această abordare a fost prezentat într-un tutorial HomeGPT (Dan 2024): cererea POST preia prompt din request.form, obține response = client.chat.completions.create(…) și apoi redă template-ul HTML cu variabilele prompt și response populate. Acest model simplu funcționează, dar nu oferă o experiență fluidă (fiecare întrebare reîncarcă pagina).
Trimitere prin AJAX (XHR/fetch) și actualizare dinamică: O abordare mai modernă este ca pagina web să trimită cererea asincron, folosind JavaScript (de exemplu fetch API sau un utilitar precum jQuery AJAX), și să actualizeze DOM-ul fără o reîncărcare completă a paginii. Acest lucru oferă o experiență de chat mai fluidă, similară aplicațiilor de mesagerie.

Să detaliem varianta cu AJAX, deoarece oferă un feeling mai interactiv:

Pagina HTML va conține elemente pentru chat: un câmp de introducere a textului (input sau textarea) unde utilizatorul scrie întrebarea, un buton de trimitere (sau eveniment la apăsarea Enter) și o zonă unde apar mesajele conversației (mesajele utilizatorului și ale botului).
Un script JavaScript (posibil chiar la finalul paginii sau fișier separat) se ocupă de evenimentul de submit. De exemplu, ascultă evenimentul de click pe buton sau submit al formularului, previne acțiunea implicită și în loc de a face un submit normal, colectează textul introdus și îl trimite cu fetch către backend:

document.getElementById("sendBtn").onclick = async function() {
    const userMsg = document.getElementById("mesaj").value;
    if (!userMsg) return;
    // adaugă mesajul utilizatorului în fereastra de chat (optimist)
    adaugaMesajUtilizator(userMsg);
    document.getElementById("mesaj").value = "";  // golește inputul
    try {
        let response = await fetch("/chat", {
            method: "POST",
            headers: {"Content-Type": "application/json"},
            body: JSON.stringify({message: userMsg})
        });
        if (response.ok) {
            let data = await response.json();
            if (data.response) {
                adaugaMesajBot(data.response);
            } else if (data.error) {
                adaugaMesajBot("[Eroare]: " + data.error);
            }
        } else {
            adaugaMesajBot("[Eroare]: " + response.statusText);
        }
    } catch(err) {
        adaugaMesajBot("[Eroare de rețea]");
    }
}

În codul de mai sus, adaugaMesajUtilizator și adaugaMesajBot reprezintă funcții ce creează elemente noi în pagina HTML (de exemplu, adaugă un <p> cu textul, eventual stilizat diferit pentru utilizator vs. bot). Am inclus un optimistic update: afișăm imediat mesajul utilizatorului în chat și golim căsuța de input, apoi așteptăm răspunsul serverului. Când răspunsul vine (în câmpul data.response al JSON-ului), îl afișăm ca mesaj al botului. În caz de eroare, afișăm un mesaj de eroare.

O implementare similară folosind jQuery este prezentată de (GeeksforGeeks 2025). În exemplul lor, ei:

– Capturează evenimentul de submit al formularului, previn submit-ul normal (GeeksforGeeks 2025).

– Trimit cererea folosind $.ajax către „/” (ruta serverului, în cazul lor route-ul „/” acceptă POST și procesează promptul) (GeeksforGeeks 2025).

– La succes, inserează răspunsul (din data.response) în zona de chat, alături de mesajul utilizatorului deja inserat anterior.

Indiferent de metoda folosită (fetch sau AJAX), ideea centrală este că front-end-ul va comunica cu back-end-ul printr-un API REST simplu.

Afișarea și formatul mesajelor: Pentru a face conversația ușor de urmărit, putem stiliza mesajele utilizatorului și ale asistentului diferit (ex: aliniere la dreapta pentru utilizator și la stânga pentru bot, culori de fundal diferite, un mic avatar/icon etc.). De exemplu, în snippet-ul GfG se vede că au folosit pictograme (o iconiță de persoană pentru user și una de robot pentru bot) și culori verde vs. roșu (GeeksforGeeks 2025). Aceste detalii de UI se implementează în HTML/CSS – de exemplu, se pot folosi două clase CSS .message.user și .message.bot cu stiluri distincte.
Răspunsul serverului – format HTML vs JSON: Dacă dorim, putem face ca serverul să întoarcă direct HTML (fragment de cod pregătit) pe care front-end-ul să-l insereze. Dar o practică mai curată este să trimitem JSON (doar datele) și să lăsăm front-end-ul să insereze datele în DOM. În exemplul de mai sus, serverul returnează { „response”: „Textul răspunsului generat” }. Acest format este ușor de prelucrat în JavaScript.
Testarea locală: Puteți rula aplicația Flask (ex: cu flask run sau python app.py) sau aplicația FastAPI (uvicorn) local, apoi deschideți în browser pagina HTML (asigurându-vă că ruta este corectă, ex: http://localhost:5000/). Introduceți un mesaj și verificați că primiți răspuns de la chatbot. În modul debug, puteți vedea în consola serverului eventualele erori sau mesaje de print (inclusiv promptul trimis și răspunsul primit, dacă le afișați pentru debugging).

Figura 2: Flux de mesaje. Evidențiază invocarea API-ului cu context și răspunsul generat.

Utilizarea framework-urilor potrivite (Flask sau FastAPI pentru backend; HTML/CSS/JS pentru frontend)

Backend (Flask vs FastAPI): Atât Flask cât și FastAPI sunt opțiuni excelente pentru a implementa un serviciu web în Python:

Flask este un micro-framework foarte ușor de folosit, potrivit pentru aplicații simple. Are o sintaxă minimalistă: definim rute cu decoratori (@app.route) și returnăm răspunsuri direct (string, dict ce devine JSON cu jsonify, sau render template). Flask nu vine cu prea multe de la sine, dar are extensii pentru aproape orice (de exemplu, flask-cors dacă vrem să permitem cereri cross-domain, flask-socketio pentru WebSocket etc.). În contextul nostru, Flask este suficient pentru a monta rapid un API REST. Exemplul anterior cu @app.route(‘/chat’) este bazat pe Flask.
FastAPI este un framework modern, foarte performant (bazat pe ASGI/uvicorn, asyncio) și cu suport integrat pentru documentație OpenAPI. Un avantaj major este că, folosind tipuri Python și Pydantic, FastAPI generează automat un UI de documentație (Swagger) unde puteți testa API-urile vizual. FastAPI necesită un pic de atenție la definirea schema-urilor de date (folosind BaseModel pentru input/output), dar pentru un endpoint simplu cum e /chat puteți trata inputul ca pe un dict simplu. FastAPI arată puțin diferit – folosește un obiect app = FastAPI() și decoratori ca @app.post(„/chat”). Un exemplu de integrare ChatGPT cu FastAPI este oferit și pe Medium (Reddy 2023), subliniind că putem crea rapid endpoint-uri REST și să utilizăm puterea ChatGPT.

Alegerea framework-ului ține de preferințe și cerințe: dacă aveți nevoie de autentificare, de mai multe rute, de performanță și documentație automată, FastAPI e de dorit. Dacă doriți ceva extrem de rapid de scris și cu concept simplu, Flask e suficient. În ceea ce privește funcționalitatea de bază (a face cereri la OpenAI și a returna răspunsul), ambele se descurcă la fel de bine. Indiferent de framework, asigurați-vă că respectați bunele practici:

Nu blocați thread-ul principal: în FastAPI, apelați OpenAI API folosind fie funcții async (dacă biblioteca openai oferă, altfel folosiți executori). În Flask, puteți apela sincron, dar fiți atenți la scalare (Flask, rulând pe un singur thread în modul built-in debug, va procesa cereri secvențial; pentru producție folosiți un server WSGI adevărat, ex: gunicorn).
Setați corespunzător CORS (Cross-Origin Resource Sharing) dacă frontend-ul este servit de pe un alt domeniu/port decît backend-ul. De exemplu, dacă testați local front-end pe file:// sau pe un alt port, va fi nevoie să permiteți CORS pe ruta /chat pentru ca browserul să nu blocheze cererea.

Frontend (HTML/CSS/JS): Nu este nevoie de un framework frontend complex (precum React sau Angular) pentru un astfel de proiect simplu, deși le-ați putea folosi dacă doriți o integrare mai sofisticată. O pagină HTML statică, cu puțin JavaScript, este suficientă:

Scrieți HTML semantic pentru structura paginii (un container pentru chat, un formular pentru input).
Folosiți CSS (sau un framework CSS precum Bootstrap) pentru design responsiv și plăcut. Bootstrap, de exemplu, oferă componente predefinite pentru cards, buttons, forms, care vă pot ajuta să creați rapid o interfață aspectuoasă.
JavaScript-ul poate fi vanilla (ES6+), sau puteți folosi o librărie mică (jQuery) pentru a simplifica AJAX și manipularea DOM. În exemplul anterior am arătat cod cu fetch, dar GfG a folosit jQuery – ambele sunt ok. Dacă sunteți mai confortabili cu fetch/promises, continuați cu acestea.

