Περίληψη άρθρου:
Η τεχνητή νοημοσύνη (AI) μπορεί να βοηθήσει στην επίλυση σφαλμάτων και στη βελτίωση της κατανόησης του δικτύου κινητής τηλεφωνίας 5G, σύμφωνα με μια διατριβή του Πανεπιστημίου Umeå. Ο Tobias Sundqvist, βιομηχανικός διδακτορικός φοιτητής στο Τμήμα Επιστήμης Υπολογιστών, δημιούργησε μεθόδους μηχανικής μάθησης που χρησιμοποιούν δεδομένα αντιμετώπισης προβλημάτων για την κατανόηση της συμπεριφοράς του συστήματος RAN. Ο Sundqvist πιστεύει ότι η τεχνητή νοημοσύνη μπορεί πλέον να εκτελεί εργασίες που προηγουμένως έπαιρναν στους ανθρώπους εβδομάδες ή μήνες σε λίγα μόνο δευτερόλεπτα. Προηγούμενες έρευνες επικεντρώθηκαν στη βελτιστοποίηση του RAN ή στον εντοπισμό ανωμαλιών στις συλλεγόμενες μετρήσεις, αλλά η έρευνα του Sundqvist εξετάζει περαιτέρω την ανάλυση των αρχείων καταγραφής που προορίζονται για τους ανθρώπους για την ταχύτερη εύρεση σφαλμάτων και την επιτάχυνση της μελλοντικής ανάπτυξης δικτύων κινητής τηλεφωνίας.

Κύρια σημεία του άρθρου:

• Η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για την επιτάχυνση της ανάπτυξης του δικτύου 5G, παρέχοντας ταχύτερη αντιμετώπιση προβλημάτων και καλύτερη κατανόηση του δικτύου κινητής τηλεφωνίας.
• Ο Tobias Sundqvist έχει αναπτύξει νέες μεθόδους μηχανικής μάθησης που μαθαίνουν πώς συμπεριφέρεται το δίκτυο κινητής τηλεφωνίας με βάση τις πληροφορίες αντιμετώπισης προβλημάτων.
• Η τεχνητή νοημοσύνη μπορεί να βρει γρήγορα σφάλματα και να βοηθήσει στην κατανόηση του τι συμβαίνει σε μεγάλα κατανεμημένα συστήματα.
• Οι μέθοδοι μηχανικής μάθησης μπορούν να βρουν γρήγορα αποκλίσεις στα τεράστια αρχεία καταγραφής και να βοηθήσουν στον εντοπισμό ανώμαλης συμπεριφοράς.

Αναλυτικά το άρθρο:
Οι προγραμματιστές του δικτύου κινητής τηλεφωνίας 5G μπορούν τώρα να λάβουν βοήθεια από την τεχνητή νοημοσύνη (AI). Μια διατριβή από το Πανεπιστήμιο Umeå παρουσιάζει νέες μεθόδους μηχανικής μάθησης που παρέχουν ταχύτερη αντιμετώπιση προβλημάτων και καλύτερη κατανόηση του δικτύου κινητής τηλεφωνίας.

Ο Tobias Sundqvist, βιομηχανικός διδακτορικός φοιτητής στο Τμήμα Επιστήμης Υπολογιστών, ανέπτυξε νέες μεθόδους μηχανικής μάθησης που μαθαίνουν πώς συμπεριφέρεται το δίκτυο κινητής τηλεφωνίας με βάση τις πληροφορίες αντιμετώπισης προβλημάτων που αναλύουν καθημερινά οι προγραμματιστές λογισμικού. Οι νέες μέθοδοι μπορούν να βρουν γρήγορα σφάλματα και να βοηθήσουν στην κατανόηση του τι συμβαίνει σε μεγάλα κατανεμημένα συστήματα.

Έχοντας εργαστεί ως προγραμματιστής στις τηλεπικοινωνίες για πάνω από 20 χρόνια, ο Tobias Sundqvist αισθάνθηκε ότι οι προγραμματιστές δεν έπαιρναν την υποστήριξη που χρειάζονταν για την αντιμετώπιση προβλημάτων στις τεράστιες ποσότητες δεδομένων που παράγονται από το δίκτυο ραδιοπρόσβασης (RAN). Αποφάσισε τότε να πάρει την κατάσταση στα χέρια του και μαζί με το Πανεπιστήμιο Umeå και την εταιρεία Tietoevry, ξεκίνησε να αναπτύσσει νέες μεθόδους για την ανάλυση της συμπεριφοράς του RAN.

