آیا 5G دستیابی به فناوری لبه بی‌سیم هوشمند را امکان‌پذیر می‌کند؟

در فناوری جدید، حجم زیادی از داده‌ها نزدیک به ‌منبع اصلی خود پردازش می‌شوند. این پردازش می‌تواند روی دستگاهی مجهز به هوش مصنوعی انجام شود که متصل به ابر لبه‌ای است که روی یک شبکه 5G با تاخیر کم میزبانی می‌شود. پردازش داده‌ها روی دستگاه‌های مصرفی مجهز به هوش مصنوعی به‌ این دلیل مهم است که مزایای زیادی همچون حفظ حریم شخصی، شخصی‌سازی و اطمینان‌پذیری را ارائه می‌دهد. شکل ۱ عملکرد این فناوری را نشان می‌دهد. با توجه به ورود گسترده دستگاه‌هایی که قابلیت پشتیبانی از 5G را دارند، انتظار می‌رود که بیشتر برنامه‌های هوشمند را بتوان در لبه شبکه‌های بی‌سیم مستقر کرد. این روند باعث خواهد شد تا شرکت‌ها به ‌سراغ عملیاتی کردن مفهومی به‌نام «لبه هوشمند» بروند و از هوش مصنوعی در دستگاه‌های لبه استفاده کنند. بر همین اساس، انتظار می‌رود در آینده با مفهومی جدید به‌نام «یادگیری لبه» روبرو شویم که علمی میان‌رشته‌ای است و ماحصل ادغام دو فناوری 5G و هوش مصنوعی است. موضوع اصلی در یادگیری لبه، غلبه بر توان محاسباتی محدود و همچنین داده‌های محدود دستگاه‌های لبه است. برای این منظور باید از پلت‌فرم محاسبات لبه سیار (MEC) و استخراج داده‌های توزیع شده توسط دستگاه‌های لبه استفاده کرد. در این معماری، یادگیری از داده‌های توزیع شده و برقراری ارتباط بین سرور لبه و دستگاه‌ها دو جنبه‌ حیاتی هستند. لبه بی‌سیم هوشمند، نه‌‌تنها در ارتباط با خدمات فعلی قابل استفاده است، بلکه کاربردهای جدید فراوانی در آینده خواهد داشت که حتا برخی از آن‌ها هنوز به‌شکل رسمی به ‌دنیای فناوری وارد نشده‌اند! 

شکل 1

هوش مصنوعی عملکرد 5G و دستگاه‌هایی که از فناوری مذکور پشتیبانی می‌کنند را بهبود می‌دهد

به‌کارگیری هوش مصنوعی در شبکه‌های 5G عملکرد ارتباطات بی‌سیم را بهتر می‌کند، طول عمر باتری دستگاه‌ها را بیشتر می‌کند و تجربه کاربری بهتری در اختیار کاربران قرار می‌دهد. الگوریتم‌های هوشمند در بیشتر حوزه‌ها عملکرد قدرتمندی دارند، اما لازمه دستیابی به ‌چنین عملکردی در دنیای شبکه‌های بی‌سیم تمرکز روی چالش‌های مهمی است که پیرامون شبکه‌های بی‌سیم قرار دارند که غلبه بر آن‌ها از طریق روش‌های مرسوم کاری دشوار و پیچیده است، به‌طوری که بهترین گزینه در این زمینه یادگیری ماشین است. برای این‌کار به‌ دانش عمیقی در ارتباط با دامنه‌ها، طیف‌ها و فرکانس‌های بی‌سیم نیاز داریم تا از طریق آن‌ها بتوان تشخیص داد در چه مکان‌هایی می‌توان از هوش مصنوعی استفاده کرد. 

تقریبا تمامی شرکت‌های پیش‌رو در حوزه فناوری و مخابرات مثل کوالکام به‌دنبال آن هستند تا از هوش مصنوعی برای بهبود عملکرد شبکه‌های 5G استفاده کنند و به‌نوعی الگوریتم‌های هوشمند را به ‌بخش جدایی‌ناپذیر سخت‌افزارها تبدیل کنند. اگر این امر محقق شود، هوش مصنوعی روی حوزه‌های کلیدی شبکه‌های 5G مثل مدیریت کارآمدتر، بهبود کیفیت خدمات، استقرار ساده‌تر، بهبود عملکرد شبکه و ارتقای سطح امنیت شبکه تاثیر شگرفی خواهد گذاشت (شکل 2). به‌عنوان مثال، هوش مصنوعی می‌تواند برای تشخیص ناهنجاری‌ها در ترافیک شبکه، مانند اشباع، جعل هویت یا استفاده غیرعادی از طیف، از روش‌های خاص مثل تحلیل رفتار مصرف‌کننده استفاده کند. 