Servirea front-end-ului: Puteți servi fișierul HTML direct din Flask/FastAPI:

În Flask, creați un template html și returnați render_template(„index.html”) la cereri GET pe rădăcină (/). Fișierele statice (CSS, JS separat dacă aveți) pot fi puse în folderul static/.
În FastAPI, puteți fie să folosiți Jinja2Templates pentru a reda HTML, fie pur și simplu să aveți un fișier static. De exemplu, pentru simplitate, ați putea servi cu Starlette StaticFiles tot ce e în directorul frontend/ al proiectului.

În concluzie, stiva minimă este: HTML+CSS+JS pentru interfață și Flask/FastAPI (Python) pentru logică + apelul ChatGPT. Vă puteți concentra pe funcționalitate mai mult decât pe aspect; odată ce totul merge, ajustați interfața (adăugați un logo, culori brand, etc., dacă e un chatbot de firmă de exemplu).

Recomandări pentru optimizarea experienței utilizatorului

Pentru ca utilizatorii finali să aibă o experiență cât mai plăcută cu chatbot-ul, luați în considerare următoarele aspecte:

Păstrarea contextului conversației (salvarea sesiunilor): Un chatbot de suport clienți e mult mai util dacă poate purta un dialog contextual, nu doar întrebări individuale. API-ul ChatGPT nu păstrează automat contextul între cereri, dar puteți implementa acest lucru la nivelul aplicației. Soluția este să stocați istoricul mesajelor într-o sesiune asociată utilizatorului și să îl retransmiteți la fiecare apel. De exemplu, puteți folosi un dicționar Python în backend care să mapeze un ID de sesiune la lista de mesaje. ID-ul de sesiune poate fi un cookie de sesiune (dacă aveți un sistem de autentificare sau puteți genera un random UUID la prima cerere și îl trimiteți ca cookie). În Flask, puteți folosi chiar obiectul session (care stochează date într-un cookie semnat) pentru a salva istoricul conversației simplu, atâta timp cât volumul de date nu e foarte mare. O altă opțiune este stocarea pe client (de exemplu, în localStorage) a ultimelor N mesaje și trimiterea lor împreună cu fiecare cerere. Totuși, a stoca istoricul în browser poate expune date potențial sensibile, așa că server-side e mai sigur.
- Implementare exemplificativă: la fiecare POST la /chat, în loc să construiți messages=[…] de la zero, încărcați istoricul din sesiune, adăugați noul mesaj al utilizatorului (role „user”) la listă, trimiteți toată lista către OpenAI și apoi adăugați și răspunsul primit (role „assistant”) în lista din sesiune. Astfel, la următoarea întrebare a aceluiași utilizator, modelul va vedea și întrebările/răspunsurile anterioare și va răspunde contextual corect.
- Limitarea istoricului: rețineți că modelele au o limită de tokeni (context window), așa că nu puteți crește conversația la nesfârșit. O abordare simplă este să țineți doar ultimele câteva interacțiuni (de exemplu, ultimele 10 mesaje din fiecare parte) sau să rezumați din când în când istoricul mai vechi, dacă e cazul.
- Persistența pe termen lung: dacă doriți ca utilizatorii să revină mai târziu și să-și vadă vechile conversații, atunci trebuie stocat istoricul într-o bază de date (asociat eventual cu un cont de utilizator sau un identificator unic). Pentru un prototip însă, acest lucru poate fi exagerat – de obicei sesiunile expiră după un timp și conversația se resetează.
Indicații de “typing” și feedback vizual: În interacțiunile umane, când cineva tastează un răspuns, știm că urmează să primim răspunsul. Pentru a reduce anxietatea utilizatorului în timpul în care așteaptă un răspuns de la API (care poate dura câteva secunde), puteți adăuga un indicator de tip „Assistant is typing…” sau un mic animație de încărcare (spinner). Acesta poate fi afișat imediat după trimiterea cererii și ascuns când primiți răspunsul. De exemplu, adăugați un element <div id=”loading” style=”display:none”>Botul scrie răspunsul…</div> și în JS, înainte de fetch, faceți style.display = ‘block’;, iar după ce vine răspunsul sau în caz de eroare, loading.style.display = ‘none’;.
Timeout și tratarea întârzierilor: Uneori, apelul către OpenAI poate dura prea mult sau chiar să se blocheze din motive de rețea. Este bine să setați un timeout. Dacă folosiți biblioteca openai, puteți specifica parametrii request_timeout sau timeout în apel (verificați documentația actualizată – la un moment dat puteai face ChatCompletion.create(…, timeout=15) pentru 15 secunde). Dacă folosiți requests.post, puteți folosi requests.post(url, headers=headers, json=payload, timeout=15) (Codecademy 2025). Astfel, nu veți ține utilizatorul în așteptare mai mult de un anumit interval. Dacă timpul expiră, puteți retrimite cererea sau informa utilizatorul că sistemul e ocupat și să încerce din nou.
Gestionarea erorilor și a scenariilor-limită: Asigurați-vă că acoperiți situațiile în care modelul ar putea eșua sau da un răspuns neadecvat:
- Dacă API-ul returnează eroare (cod HTTP >= 400), afișați un mesaj prietenos („Ne pare rău, nu putem răspunde în acest moment. Încercați mai târziu.”). Poate logați eroarea pe server pentru debugging.
- Dacă răspunsul modelului este gol sau nonsens, puteți decide să afișați un fallback („Nu am reușit să înțeleg întrebarea. Reformulați, vă rog.”) sau să trimiteți din nou promptul cu o ajustare.
- Filtrarea conținutului: Pentru un chatbot public, trebuie să vă gândiți la filtrarea conținutului nepotrivit (profan, ofensator). OpenAI are un filtru de conținut integrat pentru modelele sale, dar nu este infailibil. Puteți adăuga propriile verificări pe mesajele utilizatorilor (de ex. să nu permită anumite injurii) și pe răspunsuri (dacă modelul totuși întoarce ceva nepotrivit, să îl cenzurați).
Optimizarea costurilor și performanței: Fiecare întrebare către model costă timp și bani. Pentru a optimiza:
- Puteți limita lungimea răspunsului (folosind max_tokens) atunci când știți că nu este necesar un răspuns foarte lung. De exemplu, la întrebări scurte de tip fact sau status comanda, nu e nevoie de eseuri.
- Puteți scala modelul în funcție de nevoie: GPT-3.5-turbo este de obicei suficient pentru suport clienți general. Folosiți GPT-4 doar dacă e necesară calitatea superioară și acceptați costul și latența mai mari.
- Cache la nivel de aplicație: Dacă observați întrebări repetate frecvent de către utilizatori diferiți (ex: „Care e programul de lucru?”), puteți implementa o memorie cache simplă (un dict in-memory sau un serviciu gen Redis) care să păstreze întrebarea -> răspunsul. Astfel, la întrebări identice, puteți servi instant din cache răspunsul, fără să mai apelați API-ul (economisind timp și cost) (Codecademy 2025). Atenție la cache însă: trebuie invalidat dacă informația devine învechită sau dacă răspunsurile trebuie personalizate per utilizator (în general pentru întrebări generice merge).
- Mulți utilizatori simultan: Dacă prevedeți trafic mare, asigurați-vă că implementați limitare de rată (rate limiting) – atât pentru a nu depăși limitele API OpenAI, cât și pentru a preveni abuzul (ex: un user care trimite zeci de întrebări pe minut). De asemenea, pregătiți-vă infrastructura de backend să scaleze orizontal dacă e cazul (de ex., puteți rula mai multe procese/containere ale aplicației, și folosi un sistem de stat centralizat pentru sesiuni dacă e nevoie).
- Streaming răspuns: OpenAI API suportă streaming – adică puteți primi porțiuni din răspuns pe măsură ce sunt generate (asemănător cum vedeți în UI-ul ChatGPT că apar treptat cuvintele). Implementarea streaming-ului implică folosirea de Server-Sent Events (SSE) sau WebSocket-uri către client. E mai complex, dar dacă doriți un efect de „typing” real pentru bot, merită explorat. Altfel, un compromis este indicatorul de încărcare menționat mai sus.

Rezumând, accentul trebuie pus pe responsivitate și fiabilitate: utilizatorul ar trebui să obțină răspunsuri relativ rapid, conversația să curgă natural (context menținut) și aplicația să fie robustă la probleme. Testați cu diverse întrebări (inclusiv întrebări greșite sau off-topic) ca să vedeți cum se comportă chatbot-ul, și ajustați promptul de sistem dacă e cazul pentru a-i modela comportamentul (de exemplu, instruiți-l să fie concis sau să ceară clarificări dacă întrebarea e neclară).