Το δίκτυο κινητής τηλεφωνίας αναπτύσσεται ραγδαία:
"Η χρήση των κινητών τηλεφώνων έχει αυξηθεί εκρηκτικά τα τελευταία δέκα χρόνια και το δίκτυο κινητής τηλεφωνίας έχει εξελιχθεί με τον ίδιο ρυθμό. Στο παρελθόν, το λογισμικό RAN ήταν συγκεντρωμένο σε μεμονωμένες εφαρμογές και είχε πολύ λιγότερα χαρακτηριστικά. Σήμερα, χρησιμοποιείται μια κατανεμημένη αρχιτεκτονική μικρο-υπηρεσιών και χιλιάδες μηχανικοί ενημερώνουν καθημερινά το λογισμικό με νέα χαρακτηριστικά. Παρ' όλα αυτά, οι προγραμματιστές αναλύουν το σύστημα σχεδόν με τον ίδιο τρόπο όπως όταν πρωτοκυκλοφόρησε το κινητό τηλέφωνο", λέει ο Tobias Sundqvist.

Αυτό που εμείς ως προγραμματιστές χρειαζόμασταν ώρες ή εβδομάδες για να αναλύσουμε, η τεχνητή νοημοσύνη μπορεί πλέον να το κάνει μέσα σε λίγα δευτερόλεπτα.

Όταν κάτι πάει στραβά στο RAN, οι προγραμματιστές μπορεί να χρειαστεί να περάσουν εβδομάδες αναλύοντας τα αρχεία καταγραφής για να εντοπίσουν πιθανά σφάλματα. Ο Tobias Sundqvist πιστεύει ότι τώρα υπάρχει επιτέλους ένα φως στην άκρη του μακρύ τούνελ αντιμετώπισης προβλημάτων.

"Αυτό που εμείς ως προγραμματιστές χρειαζόμασταν ώρες ή εβδομάδες για να αναλύσουμε, η τεχνητή νοημοσύνη μπορεί τώρα να το κάνει μέσα σε λίγα δευτερόλεπτα. Οι μέθοδοι που έχω αναπτύξει μπορούν να βρουν γρήγορα αποκλίσεις στα τεράστια αρχεία καταγραφής, αλλά και να βοηθήσουν στην κατανόηση του τι συμβαίνει στο RAN", λέει ο Tobias Sundqvist.

Είναι σημαντικό να κατανοήσουμε πώς μπορεί να βοηθήσει η ΤΝ:
Σήμερα, οι ίδιοι οι προγραμματιστές επιλέγουν τις πληροφορίες που μπορούν να χρησιμοποιηθούν για την αντιμετώπιση προβλημάτων και προορίζονται μόνο για ανάγνωση από ανθρώπους. Με χιλιάδες μηχανικούς που συμμετέχουν στην ανάπτυξη λογισμικού, οι πληροφορίες θα βρίσκονται σε διαφορετικές μορφές στα διάφορα τμήματα του RAN.

"Αυτό περιπλέκει τη δυνατότητα ανάλυσης των πληροφοριών. Έχουμε δείξει τα τεράστια κέρδη που θα μπορούσαν να επιτευχθούν στην αντιμετώπιση προβλημάτων ακολουθώντας μια πιο γενική δομή. Οι προγραμματιστές μπορούν στη συνέχεια να λάβουν βοήθεια από μεθόδους μηχανικής μάθησης για να παρακολουθήσουν τι συμβαίνει στο σύστημα και να λάβουν βοήθεια για να εντοπίσουν ποια είναι μια ανώμαλη συμπεριφορά".

Προηγούμενες έρευνες έχουν επικεντρωθεί κυρίως στο πώς η μηχανική μάθηση μπορεί να βοηθήσει στη βελτιστοποίηση του RAN ή στην εύρεση ανωμαλιών στις μετρήσεις που συλλέγονται. Ο Tobias Sundqvist προχωρά τώρα ένα βήμα παραπέρα αναλύοντας τη συμπεριφορά του RAN στα αρχεία καταγραφής του συστήματος που μέχρι τώρα προορίζονταν για τους ανθρώπους. Με αυτόν τον τρόπο, οι προγραμματιστές μπορούν πλέον να βρίσκουν πιο γρήγορα τα πολλά σφάλματα που κρύβονται στο RAN και να επιταχύνουν την ανάπτυξη των μελλοντικών δικτύων κινητής τηλεφωνίας.

Πηγή: AI can accelerate the development of the 5G network