شکل 2

موضوعی که کمتر به آن پرداخته شده این است که چگونه هوش مصنوعی می‌تواند عملکرد سامانه‌های نقطه پایانی شبکه 5G را بهبود ببخشد. به‌طور معمول، یادگیری ماشین بهترین راه‌حل برای درک و فهم عملکرد سیگنال‌های RF پیچیده‌ای است که پیرامون دستگاه‌های گیرنده یا دکل‌های ساطع‌کننده امواج قرار دارد‌. هرچه دانش ما در ارتباط با امواج رادیویی ساطع شده از تجهیزات 5G بیشتر باشد که تحت عنوان آگاهی رادیویی

(Radio awareness) از آن نام برده می‌شود، به‌شکل کارآمدتری قادر به بهینه‌سازی شبکه‌های 5G، افزایش درست و منطقی تعداد دستگاه‌ها در یک ناحیه خاص به شبکه 5G، بهبود عملکرد کلی شبکه و ایمن‌تر کردن امنیت شبکه هستیم. با توجه به عملکرد پیچیده شبکه‌های 5G بهترین راه‌حل در این زمینه هوش مصنوعی است (شکل 3). 

شکل 3

5G اجازه می‌دهد به‌شکل بهتری از هوش مصنوعی استفاده کنید

تاخیر کم و ظرفیت بالای 5G اجازه می‌دهد تا محاسبات هوش مصنوعی میان یک دستگاه، ابر لبه و ابر مرکزی به‌شکل توزیع شده انجام شود تا بالاترین سطح از انعطاف‌پذیری در انجام محاسبات به‌دست آید. معماری لبه بی‌سیم سازگارپذیر است و امکان ارسال و دریافت انواع مختلفی از تراکنش‌های محاسباتی را به‌وجود می‌آورد. همان‌گونه که مشاهده می‌کنید این تنها هوش مصنوعی نیست که عملکرد 5G را بهبود می‌بخشد، بلکه 5G نیز قادر است تجربه کاربری مبتنی بر هوش مصنوعی را در کاربردهایی مثل خرده‌فروشی شخصی‌سازی شده مبتنی بر Boundless XR، دستیاران مجازی از طریق رابط کاربری صوتی بهینه‌شده و موارد مشابه بهبود بخشد. فناوری Boundless XR به‌ مکانیزمی اشاره دارد که پردازش را از طریق تکنیکی به‌نام «رندر تقسیم شده» توزیع می‌کند. در فناوری فوق پردازش و درک مفاهیم روی دستگاه توسط گرافیک ابری لبه‌ با عملکرد بالا و از طریق اتصال 5G با تاخیر کم و ظرفیت بالا انجام می‌شود. کوالکام از شرکت‌هایی است که قصد دارد چنین فناوری‌ای را به‌ دنیای تجهیزات سیار وارد کند. 

برای روشن شدن بحث تصور کنید که خرید و خرده‌فروشی در آینده متفاوت از زمان حال است. به‌طوری که با استفاده از فناوری Boundless XR، رندرینگ و بارهای کاری پردازشی هوش مصنوعی می‌توانند بین دستگاه و ابر لبه از طریق یک لینک 5G با تاخیر کم توزیع شوند. وقتی به‌ ویترین فروشگاه‌های آنلاین روی گوشی هوشمند نگاه می‌کنید، تصویری کاملا متفاوت و شخصی‌سازی شده‌ را تجربه می‌کنید که برخواسته از اطلاعاتی است که قبلا در پلتفرم هدف ذخیره شده‌اند و لبه بی‌سیم هوشمند به‌عنوان واسطی این داده‌ها را برخط تحلیل کرده و تجربه‌ای کاملا متفاوت در اختیارتان قرار می‌دهد. به‌طوری که لباس‌هایی که هماهنگ با سلیقه شما است را نشان می‌دهد یا اگر به‌دنبال حراجی‌های خاصی باشید یا به‌دنبال تهیه کادویی برای جشن تولد باشید، اطلاعات به‌شکل لحظه‌ای پردازش شده و اطلاعات مناسب در اختیارتان قرار می‌دهد. در چنین سناریویی تجربه خرید کاملا تعاملی خواهد بود. 