Referințe utile

Documentația oficială OpenAI API – Chat Completions: Ghidul oficial pentru utilizarea API-ului de completare în regim chat (ChatGPT) al OpenAI, incluzând exemple de solicitări și parametri. Disponibil pe platforma OpenAI la secțiunea API Reference. (Codecademy 2025)
OpenAI API Quickstart (Python) – Tutorial OpenAI: Un exemplu pas-cu-pas oferit de OpenAI pentru a construi o mică aplicație web care folosește Flask și OpenAI API (un “pet name generator”). Codul sursă este pe GitHub și demonstrează bune practici de structurare a proiectului. (Căutați repository-ul openai-quickstart-python pe GitHub) (Dan 2024).
Biblioteca OpenAI Python – openai/openai-python: Pachetul oficial Python pentru OpenAI (disponibil pe PyPI și GitHub). Conține documentație despre funcțiile disponibile (ex: ChatCompletion.create) și modul de instalare.
Documentația Flask: Pagina oficială Flask (în special secțiunea Quickstart) oferă informații despre definirea de rute, folosirea template-urilor și deployment. Este utilă pentru a înțelege cum să structurezi o aplicație web Python minimalistă.
Documentația FastAPI: Site-ul oficial FastAPI conține tutoriale despre crearea de API-uri, definirea de modele Pydantic și modul de rulare. Include și ghid pentru deployment (Uvicorn/Gunicorn) și despre generarea automată a documentației interactive (OpenAPI/Swagger UI).
Tutoriale și articole suplimentare:
- Articolul Implement ChatGPT in a Flask Application – GeeksforGeeks (apr. 2025) descrie construirea unei aplicații Flask cu ChatGPT, incluzând cod de front-end și back-end (GeeksforGeeks 2025).
- Postarea How to Set Up the OpenAI API with Python and Flask – Dev.to (2024) oferă un exemplu concret de aplicație Flask simplă integrată cu ChatGPT, folosind un prompt de sistem creativ și formular web (Dan 2024).
- Beginner’s Guide to FastAPI & OpenAI ChatGPT API Integration – (2023, Medium) pentru cei interesați de implementarea echivalentă cu FastAPI, cu accent pe crearea de endpoint-uri RESTful și folosirea Swagger UI (Reddy 2023).
- OpenAI Community & FAQ: Secțiunea de întrebări frecvente a OpenAI și forumul developerilor pot fi utile pentru probleme tehnice specifice (ex: erori de depășire context, rate-limits, bune practici de prompt design).

Acest ghid ar trebui să vă ofere o bază solidă pentru a dezvolta un chatbot de customer service cu ChatGPT. Urmând pașii de mai sus și consultând resursele indicate, veți putea construi și lansa rapid un prototip funcțional. Succes în implementare și nu uitați să testați riguros chatbot-ul, astfel încât să ofere răspunsuri corecte și să îmbunătățească cu adevărat experiența utilizatorilor voștri! (Loo 2023) (GeeksforGeeks 2025)

Bibliografie

Codecademy. 2025. „How to Create and Use an OpenAI ChatGPT API Key”. Codecademy. 2025. https://www.codecademy.com/article/creating-an-openai-api-key.
Dan. 2024. „How to Set Up the OpenAI API with Python and Flask”. DEV Community. 28 februarie 2024. https://dev.to/dcs-ink/how-to-set-up-the-openai-api-with-python-and-flask-2120.
GeeksforGeeks. 2025. „Implement ChatGPT in a Flask Application”. GeeksforGeeks. 2025. https://www.geeksforgeeks.org/python/implement-chatgpt-in-a-flask-application/.
Loo, Josephine. 2023. „The Beginner’s Guide to Using ChatGPT API in Python (4 Code Examples)”. 20 decembrie 2023. https://www.roborabbit.com/blog/using-chatgpt-api-in-python-5-examples/.
Reddy, Yashwanth. 2023. „Beginner’s Guide to FastAPI & OpenAI ChatGPT API Integration”. Medium (blog). 28 august 2023. https://medium.com/@reddyyashu20/beginners-guide-to-fastapi-openai-chatgpt-api-integration-50a0c3b8571e.

Articol cu Acces Deschis (Open Access) distribuit în conformitate cu termenii licenței de atribuire Creative Commons CC BY SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/).

27 iun. 2025

Rețeaua de Acces Radio (RAN) în contextul tehnologiei 5G

de Nicolae Sfetcu | postat în: Arhiva, Numărul 3, Telecomunicații, Volumul 4 | 0

Sfetcu, Nicolae (2025), Rețeaua de Acces Radio (RAN) în contextul tehnologiei 5G, IT & C, 4:3, 33-50, DOI: 10.58679/IT54871, https://www.internetmobile.ro/reteaua-de-acces-radio-ran-in-contextul-tehnologiei-5g/

Radio Access Network (RAN) in the Context of 5G Technology

Abstract

The Radio Access Network (RAN) is the essential component of any mobile network, providing the radio link between the user equipment (UE) and the core network. In parallel with the virtualization trend, the Open RAN movement has emerged, aiming at opening RAN interfaces and multi-vendor interoperability. 5G and future (6G) networks will increasingly merge the cloud with radio, with operators adopting hybrid models in which part of the RAN is virtualized and open, initially coexisting with traditional equipment.

Keywords: Radio Access Network, RAN, mobile networks, Open RAN, 5G, 5G architecture, New Radio

Rezumat

Rețeaua de Acces Radio (RAN) reprezintă componenta esențială a oricărei rețele mobile, asigurând legătura radio dintre echipamentele utilizatorilor (UE) și rețeaua de bază (core). În paralel cu tendința de virtualizare, a apărut și mișcarea Open RAN, care vizează deschiderea interfețelor RAN și interoperabilitatea multi-vendor. Rețelele 5G și viitoare (6G) vor îmbina tot mai mult cloud-ul cu radio-ul, operatorii adoptând modele hibride în care o parte a RAN-ului este virtualizată și deschisă, conviețuind inițial cu echipamente tradiționale.

Cuvinte cheie: Rețeaua de Acces Radio, RAN, rețele mobile, Open RAN, 5G, arhitectura 5G, Noul Radio

IT & C, Volumul 4, Numărul 3, Septembrie 2025, pp. 33-50
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT54871
URL: https://www.internetmobile.ro/reteaua-de-acces-radio-ran-in-contextul-tehnologiei-5g/
© 2025 Nicolae SFETCU. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

Rețeaua de Acces Radio (RAN) în contextul tehnologiei 5G

Nicolae SFETCU[1]
nicolae@sfetcu.com

[1] Cercetător – Academia Română (Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST) , Divizia de Istoria Științei (DIS)), ORCID: 0000-0002-0162-9973

Introducere

Orchestrarea de management și rețea (Management and Network Orchestration, MANO) a fost integrată cu zoom-in-ul NFV. Acest lucru se datorează faptului că funcțiile utilizate sunt acoperite complet în zoom-in-ul NFV. (ENISA 2019) (Sfetcu 2022)

Noul radio (New Radio, NR) 5G este standardul interfeței fără fir (wireless) 5G. 5G New Radio este setat să furnizeze servicii mobile de bandă largă mai rapide și mai receptive și să extindă tehnologia mobilă pentru a se conecta și a sprijini o multitudine de industrii noi.

Rețeaua de Acces Radio (RAN) reprezintă componenta esențială a oricărei rețele mobile, asigurând legătura radio dintre echipamentele utilizatorilor (UE) și rețeaua de bază (core). Importanța RAN este reflectată și economic – se estimează că circa 70% din costurile totale ale unei rețele mobile provin din segmentul RAN (Intel 2025). Odată cu introducerea tehnologiei 5G, arhitectura RAN a suferit transformări majore pentru a răspunde cerințelor sporite de viteză, capacitate și latență scăzută ale noii generații de comunicații. Acest eseu oferă o prezentare generală a conceptului de RAN și a rolului său în arhitectura 5G, descrie elementele cheie ale rețelei 5G RAN, explică tranziția de la RAN-ul tradițional la forme moderne precum RAN virtualizat (vRAN) și RAN deschis (Open RAN, O-RAN) și analizează implicațiile acestor evoluții asupra performanței, costurilor și interoperabilității rețelelor mobile. Lucrarea se bazează pe standarde oficiale (precum specificațiile 3GPP), pe literatură academică și pe surse industriale actuale din perioada 2020–2025, pentru a oferi o perspectivă actualizată și academică asupra subiectului.

RAN și rolul său în arhitectura 5G

În termeni generali, RAN reprezintă ansamblul de stații de bază și legături radio care permit dispozitivelor mobile să acceseze serviciile rețelei. În arhitectura 5G, denumită și NG-RAN (Next Generation RAN), principala entitate este stația de bază de generație nouă gNB (gNodeB) (3GPP 2022). gNB-ul asigură interfața radio denumită „NR-Uu” către utilizatori și se conectează la nucleul 5G (5GC) prin intermediul interfețelor standardizate către rețea (cum ar fi N2/N3, reunite conceptual sub denumirea de punct de referință „NG”) (3GPP 2022). Din perspectiva funcțională, RAN înglobează toate straturile protocolare radio – de la stratul fizic (L1) și stratul legătură de date (L2, incluzând sub-straturi precum MAC, RLC, PDCP) până la stratul de control radio (L3, cu protocolul RRC) – permițând gestionarea resurselor radio, transmiterea datelor utilizatorilor și menținerea conexiunilor cu dispozitivele mobile.

