Qualcomm и Nokia Bell Labs показали, как модели многопрофильных ИИ могут сотрудничать в совместимых в беспроводных сетях.
Карл Нузман, Белл -Лаборатория Фелло.
Декодер-первое или устройство энкодера.
Они сказали, что Qualcomm и Nokia Bell Labs продолжают работать вместе, чтобы доказать ценность совместимого многопрофильного искусственного интеллекта в беспроводных сетях. На Mobile World Congress 2024 они сначала доказали взаимодействие в эфире энкодера и дешифрования с усиленным каналом.
Они работали над эталонными мобильными устройствами с RF -системой Qualcomm Modem и базовой станцией Prototype Nokia соответственно. Эти совместные модели были разработаны двумя компаниями, использующими новую технику под названием последовательное обучение. Теперь они вернулись в MWC 2025 с большим количеством.
Обратная связь состояния канала помогает сети рассчитать лучший способ отправить данные на ваше устройство. По мере изменения беспроводных условий изменяются и оптимальное направление, которое доставка берет из сети к устройству. Qualcomm и Nokia смогли сделать сеть более умной и эффективнее генерировать точные балки с ИИ.
Благодаря последовательному обучению многочисленные компании могут совместно раздавать взаимодействующие модели ИИ, не нуждаясь в обмене собственными деталями своих реализаций. Вместо этого учебная база данных модельных паров ввода/вывода разделена от одной компании на другую.
Основываясь на этом доказательстве концепции, компании с тех пор продолжали работать вместе, чтобы доказать ценность, гибкость и масштабируемость взаимодействия ИИ для обратной связи состояния канала.
Беспроводная AI -сила в разных физических средах
Поскольку технологии ИИ развернуты в реальных сетях, важно убедиться, что модели усердно работают в различных средах. Обучающие базы данных должны быть достаточно разнообразными, чтобы модели искусственного интеллекта могли эффективно учиться; Тем не менее, нереально охватывать все возможные сценарии.
Таким образом, для моделей искусственного интеллекта очень важно обобщать их обучение для решения новых ситуаций. В сотрудничестве компании изучали три очень разных сотовых мест: местное местоположение на открытом воздухе и две разные внутренние среды.
В первом сценарии они сравнили производительность общей модели ИИ, обученной различным базам данных с гиперлокальными моделями, которые обучаются в определенных местах. Они обнаружили, что общая модель ИИ может работать в разных средах с сопоставимой производительностью, такой как гипер -локальные модели.
Позже компании адаптировали общую модель, чтобы включить данные с внутреннего веб -сайта 2 (адаптированная общая модель). Затем они измерили встречи с пользовательскими данными в четырех разных местах на веб -сайте in -House 2. Общая модель была в пределах 1% от действия адаптированной общей модели во всех случаях, показывая долговечность общей общей модели для новых сцен.
A-усиление A-усиленное согласование состояния канала позволяет сети передавать в более точном пучке, улучшая уровень принятого сигнала, уменьшая помехи и в конечном итоге обеспечивая более высокие токи данных. Мы измерили это улучшение, ведя трансферы данных, испытываемые обратной связью на основе искусственного интеллекта и обратной связи на основе сетки (3GPP Тип I), поскольку мобильный пользователь перемещался между различными местами в ячейке.
Использование ретортации ИИ дало более высокое назначение с увеличением пропускной способности для каждого локального увеличения от 15% до 95%. Прибыль на попадании, которые будут соблюдены в бизнес-системах в рамках AR-усиленной CSF, будут зависеть от многих факторов. Тем не менее, результаты этого доказательства концепции, наряду с многочисленными исследованиями имитации, позволяют предположить, что производительность с улучшениями ИИ будет неуклонно выше, чем те, которые достигнуты с помощью наследственных подходов.
Последующее обучение может быть реализовано двумя способами, либо первым, первым или онлайн-декодером, что имеет различные последствия для развертывания и стандартизации. Чтобы поддержать растущий интерес 3GPP к подходу к расшифровке, в этом году мы заменили наши первоначальные проявления кодеров, первые манифесты на модельном обучении декодера.
С подходом, первым Encoder, показанным в MWC 2024, Qualcomm разработал энкодер, сгенерировал учебную базу данных о входных/выходных парах, а затем поделился базой данных с Nokia, которая впоследствии прогнозировала совместимую дешифрование.
В этом году, с подходом, первым расшифровкой, Nokia спроектировала модель декодирования и сгенерировала и поделилась учебной базой данных о дешифровании входных данных/выхода для использования технологий Qualcomm для проецирования совместимого энкодера. Мы обнаружили, что модели, взятые из обеих категорий, работали одинаково хорошо, в нескольких процентных пунктах.
Итог
Прототип, который доказали Technologies Qualcomm и Nokia Bell Labs, представляет собой ключевой шаг для перемещения A-усиленного A-усиленного общения с концепции к реальности. Результаты показывают, что пользовательский опыт может быть значительно значительно улучшить по нескольким категориям обучения. Когда мы учимся проектировать совместимые, многопрофильные системы ИИ, мы можем понять улучшенную мощность, повысить надежность и снижение потребления энергии.
Source link