یک الگوی محاسباتی جدید: یادگیری توزیع شده بی‌سیم

برای این‌که بتوانیم درک درست‌تری از دنیای دیجیتالی آینده داشته باشیم، باید به‌ سراغ مفهومی برویم که فراتر از ایده هوش مصنوعی با مرکزیت ابر است. امروز، به‌طور مختصر نشانه‌هایی از هوش مصنوعی توزیع شده را مشاهده می‌کنیم که بیان‌گر تلاش شرکت‌ها در پیاده‌سازی هوش مصنوعی سراسری روی دستگاه‌های مصرفی است تا دستگاه‌ها به‌شکل بهینه از انرژی استفاده کنند. به‌لطف ویژگی استنتاج، هوش مصنوعی به‌ دستگاه‌های مصرفی اجازه می‌دهد داده‌ها را قبل از ارسال به ابر تجزیه‌و‌تحلیل کنند و تنها در موارد خاص داده‌ها را برای مراکز داده ارسال کنند. گام بعدی برای استقرار هوش مصنوعی روی دستگاه‌ها فراتر از استنتاج است و پیرامون آموزش روی دستگاه قرار دارد. در آینده، هوش مصنوعی کاملا توزیع شده‌ای را می‌بینیم که یادگیری و آموزش روی دستگاه آن مادام‌العمر است و باعث شخصی‌سازی دقیق‌تر و بهبود حریم خصوصی کاربران می‌شود. اما چگونه باید به آن نقطه برسیم (شکل 4)؟

شکل 4

در مرحله اول، ابر لبه یا مرکزی، یک مدل هوش مصنوعی سراسری را برای دستگاه‌ها ارسال می‌کند. سپس، هر دستگاه از طریق داده‌هایی که در ارتباط با کاربر جمع‌آوری کرده برای آموزش مدلی که روی دستگاه قرار گرفته استفاده می‌کند (شکل 5). فرآیند آموزش در مقیاس بزرگ نیازمند محاسبات سنگینی است و به ‌همین دلیل است که امروزه از ابر برای این‌کار استفاده می‌شود. حال اگر، آموزش‌های بزرگ را به مجموعه آموزش‌های کوچک‌تر بشکنیم، قادر به مدیریت بارهای‌ کاری خواهیم بود. علاوه بر این، قابلیت‌های مدل هوشمند روی دستگاه به‌طور فوق‌العاده‌ای بهتر می‌شوند و دستگاه می‌تواند به‌شکل بهینه‌تری از الگوریتم‌ها و نرم‌افزارهای هوشمند استفاده کند. 

شکل 5

آموزش روی دستگاه‌های مصرفی سه فایده مهم زیر را دارد که باعث افزایش کاربری بیشتر هوش مصنوعی می‌شود:

• مقیاس: با توزیع فرایندهای پردازشی عمومی روی میلیون‌‌ها دستگاه، می‌توان به ‌توان محاسباتی قدرتمندی دست پیدا کرد. لازمه تحقق این امر وجود یک کانال ارتباطی بسیار سریع است که به‌سرعت داده‌ها را انتقال داده یا دریافت کند. 
• شخصی‌سازی: وقتی داده‌های متعلق به ‌کاربر برای آموزش روی دستگاه خودش قرار داشته باشد، یک مدل هوشمند کاملا سفارشی‌سازی به‌دست می‌آید. 
• حریم شخصی: داده‌های خام هیچ‌گاه از دستگاه کاربر به‌سمت ابر نخواهند رفت. وقتی از این داده‌ها برای آموزش مدل نصب شده روی دستگاهی استفاده شود، حریم خصوصی حفظ شده و داده‌ها در اختیار افراد یا شرکت‌های ثالث قرار نمی‌گیرد. 