Arhitectura RAN în 5G

Zoom-in arhitectura RAN. Sursa (3GPP 2020c)

Arhitectura de bază descrisă de 5G-PPP care face trimitere la specificațiile 3GPP Release 16 pe NG-RAN identifică drept o inovație principală divizarea interfeței F1 în unitate centralizată (Centralized Unit, CU) și unitate distribuită (Distributed Unit, DU), cu un protocol de adaptare a datelor de serviciu (Service Data Adaptation Protocol, SDAP) . Arhitectura SDAP include un protocol de conversie a pachetelor de date (Packet Data Conversion Protocol, PDCP) situat în CU și un control de legătură prin radio aerian (Air Radio Link Control, ARLC) situat în DU. Versiunea 16 adaugă acces integrat și backhaul (integrated access and backhaul, IAB) la setul de instrumente 5G. IAB permite stațiilor de bază să ofere atât acces wireless pentru dispozitive, cât și conectivitate wireless pentru rețeaua de alimentare (backhaul), care poate înlocui temporar sau permanent cablurile backhaul. (ENISA 2019) (Sfetcu 2022)

Un alt aspect cheie al NG-RAN este capacitatea de a oferi acoperire cu celule mici mai multor operatori „ca serviciu” în arhitectura pe două niveluri. Aceste niveluri sunt în sprijinul cazurilor de utilizare 5G menționate anterior, care oferă servicii de latență scăzută și putere mare de procesare. Structura arhitecturii rețelei de acces radio (Radio Access Network, RAN) este prezentată în figură (3GPP 2020c).

Spre deosebire de generațiile anterioare, arhitectura RAN în 5G este proiectată cu o mai mare flexibilitate. Specificațiile 3GPP permit divizarea funcțională a gNB în două unități logice: o Unitate Centrală (CU) și una sau mai multe Unități Distribuite (DU), interconectate prin interfața standardizată F1 (3GPP 2022). Această împărțire modulară constituie baza noii arhitecturi. gNB-CU gestionează funcțiile de nivel înalt (nivel 3, de control), în timp ce gNB-DU se ocupă de procesarea de nivel fizic și nivel 2 (funcții de bază de bandă radio). Cu alte cuvinte, DU acoperă funcții critice în timp real precum codare/decodare, programare radio (scheduling), procesare MIMO și beamforming, luând decizii la nivel de sub-milisecundă privind alocarea resurselor radio în celulă (Köpsell et al. 2022). Pe de altă parte, CU – un nod nou introdus în 5G, absent ca entitate separată în 4G – realizează funcțiile de nivel 3, incluzând controlul conexiunilor și mobilității terminalelor (Köpsell et al. 2022). CU este de obicei divizată intern în plan de control (CU-CP) și plan de utilizator (CU-UP), comunicând între ele prin interfața E1 (Köpsell et al. 2022). CU-CP și CU-UP se conectează la DU prin interfețele F1-C și F1-U (control, respectiv utilizator) (Köpsell et al. 2022). De asemenea, unitatea centrală face legătura cu rețeaua de bază 5G: CU-CP se conectează la funcția de control al accesului și mobilității (AMF) prin interfața NG-C, iar CU-UP se conectează la funcția de plan de utilizator (UPF) prin NG-U (Köpsell et al. 2022). Această separare a planurilor de control și utilizator – parte din paradigma CUPS (Control and User Plane Separation) – oferă flexibilitate sporită operatorilor, permițând dimensionarea independentă a capacității de semnalizare versus trafic de date, în funcție de necesități(Köpsell et al. 2022).

Un aspect important de menționat este că standardul 3GPP pentru 5G nu specifică în mod explicit o unitate radio separată (RRU sau Remote Radio Unit) și interfața dintre aceasta și DU. Implementarea interfeței dintre componentele de radiofrecvență și straturile fizice este lăsată la latitudinea furnizorilor (Köpsell et al. 2022). În practică, în RAN-urile tradiționale, stațiile de bază pot consta dintr-o unitate de bandă de bază (Baseband Unit, echivalentul DU) aflată la sol și module radio la nivelul antenelor (RRU) conectate prin legături proprietare de tip fronthaul (e.g. CPRI). Această abordare a dus însă la medii închise, proprietare, unde echipamentele radio și de bandă de bază de la un producător nu erau interoperabile cu cele ale altuia. În contextul 5G, împărțirea gNB în CU/DU, deși opțională, a deschis calea către inovații arhitecturale care adresează tocmai aceste limitări, după cum se va vedea în secțiunile următoare.

Elementele arhitecturii RAN

Element – Scurtă descriere (ENISA 2019) (Sfetcu 2022)

Echipament utilizator (User Equipment, UE) – Permite unui utilizator accesul la serviciile de rețea. Echipamentul utilizator este subdivizat în domeniul UICC și domeniul ME (Echipament mobil). Domeniul ME poate fi în continuare împărțit în una sau mai multe componente Mobile Termination (MT) și Terminal Equipment (TE) care arată conectivitatea între mai multe grupuri funcționale.
gNB – Următoarea generație Node/Base Station este un nod care furnizează terminări ale protocoalelor plan utilizator NR și plan control către UE și conectat prin interfața NG la 5GC.
Unitate distribuită gNB (gNB-DU) – GNB-DU este un nod logic care găzduiește straturile RLC, MAC și PHY ale gNB sau en-gNB, iar funcționarea sa este controlată parțial de gNB-CU. Un gNB-DU acceptă una sau mai multe celule. O celulă este acceptată de un singur gNB-DU. gNB-DU termină interfața F1 conectată cu gNB-CU.
Unitate centrală gNB (gNB-CU) – gNB-Central Unit (CU) este un nod logic care găzduiește protocoale RRC, SDAP și PDCP ale protocoalelor gNB sau RRC și PDCP ale en-gNB care controlează funcționarea unuia sau mai multor gNB-DU. GNB-CU termină interfața F1 conectată cu gNB-DU.
Xn – Xn este o interfață de rețea între nodurile NG-RAN; 3GPP TS 38.420 (3GPP 2020c) specifică principiile și aspectele generale ale interfeței Xn.
Interfața NG – GNB-urile sunt conectate prin intermediul interfețelor NG la 5G Core, mai precis la AMF (Access and Mobility Management Function) prin intermediul interfeței NG-C și la UPF (User Plane Function) prin intermediul interfeței NG- U.
NR Uu – Noua interfață aeriană unificată radio (New Radio Unified Air Interface, NR-Uu) este interfața radio dintre rețeaua mobilă și cea de acces radio.
Donator IAB – gNB care oferă acces de rețea la UE prin intermediul unei rețele backhaul și linkuri de acces (3GPP 2020c).
Nod IAB – Nod RAN care acceptă legături noi de acces radio către UE și legături backhaul New Radio către noduri părinte și noduri copil. Nodul IAB nu acceptă backhauling prin LTE.
Strat non-acces (Non Access Stratum, NAS) – NAS este un strat funcțional în stiva de protocol dintre UE și Core Network. Protocolul (NAS) pentru sistemul 5G (definit în 3GPP TS 24.501).
Strat de acces (Access Stratum, AS) – AS este un strat funcțional în stiva de protocol dintre UE și RAN responsabil pentru transportul datelor prin conexiunea fără fir și gestionarea resurselor radio.
F1 – Interfața F1 oferă mijloace pentru interconectarea unui gNB-CU și a unui gNB-DU al unui gNB într-un NG-RAN, sau pentru interconectarea unui gNB-CU și a unui gNB-DU al unui en-gNB într-un E-UTRAN. Facilitează funcționarea perfectă a unui gNB-CU și a unui gNB-DU furnizate de diferiți producători (3GPP 2020c).

Elemente de noutate

În timp ce o parte semnificativă a îmbunătățirilor versiunii 16 implică într-o anumită măsură 5G-RAN, următoarele îmbunătățiri aduse de versiunea 16 a specificației 3GPP sunt direct relevante pentru 5G-RAN (ENISA 2019) (Sfetcu 2022):

Acces integrat și backhaul (IAB)

Una dintre provocările majore 5G pentru operatorii care doresc să extindă acoperirea rețelei este costul implementării stațiilor de bază. Gama limitată de semnale mmWave pentru instalațiile de backhaul din fibră optică pentru a deservi aceste stații de bază poate face ca implementarea mmWave să fie costisitoare. Accesul integrat și backhaul (Integrated access and backhaul, IAB) abordează direct această problemă. Stațiile de bază IAB oferă atât acces wireless pentru dispozitive, cât și conectivitate wireless backhaul, eliminând astfel nevoia de backhauluri cablate. Operatorii pot recurge la aceste capacități pentru a accelera densificarea și a instala fibra pentru a crește capacitatea de backhaul într-un moment ulterior, pe măsură ce crește cererea.

Îmbunătățiri cu intrări multiple și ieșiri multiple (MIMO)

Îmbunătățirile cu intrări multiple și ieșiri multiple (Multiple-input and multiple-output, MIMO) cresc capacitatea unei legături radio utilizând antene de transmisie multiple și receptoare multiple. Îmbunătățirile multi-utilizator cu intrări multiple și ieșiri multiple (MU-MIMO) includ asistență pentru mai multe puncte de transmisie și recepție (multi-TRP) și gestionare îmbunătățită cu mai multe fascicule pentru o fiabilitate sporită a legăturilor. Îmbunătățirile vizează, de asemenea, reducerea raportului de vârf la medie și o acoperire îmbunătățită la marginea rețelei.

Procedură simplificată de acces aleatoriu

Versiunea 16 introduce o procedură simplificată de acces aleatoriu. Acest lucru reduce numărul de interacțiuni între UE și rețea în timpul configurării conexiunii și reluării conexiunii, permițând astfel o latență mai mică a planului de control. În cazul modului conectat, o cantitate mică de date poate fi trimisă prin procedura RACH în 2 pași, permițând astfel o latență mai mică pentru datele UL UP pentru UE-urile cu mod conectat.