چگونه می‌توانیم یک مدل هوش مصنوعی سراسری را روی همه دستگاه‌ها استفاده کنیم؟

گام‌های بعدی در این زمینه شامل بهبود عملکرد مدل‌های هوشمندی می‌شود که قرار است روی دستگا‌ه‌های مختلف مستقر شوند. بدون ارسال داده‌های خام به ابر، این سؤال مطرح می‌شود که چگونه می‌توانیم عملکرد یک مدل هوش مصنوعی سراسری را بهبود بخشیم، در حالی که حریم شخصی افراد را حفظ کنیم؟ مهندسان کوالکام توانستند با افزودن نویز به پارامترهای مدل هوش مصنوعی بر این مشکل غلبه کنند. آن‌ها داده‌ها را به‌شکل مبهم در می‌آورند، برخی معیارها را فشرده می‌کنند، مدل فشرده‌شده را کدگذاری می‌کنند و در پایان مدل به‌روزرسانی شده را برای ابر ارسال می‌کنند. در ادامه، ابر مدل هوش مصنوعی را بر پایه ورودی‌هایی که از تمام دستگاه‌ها دریافت کرده به‌روزرسانی می‌کند و بعد از آن مدل هوش مصنوعی بهینه شده را برای دستگاه‌ها ارسال می‌کند (شکل 6). این حلقه مدام تکرار می‌شود تا عملکرد مدل هوش مصنوعی بهبود پیدا کند. البته این فرایند به‌سادگی آن‌چه در این خلاصه مطلب گفته شد نخواهد بود. در شرکت کوالکام، تحقیقات وسیع و گسترده‌ای در خصوص آخرین دستاوردهای 5G و هوش مصنوعی در حال انجام است. علاوه بر این، کوالکام به‌دنبال کشف مزایای بالقوه‌ای است که از طریق آن‌ها بتوان به ایده لبه بی‌سیم هوشمند دست پیدا کند. 

شکل 6

در شبکه‌های موبایلی آینده، هوش مصنوعی چه نقشی خواهند داشت؟

با عرضه گسترده 5G شرکت‌های ارائه‌دهنده خدمات ارتباطی سیار با چالش‌های جدیدی روبرو شده‌اند؛ به‌طوری که ادغام تکنیک‌ها و الگوهای هوش مصنوعی در شبکه‌های 5G یکی از بهترین راه‌حل‌ها برای غلبه بر مشکلات و پیچیدگی‌ها است. شرکت اریکسون از شرکای تجاری خود در ارتباط با نحوه به‌کارگیری هوش مصنوعی در شبکه‌های 5G نظرسنجی انجام داده که پاسخ‌های برخی از آن‌ها در نوع خود جالب توجه است. 

برآوردهای انجام شده نشان می‌دهند 53 درصد سرویس‌دهندگان تا انتهای سال 2020 میلادی از قابلیت‌های هوش مصنوعی در سایت‌های 5G استفاده کرده‌اند. با این‌حال، برخی دیگر از آن‌ها در نظر دارند تا 2025 میلادی از هوش مصنوعی برای مدیریت بهتر شبکه‌های 5G استفاده کنند. 

کاهش هزینه‌های عملیاتی و اطمینان خاطر از بازگشت سرمایه‌گذاری‌ در شبکه از مهم‌ترین اولویت‌های ارائه‌دهندگان خدمات 5G است. برخی از شرکای اریکسون معتقد هستند که بالاترین میزان بازگشت سرمایه از طریق به‌کارگیری هوش مصنوعی در بخش برنامه‌ریزی و طرح‌ریزی شبکه است، در حالی‌که برخی دیگر در نظر دارند از هوش مصنوعی برای مدیریت عملکرد شبکه‌های 5G استفاده کنند. در شکل 7 نواحی کلیدی که بیشترین احتمال بازگشت سرمایه‌گذاری‌های هوش مصنوعی را دارند مشاهده می‌کنید. 

شکل 7

ارائه‌دهندگان خدمات ارتباطی سیار به این جمع‌بندی کلی رسیده‌اند که برای جمع‌آوری، ایجاد ساختار و تجزیه‌وتحلیل حجم عظیمی از داده‌ها که هوش مصنوعی قادر به پردازش آن‌ها است نیازمند توسعه پلتفرم‌های فعلی هستند. به‌همین دلیل شرکت‌هایی که بتوانند در کوتاه‌مدت از راه‌حل‌های هوش مصنوعی برای غلبه بر چالش‌های 5G استفاده کنند، مزیت رقابتی قابل توجهی نسبت به‌ رقبا به‌دست می‌آورند که سودآوری آن‌ها در بلندمدت را تضمین می‌کند.