Suport pentru rețea privată pentru NG-RAN

Al doilea proiect Versiunea 16 care vizează extinderea acoperirii 5G dincolo de rețelele mobile publice tradiționale implică un sprijin îmbunătățit în arhitectura sistemului pentru rețelele private. Rețelele private utilizează stații de bază dedicate care sunt gestionate independent, implementează controale de securitate și confidențialitate personalizate și oferă optimizări pentru aplicații locale, cum ar fi latența redusă sau controlul fluxului de date. Rețelele private vizează direct noi cazuri de utilizare, cum ar fi IoT industrial.

Economisire energie UE

Durata de viață a bateriei UE este un aspect important al experienței utilizatorului. Studiul economiei de energie Rel-16 UE a arătat un câștig substanțial de economisire a energiei în comparație cu caracteristicile considerate Rel-15 NR. Elementul de lucru al economisirii energiei UE în NR include tehnici de economisire a energiei, cum ar fi adaptarea DRX, programarea încrucișată și adaptarea maximă a stratului MIMO în starea CONECTAT, tranziția rapidă în afara stării CONECTATE și măsurătorile RRM (gestionarea resurselor radio) reduse în stare pasivă / inactive (3GPP 2020a).

Acces bazat pe NR la spectrul fără licență

Pentru a extinde acoperirea 5G, 3GPP a finalizat două proiecte în versiunea 16, care sunt cheie pentru noile cazuri de utilizare pe verticală. Una dintre ele este 5G NR-U, care permite 5G să funcționeze în spectru fără licență. Acesta definește două moduri de funcționare, NR-U ancorat care necesită o ancoră în spectru licențiat sau partajat și NR-U independent care utilizează doar spectru fără licență.

Rețea sensibilă la timp (TSN)

Ca parte a efortului pentru 5G de a sprijini noile cazuri de utilizare din Industria 4.0, cum ar fi automatizarea fabricii, 5G RAN Release 16 a adăugat suport pentru integrarea TSN care poate asigura livrarea în timp a pachetelor de date.

Geolocalizare de precizie

3GPP suportă caracteristicile serviciului de localizare, pentru a permite dezvoltarea de servicii noi și inovatoare bazate pe locație. Specificațiile 5G permit identificarea și raportarea locației curente a terminalului utilizatorului și punerea informațiilor la dispoziția utilizatorului, ME, operatorului de rețea, furnizorului de servicii, furnizorilor de servicii cu valoare adăugată și pentru operațiunile interne PLMN (3GPP 2020b). Îmbunătățirile în poziționarea de înaltă precizie aduse de 5G NR Release 16, îndeplinesc obiectivele de precizie de 3 metri în interior și 10 metri în aer liber.

Tranziția de la RAN tradițional la RAN virtual (vRAN)

RAN tradițional

Arhitectura RAN convențională, utilizată pe scară largă până la 4G, este caracterizată de implementări monolitice: stația de bază includea hardware și software specializat, adesea proprietar, instalat la fiecare sit celular. Fiecare celulă era deservită de o unitate de bandă de bază dedicată (cu procesoare de semnal specializate) și una sau mai multe unități radio (amplificatoare și emițătoare RF conectate la antene). În această configurație, fiecare stație de bază funcționa autonom, iar interfețele dintre componente (de exemplu legătura dintre unitatea de bază și capul radio) erau de obicei proprietare (ex. protocolul CPRI), impunând operatorului să achiziționeze tot lanțul radio de la un singur furnizor. Această dependență de un singur vendor (vendor lock-in) limita flexibilitatea rețelelor și inovația multi-furnizor.

Virtualizarea RAN (vRAN)

Odată cu creșterea cerințelor 5G și progresul tehnologiilor cloud, operatorii și industria au început să adopte RAN virtualizat (vRAN), cunoscut și ca Cloud RAN. Conceptul de vRAN presupune decuplarea funcțiilor RAN de hardware-ul dedicat și rularea lor ca procese software pe infrastructură de tip cloud sau pe hardware comercial standard (COTS – commercial off-the-shelf) (Ericsson 2025). Altfel spus, funcțiile de bandă de bază ale stațiilor de bază devin mașini virtuale sau containere software care pot rula pe servere general-purpose, fie în centre de date centralizate, fie la marginea rețelei, fie chiar în cloud public, în proximitatea siturilor radio (Ericsson 2025). Această transformare aduce numeroase avantaje: operatorii pot scala resursele RAN în mod elastic (alocând mai multă putere de calcul anumitor zone atunci când cererea crește), pot actualiza și îmbunătăți rețeaua prin upgrade-uri software frecvente și pot obține economii prin sharing de hardware între mai multe celule (pooling de resurse) și prin folosirea unor echipamente IT standard, mai ieftine. Ericsson descrie Cloud RAN ca fiind o soluție nativ-cloud menită să permită implementări de rețea mai flexibile, scalabile și eficiente, decuplând hardware-ul de software și permițând operatorilor să-și dinamizeze modul de desfășurare, operare și upgradare a rețelei (Ericsson 2025). Prin virtualizare, operatorii pot obține o agilitate sporită a rețelei, reducând totodată costurile operaționale și îmbunătățind performanța și fiabilitatea (Ericsson 2025).

Un exemplu timpuriu al potențialului vRAN este implementarea operatorului Rakuten Mobile (Japonia), prima rețea mobilă majoră construită integral pe arhitectură cloud și open RAN (lansată în 2020). Prin abordarea sa de Open vRAN (RAN virtualizat și deschis), Rakuten a raportat economii notabile – de ordinul 30–40% la cheltuieli de capital (CAPEX) și ~30% la cheltuieli operaționale (OPEX) comparativ cu rețelele tradiționale mobile bazate pe hardware dedicat (Kapko 2020) (ITU-AMDIT 2024). Beneficiile vRAN decurg din economiile de scală ale ecosistemului IT (utilizarea de platforme hardware comune, mai multe opțiuni de furnizori de software) și din posibilitatea de automatizare extinsă a operațiunilor (prin instrumente de orchestrare și gestionare centralizată a funcțiilor virtualizate). Un studiu economic menționa că virtualizarea completă a RAN ar putea aduce economii de până la ~44% din costul total de proprietate (TCO) al rețelei (Intel 2025). Desigur, trecerea la vRAN nu este lipsită de provocări: procesarea semnalelor radio în timp real impune cerințe stringente asupra latenței și puterii de calcul, necesitând adesea acceleratori hardware specializați (ex. plăci FPGA sau ASIC pentru funcțiile fizice). De aceea, în practică, unele funcții de timp real (precum procesarea fizică de nivel 1) pot rula pe infrastructură la marginea rețelei (edge cloud) sau pe servere cu accelerare, în timp ce funcțiile de control de nivel superior pot fi centralizate în cloud. Cu toate acestea, pe măsura maturizării tehnologiei, marile companii de echipamente (Ericsson, Nokia, Samsung etc.) și operatorii au început să ofere soluții comerciale de Cloud RAN care demonstrează că virtualizarea RAN este fezabilă fără penalizări majore de performanță, deschizând calea către rețele mobile mai suple și inovative.

Open RAN (RAN deschis) – concept și arhitectură

În paralel cu tendința de virtualizare, a apărut și mișcarea Open RAN, care vizează deschiderea interfețelor RAN și interoperabilitatea multi-vendor. Open RAN nu este un standard 3GPP propriu-zis, ci un concept promovat inițial de operatori și concretizat prin specificațiile O-RAN Alliance – un consorțiu internațional înființat în 2018 de un grup de mari operatori (AT&T, China Mobile, Deutsche Telekom, Orange, etc.) cu scopul de a crea o arhitectură RAN deschisă și inteligentă. Pe scurt, Open RAN constă în disaggregarea arhitecturii tradițional monolitice a rețelei radio mobile (furnizate de un singur producător) în componente separabile, interconectate prin interfețe standardizate, astfel încât diferiți furnizori să poată contribui cu componente interoperabile într-o soluție comună (Orange 2024). Se urmărește astfel spargerea dependenței de un singur vendor și crearea unui ecosistem mai competitiv și inovativ, în care echipamentele radio, unitățile de bandă de bază și funcțiile de control să poată proveni de la producători diferiți, dar să funcționeze împreună armonios.

Arhitectura O-RAN

Specificațiile O-RAN Alliance extind arhitectura 3GPP NG-RAN, introducând noi componente și interfețe deschise. În viziunea O-RAN, stația de bază gNB este împărțită explicit în trei unități principale deschise: O-CU (Open Central Unit), O-DU (Open Distributed Unit) și O-RU (Open Radio Unit) (Mohsin et al. 2021). Acestea corespund, în linii mari, componentelor CU, DU și unității radio (RRU) din arhitectura 3GPP, dar cu O- în față pentru a evidenția openness-ul (deschiderea) soluției (Mohsin et al. 2021). Interfețele dintre aceste unități sunt standardizate în O-RAN: de exemplu, interfața de fronthaul dintre O-DU și O-RU (care în 3GPP nu era specificată) este definită de O-RAN Alliance pe baza opțiunii de divizare 7-2x a 3GPP (Mohsin et al. 2021). Această Open Fronthaul Interface permite conectarea radio-urilor și unităților distribuite de la producători diferiți, asigurând interoperabilitatea. De asemenea, interfața dintre O-CU și O-DU rămâne F1 (așa cum e definită de 3GPP), iar interfața dintre părțile de control și user plane din O-CU este E1 – ambele fiind deschise pentru implementare multi-vendor. Toate aceste eforturi urmăresc realizarea unui RAN care să fie multi-vendor și interoperabil by design, dar și mai flexibil și inteligent, capabil să se adapteze cerințelor rețelei în mod autonom.

Inteligența în RAN

Un pilon central al viziunii O-RAN (reflectat și de acronimul care sugerează Open & Smart RAN) este adăugarea de inteligență programabilă în rețeaua de acces radio. O-RAN Alliance introduce două componente noi denumite RAN Intelligent Controller (RIC), menite să optimizeze dinamic funcționarea RAN cu ajutorul algoritmilor de inteligență artificială și învățare automată (AI/ML). RIC-urile există în două variante: un Non-Real-Time RIC (non-RT RIC), care operează la nivel de rețea și servicii, cu orizont de timp mai mare de 1 secundă, și un Near-Real-Time RIC (near-RT RIC), care acționează la nivelul RAN cu latențe de ordinul 10 ms până la 1 s (Köpsell et al. 2022). Non-RT RIC este de obicei integrat în cadrul unei funcții de management și orchestrare a serviciilor (SMO – Service Management and Orchestration) și are rolul de a efectua analize pe termen lung, de a defini politici de optimizare și de a antrena modele AI/ML pe baza datelor colectate din RAN (Köpsell et al. 2022). El transmite aceste recomandări către near-RT RIC prin interfața A1 (Köpsell et al. 2022). Near-RT RIC, la rândul său, interacționează direct cu elementele RAN (O-CU, O-DU) prin interfața E2 (Köpsell et al. 2022) și poate găzdui aplicații de control denumite xApps (executate cu latențe restrânse). Near-RT RIC poate astfel ajusta parametri ai rețelei aproape în timp real – de exemplu, poate optimiza alocarea resurselor radio sau configurațiile de handover – însă funcțiile ultra-critice cu latențe sub 10 ms (precum controlul buclei fizice, scheduling-ul de milisecunde) rămân localizate pe DU din considerente de timp real strict (Köpsell et al. 2022). Prin această arhitectură pe două niveluri de control, O-RAN urmărește să creeze un RAN inteligent, în care deciziile sunt luate pe baza unor volume mari de date și algoritmi, permițând adaptarea rețelei la condiții variabile de trafic, interferență, mobilitate etc. În plus, toate aceste funcții sunt realizate printr-un cadru deschis, permițând operatorilor să implementeze propriile algoritmi sau să încorporeze inovații de la terți sub formă de xApp/rApp, ceea ce era dificil în rețelele tradiționale închise.

Pe ansamblu, principiile O-RAN pot fi rezumate ca fiind deschiderea și inteligența: rețeaua devine mai deschisă (open interfaces) și mai programabilă/automată (AI-driven). Un articol de sinteză subliniază că O-RAN promovează o arhitectură radio software-driven, virtualizată, flexibilă, inteligentă și eficientă energetic, creând un ecosistem în care RAN-ul devine multi-vendor, interoperabil și autonom (Mohsin et al. 2021). Astfel, tranziția către O-RAN nu înseamnă doar schimbarea unor interfețe, ci o mutație de paradigmă spre un RAN orientat spre inovare accelerată și diversitate a furnizorilor, menținând totodată (sau chiar îmbunătățind) performanța și eficiența.

Implicații asupra performanței, costurilor și interoperabilității

Performanță și capacitate

Unul dintre primele semne de întrebare legate de noile arhitecturi RAN (virtualizate și deschise) a fost impactul acestora asupra performanței rețelei. RAN-ul este partea cea mai sensibilă la latență a rețelei mobile – operațiuni precum programarea pachetelor pe canal radio, codarea canalului sau controlul puterii de emisie necesită reacții în timp real (ordine de microsecunde sau milisecunde). Virtualizarea acestor funcții pe infrastructură de cloud sau separarea componentelor RAN prin interfețe deschise ridică provocări tehnice: latența adițională a rețelei de transport între DU și RU, eventualele pierderi de optimizare față de o soluție integrată și necesitatea de a folosi procesoare generice în locul circuitelor dedicate pot introduce penalizări de performanță. Totuși, experiențele din teren și evoluția tehnologică recentă indică faptul că vRAN și O-RAN pot atinge performanțe comparabile cu ale RAN-ului tradițional. Un pilot derulat de Orange în 2023 (pe 10 site-uri radio Open RAN în mediul rural) a arătat că indicatorii de performanță monitorizați (debit, capacitate, latență) au fost la un nivel echivalent cu RAN-ul clasic, stabilitatea fiind similară, iar consumul energetic radio s-a menținut și el comparabil (Orange 2024). Aceasta sugerează că, cel puțin în scenarii bine dimensionate, Open RAN poate oferi performanțe de nivel carrier-grade, îndeplinind cerințele 5G. Desigur, menținerea performanței impune investiții în optimizarea software și, uneori, în hardware adițional: de exemplu, multe soluții vRAN utilizează plăci de accelerare (ex. pe DU) pentru a asigura capacitatea de procesare a semnalului (de exemplu, pentru implementarea MIMO masiv sau a canalelor de bandă largă mmWave). De asemenea, rețeaua de transport (fronthaul) dintre RU și DU în scenariile Cloud RAN trebuie să fie una de foarte mare viteză și latență scăzută (ideal fibră dedicată), altfel performanța radio ar avea de suferit. În ansamblu însă, progresele din domeniu (atât la nivel academic, cât și industrial) indică faptul că orice deficit inițial de performanță al vRAN/O-RAN tinde să fie eliminat prin îmbunătățiri continue în algoritmi, optimizări de software și upgrade-uri de hardware. Marile companii de telecomunicații colaborează deja cu furnizori IT (inclusiv hyperscalers) pentru a asigura că platformele cloud pot susține funcțiile RAN in timp real (Orange 2024). Prin urmare, pe termen mediu, ne așteptăm ca performanța să nu mai fie un impediment major în adoptarea pe scară largă a RAN-ului virtualizat și deschis.

Costuri și eficiență economică

Reducerile de cost reprezintă unul dintre principalele motoare din spatele tranziției către vRAN și Open RAN. RAN-ul tradițional implică costuri mari atât de capital (echipamente hardware specializate la fiecare stație de bază) cât și operaționale (mentenanța multiplelor site-uri, consum energetic ridicat al echipamentelor dedicate, licențe software pe fiecare nod etc.). Prin virtualizare și deschidere, operatorii urmăresc optimizarea acestor costuri. Arhitecturile de tip vRAN permit utilizarea unei infrastructuri comune (centre de date telco cloud) pentru a deservi mai multe site-uri radio, sporind eficiența utilizării hardware-ului și reducând numărul total de echipamente fizice. De asemenea, adoptarea de hardware generic scade costurile unitare, datorită pieței largi de servere COTS. Open RAN, la rândul său, promite reducerea cheltuielilor de capital prin natura sa hardware-agnostică – operatorii pot evita blocarea într-o singură soluție proprietară costisitoare și pot alege componente de la furnizorul cu cel mai bun raport calitate/preț (ITU-AMDIT 2024). Această flexibilitate stimulează competiția între vendori, potențial ducând la scăderea prețurilor echipamentelor radio. Totodată, cheltuielile operaționale pot scădea semnificativ datorită automatizării și orchestrării centralizate pe care le aduce virtualizarea: procese de configurare, optimizare și mentenanță care înainte necesitau intervenții locale pot fi acum automatizate software (ITU-AMDIT 2024).

Cazul Rakuten Mobile este adesea citat ca dovadă a potențialului de economii: prin rețeaua sa 4G/5G construită pe principii Open RAN/vRAN, Rakuten a raportat o scădere cu ~40% a cheltuielilor de capital și ~30% a cheltuielilor operaționale față de o rețea tradițională echivalentă (Kapko 2020). Un raport al ITU menționează de asemenea că Rakuten a reușit o reducere de 30–40% a OPEX utilizând Open RAN (ITU-AMDIT 2024). Desigur, economiile efective pot varia între operatori și depind de scala implementării și de gradul de automatizare atins, însă tendința generală indică un TCO mai favorabil pentru rețelele ce implementează virtualizare și deschidere. Merită subliniat că pe termen scurt pot exista și costuri adiționale de tranziție: integrarea multor componente diferite poate necesita investiții în laboratoare de testare și noi competențe, iar performanța optimă poate necesita fine tuning și colaborare strânsă cu multiple părți. Cu toate acestea, pe termen lung, beneficiile economice cumulate – rezultate din eficiența operațională sporită, inovarea mai rapidă și evitarea monopolurilor de furnizori – sunt de așteptat să depășească costurile inițiale, făcând din vRAN și Open RAN o opțiune atractivă din punct de vedere al sustenabilității financiare a rețelelor.

Interoperabilitate și ecosistemul multi-vendor

Interoperabilitatea este, poate, cuvântul-cheie al conceptului Open RAN. Prin design, specificațiile O-RAN urmăresc ceea ce anterior era dificil de realizat: ca diferite componente ale RAN-ului – radio, unități distribuite, unități centrale, software de control – să poată fi alese dintr-o gama variată de producători și totuși să funcționeze împreună conform standardelor. În rețelele tradiționale, un operator care achiziționa stații de bază de la un anumit vendor era practic legat de acel vendor pentru orice upgrade sau extindere în acea zonă, deoarece echipamentele altui vendor nu erau compatibile direct (decât eventual la nivel de interfață către core sau X2/handovers între eNodeB-uri multi-vendor, aspecte relativ limitate). Open RAN eliberează operatorii de această dependență: de exemplu, un operator poate combina radio-uri de la un producător (O-RU) cu unități DU/CU virtualizate de la alt producător, integrând totul prin interfețe standard. Acest mediu multi-vendor are mai multe implicații pozitive. În primul rând, stimulează inovația – companii mai mici, specializate, pot contribui cu produse (de exemplu, un algoritm RIC inovator sau un radio eficient energetic) fără a fi excluse de un ecosistem închis (O-RAN 2018). În al doilea rând, oferă operatorului flexibilitate sporită în dezvoltarea rețelei: componentele pot fi înlocuite sau actualizate individual (de ex., se pot schimba doar unitățile radio pentru a suporta o bandă nouă, fără a înlocui întregul sistem) (Orange 2024). În al treilea rând, creează premizele unui cost mai redus per ansamblu, așa cum s-a discutat anterior, prin competiție și evitarea blocajului într-o singură soluție.

Totuși, interoperabilitatea multi-vendor vine și cu provocări. Integrarea componentelor heterogene necesită teste riguroase și standarde precise. O problemă practică este asigurarea compatibilității la nivel de implementare – chiar dacă interfața este standard, pot exista interpretări diferite sau opțiuni opționale care trebuie armonizate. De aceea, inițiative precum O-RAN Alliance Plugfests și centre de testare și integrare (OTIC – Open Testing and Integration Centres) joacă un rol vital în a valida interoperabilitatea înainte de implementări pe teren (Orange 2024). Operatorii mari, precum Orange, au înființat propriile laboratoare de integrare Open RAN pentru a certifica faptul că echipamente de la diverși furnizori funcționează împreună conform așteptărilor (Orange 2024). În plus, se profilează o nouă piață pentru integrarea de sistem: acolo unde operatorul nu dorește sau nu are capacitatea să integreze personal componentele diverse, pot interveni integratori terți care să livreze o soluție Open RAN la cheie. Orange notează că diversitatea de furnizori complică integrarea componentelor și că, inițial, e preferabil să se recurgă la soluții pre-integrate oferite de vendori sau parteneri, urmând ca pe măsură ce produsele se maturizează, integrarea să poată fi realizată și de terți sau intern (Orange 2024).

În cele din urmă, standardizarea continuă este crucială pentru interoperabilitate. Organisme precum 3GPP și O-RAN Alliance lucrează complementar: 3GPP furnizează arhitectura de bază și specifică interfețele majore (NG, Xn, F1 etc.), în timp ce O-RAN Alliance detaliază interfețele noi (fronthaul 7-2x, A1, E2, O1) și referințele de implementare pentru RIC, O-Cloud ș.a. Colaborarea dintre standardizarea formală și comunitatea open-source (de exemplu, proiectele de referință O-RAN Software Community) contribuie la alinierea implementărilor. Rezultatul scontat este că, în viitorul apropiat, RAN-ul deschis va deveni un mediu la fel de fiabil precum cel tradițional, dar mult mai dinamic și ofertant ca ecosistem. Interoperabilitatea reală între echipamente de la multipli furnizori oferă operatorilor puterea de a alege soluțiile optime pentru fiecare componentă a rețelei și de a evolua rețeaua prin introducerea rapidă de noi funcționalități de la diverși dezvoltatori, ceea ce va accelera progresul tehnologic în domeniul rețelelor radio.

Considerații de securitate

În ultimii ani, un volum mare de literatură a dezvăluit numeroase probleme de securitate și confidențialitate în rețelele mobile 4G. Majoritatea atacurilor publicate la nivelul stratului 4G RAN implică Rogue Base Stations (RBSs) sau captori IMSI pentru a viza utilizatori individuali în timpul procedurii inițiale de atașare a UE la rețea sau atacuri paging utilizând funcția de paging IMSI. În astfel de atacuri, informațiile obținute pe IMSI pot fi utilizate ulterior pentru alte tipuri de atacuri (Rupprecht et al. 2018).

Tehnologiile 5G NR abordează și închid amenințările IMSI cunoscute, dar noile funcționalități din versiunea 16 aduc, de asemenea, considerente de securitate care fac obiectul unor studii deschise (ENISA 2019) (Sfetcu 2022):

Securitatea comunicării ultra-fiabile cu latență scăzută (URLLC)

URLLC trebuie să suporte atât fiabilitate ridicată, cât și latență scăzută. Pentru a asigura fiabilitatea ridicată, transmisia redundantă în 5GS este suportată pe mai multe căi de date ale planului utilizatorului. În consecință, mecanismele de securitate aplicabile pentru susținerea transmisiei redundante acoperă toate aspectele comunicării, inclusiv stabilirea sesiunii PDU, transferul etc. În ceea ce privește aspectul de latență scăzută, celelalte cerințe importante pentru URLLC includ monitorizarea QoS pentru a sprijini serviciul URLLC și optimizarea pentru procedura de transfer. Considerentele de securitate și în acest caz sunt acoperite. Aspecte suplimentare de securitate sunt legate de optimizarea planului de control și a planului utilizatorului pentru a asigura fiabilitatea ridicată și reducerea latenței (3GPP 2019b).

Componente conexe: gNB, interfețe: Uu, F1, Xn

Securitatea accesului integrat NR și backhaul

Un studiu este în curs la 3GPP pentru a identifica potențialele amenințări de securitate și vulnerabilități care sunt aplicabile noii arhitecturi IAB (3GPP 2019a). Problemele cheie de securitate includ descoperirea și mascarea topologiei, autentificarea nodului IAB pentru a preveni conectarea nodului IAB fals, și manipularea recuperării eșecului legăturii radio și securitatea interfeței F1.

Componente conexe: IAB Donor, IAB UE, interfață F1

Vulnerabilitate la bruierea radio

Ca orice rețea celulară fără fir, rețelele 5G sunt construite pe partajare deschisă în care mediul de comunicație este spațiul de frecvență liber, făcându-le predispuse la interferențe. Această vulnerabilitate poate fi utilizată de unele noduri adversare pentru a provoca interferențe intenționate și pentru a împiedica comunicarea utilizatorului legitim pe canale wireless specifice. 5G îmbunătățește rezistența împotriva atacurilor de bruiaj a 4G LTE, dar rămâne vulnerabilă la atacuri personalizate. Implementarea masivă a MIMO poate fi vulnerabilă la atacuri de bruiaj (Arjoune and Faruque 2020). Atacurile de bruiaj sunt o preocupare specială pentru aplicațiile critice pentru misiuni.

Componente conexe: Uu

Nerespectarea cerințelor generale de asigurare a securității

Securitatea 5G RAN se bazează pe actualizarea permanentă a cerințelor de asigurare a securității pentru componentele critice ale rețelei, cum ar fi gNB.

Cu toate acestea, va exista inevitabil un decalaj de actualizare a securității între noile cerințe de securitate și implementarea versiunilor actualizate ale funcțiilor de rețea în sistemele operaționale. Există doi factori majori în reducerea acestui decalaj: a) sensibilitatea furnizorilor la emiterea și validarea de noi versiuni ale funcțiilor de rețea care se adresează cerințelor actualizate și b) actualitatea și eficacitatea proceselor MNO pentru actualizarea sistemelor operaționale la versiunile recent lansate și evaluările SCAS.

Concluzie

Evoluția Rețelei de Acces Radio în era 5G reflectă efortul industriei de a răspunde unor cerințe tehnice stringente prin inovație arhitecturală și deschidere. De la modelul tradițional, închis și hardware-centric, RAN-ul a progresat către concepte de virtualizare și deschidere care îi conferă flexibilitate și inteligență sporite. Arhitectura 5G a introdus divizarea stației de bază (gNB) în unități modulare (CU/DU) și separarea planurilor de control și utilizator, punând bazele pentru implementări cloud-native. vRAN valorifică această modularitate, mutând funcțiile RAN pe infrastructură cloud și permițând operatorilor să își gestioneze rețeaua cu agilitate similară domeniului IT. Open RAN duce transformarea mai departe, eliminând barierele de interoperabilitate între vendori și adăugând mecanisme de optimizare automată a rețelei prin control intelligent. Implicațiile acestor evoluții sunt profunde: performanța rețelelor poate fi menținută sau chiar îmbunătățită prin distribuirea optimă a funcțiilor și utilizarea AI; costurile pot fi reduse pe termen lung datorită eficienței operaționale și a competiției din ecosistem; interoperabilitatea devine un catalizator al inovației, permițând apariția unui mediu divers de furnizori și soluții specializate.

În mod concret, se anticipează că rețelele 5G și viitoare (6G) vor îmbina tot mai mult cloud-ul cu radio-ul, operatorii adoptând modele hibride în care o parte a RAN-ului este virtualizată și deschisă, conviețuind inițial cu echipamente tradiționale. Pe măsură ce standardele se maturizează și demonstrațiile de succes (precum cele ale Rakuten, Dish, sau proiectele-pilot ale marilor operatori europeni) se înmulțesc, Open RAN și vRAN sunt pe cale să devină noua normă în industrie. Acest proces va necesita eforturi continue de standardizare, testare și asigurare a securității (un aspect nedezvoltat aici, dar esențial, având în vedere suprafața de atac extinsă în arhitecturile deschise). Per ansamblu, însă, direcția este clară: RAN-ul 5G evoluează dincolo de limitele impuse de vechile abordări, transformând rețeaua de acces radio într-o platformă flexibilă, programabilă și interoperabilă – un fundament necesar pentru viitoarele generații de rețele mobile. În concluzie, Rețeaua de Acces Radio în 5G nu este doar o componentă tehnologică, ci devine un vector de transformare a întregului ecosistem mobil, cu beneficii pentru operatori (eficiență și inovație), pentru industrie (competitivitate și noi oportunități) și, în final, pentru utilizatori (servicii mai performante și diversificate).

Bibliografie

3GPP. 2019a. “3GPP TR 33.824 V0.6.0 (2019-11).” https://www.3gpp.org/ftp/Specs/archive/33_series/33.824.
———. 2019b. “3GPP TR 33.825 V16.0.1 (2019-10).” https://www.3gpp.org/ftp/Specs/archive/33_series/33.825.
———. 2020a. “3GPP TR 21.916 V0.5.0 (2020-07).” 3GPP. https://www.3gpp.org/ftp/Specs/archive/33_series/33.501.
———. 2020b. “3GPP TS 22.071 V16.0.0 (2020-07).” https://www.3gpp.org/ftp/Specs/archive/22_series/22.071.
———. 2020c. “3GPP TS 38.401 V16.2.0 (2020-07).” https://www.3gpp.org/ftp/Specs/archive/38_series/.
———. 2022. “5G System Overview.” 2022. https://www.3gpp.org/technologies/5g-system-overview.
Arjoune, Youness, and Saleh Faruque. 2020. “Smart Jamming Attacks in 5G New Radio: A Review.” In 2020 10th Annual Computing and Communication Workshop and Conference (CCWC), 1010–15. https://doi.org/10.1109/CCWC47524.2020.9031175.
ENISA. 2019. “ENISA Threat Landscape for 5G Networks Report.” Report/Study. ENISA. 2019. https://www.enisa.europa.eu/publications/enisa-threat-landscape-report-for-5g-networks.
Ericsson. 2025. “Cloud RAN – 5G RAN – Virtually Everywhere.” Ericsson.Com. 2025. https://www.ericsson.com/en/ran/cloud.
Intel. 2025. “Intel Is Paving the Way for vRAN Transformation.” https://www.intel.fr/content/dam/www/central-libraries/us/en/documents/intel-vran-infographic-2021.pdf.
ITU-AMDIT. 2024. “Open RAN – Open, Secure and Trusted Networks.” https://www.itu.int/en/ITU-T/webinars/amd-iic/20240313/Documents/Diane%20Rinaldo.pdf.
Kapko, Matt. 2020. “Rakuten’s US Leader Defends Open RAN Platform.” December 14, 2020. https://www.sdxcentral.com/analysis/rakutens-us-leader-defends-open-ran-platform/.
Köpsell, Stefan, Andrey Ruzhanskiy, Andreas Hecker, Dirk Stachorra, and Norman Franchi. 2022. “Open-RAN Risk Analysis.” Federal Office for Information Security. 2022. https://www.bsi.bund.de/SharedDocs/Downloads/EN/BSI/Publications/Studies/5G/5GRAN-Risk-Analysis.html?nn=132646.
Mohsin, Mustafa, Jordi Mongay Batalla, Evangelos Pallis, George Mastorakis, Evangelos K. Markakis, and Constandinos X. Mavromoustakis. 2021. “On Analyzing Beamforming Implementation in O-RAN 5G.” Electronics 10 (17): 2162. https://doi.org/10.3390/electronics10172162.
O-RAN. 2018. “O-RAN: Towards an Open and Smart RAN.” https://assets-global.website-files.com/60b4ffd4ca081979751b5ed2/60e5afb502810a0947b3b9d0_O-RAN%2BWP%2BFInal%2B181017.pdf.
Orange. 2024. “Open RAN Now Ready for Large-Scale Deployment – Hello Future.” 2024. https://hellofuture.orange.com/en/open-ran-now-ready-for-large-scale-deployment/.
Rupprecht, David, Adrian Dabrowski, Thorsten Holz, Edgar Weippl, and Christina Pöpper. 2018. “On Security Research Towards Future Mobile Network Generations.” IEEE Communications Surveys & Tutorials 20 (3): 2518–42. https://doi.org/10.1109/COMST.2018.2820728.
Sfetcu, Nicolae. 2022. Rețele de comunicații 5G. MultiMedia Publishing.

Articol cu Acces Deschis (Open Access) distribuit în conformitate cu termenii licenței de atribuire Creative Commons CC BY SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/).

26 iun. 2025

Revoluția cuantică în România: cum acceleratorul QAVR transformă ecosistemele Intel, Mil, Sec și ITC

de George V. Scripcariu | postat în: Știri | 0

Pe 16 iunie 2025, în București, România a intrat oficial pe harta mondială a tehnologiilor emergente odată cu lansarea QAVR (Quantum Accelerator for Virtual Reality), primul accelerator românesc dedicat calculului cuantic și inteligenței artificiale (AI). Această inițiativă ambițioasă propune să transforme complet ecosistemele de securitate, apărare, ITC și inteligență tehnologică ale României. QAVR nu este doar un accelerator. Este un ecosistem integrat ce își propune să dezvolte startup-uri cuantic-AI, să atragă investiții strategice și să poziționeze România drept lider în Europa Centrală și de Est (ECE) în domeniile tehnologiilor cuantice și AI.

Revoluția Cuantică în România: Cum Acceleratorul QAVR Transformă Ecosistemele Intel, Mil, Sec și ITC

2025 George V. Scripcariu. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

« 1 … 8 9 10 11 12 13 14 … 44 »

Blog Full

Abstract

Innovation, Digitalization and Artificial Intelligence in Romania: A Comparative Analysis of Scientific and Technological Competitiveness and Structural Challenges in the Context of the European Union

Rezumat

Inovare, digitalizare și inteligența artificială în România: o analiză comparativă a competitivității științifice și tehnologice și a provocărilor structurale în contextul Uniunii Europene

Introducere

Metodologie

Analiză comparativă

Pregătirea și resursele cercetătorilor

Finanțarea cercetării (R&D)

Resurse umane în cercetare

Formarea academică și calificările

Condiții de lucru și distribuție sectorială

Interpretare

Producția de publicații științifice și impactul lor

Cauze și context

Nivelul de digitalizare și infrastructura digitală

Infrastructura digitală

Competențele digitale ale populației

Digitalizarea economiei și a serviciilor

Comparativ regional și cu UE

Progrese în domeniul inteligenței artificiale (AI)

Strategii naționale de AI

Inițiative și capacități interne

Investiții și ecosistemul privat de AI

Adopția AI în sectorul public și privat

Perspective

Concluzii

Bibliografie

Developing a Chatbot for Customer Service with ChatGPT

Abstract

Rezumat

Dezvoltarea unui chatbot pentru servicii clienți cu ChatGPT

Introducere

Prezentare generală a arhitecturii soluției

Crearea contului OpenAI și obținerea unui API key

Exemplu de cod în Python pentru interacțiunea cu API-ul ChatGPT

Integrarea frontend-backend pentru trimiterea mesajelor și primirea răspunsurilor

Utilizarea framework-urilor potrivite (Flask sau FastAPI pentru backend; HTML/CSS/JS pentru frontend)

Recomandări pentru optimizarea experienței utilizatorului

Referințe utile

Bibliografie

Radio Access Network (RAN) in the Context of 5G Technology

Abstract

Rezumat

Rețeaua de Acces Radio (RAN) în contextul tehnologiei 5G

Introducere

RAN și rolul său în arhitectura 5G

Arhitectura RAN în 5G

Elementele arhitecturii RAN

Elemente de noutate

Acces integrat și backhaul (IAB)

Îmbunătățiri cu intrări multiple și ieșiri multiple (MIMO)

Procedură simplificată de acces aleatoriu

Suport pentru rețea privată pentru NG-RAN

Economisire energie UE

Acces bazat pe NR la spectrul fără licență

Rețea sensibilă la timp (TSN)

Geolocalizare de precizie

Tranziția de la RAN tradițional la RAN virtual (vRAN)

RAN tradițional

Virtualizarea RAN (vRAN)

Open RAN (RAN deschis) – concept și arhitectură

Arhitectura O-RAN

Inteligența în RAN

Implicații asupra performanței, costurilor și interoperabilității

Performanță și capacitate

Costuri și eficiență economică

Interoperabilitate și ecosistemul multi-vendor

Considerații de securitate

Securitatea comunicării ultra-fiabile cu latență scăzută (URLLC)

Securitatea accesului integrat NR și backhaul

Vulnerabilitate la bruierea radio

Nerespectarea cerințelor generale de asigurare a securității

Concluzie

Bibliografie

Revoluția Cuantică în România: Cum Acceleratorul QAVR Transformă Ecosistemele Intel, Mil, Sec și ITC

Articles published according to the current editorial policy