Это название кликбейта в сторону. Настоящее название должно гласить: Как машинное обучение (ML) и искусственные нейронные сети (ИНС) станут доминирующими на рынке широкополосного доступа и как гибкие игроки смогут это сделать первыми.
Наше потребление Netflix, YouTube и почти всех других источников онлайн-контента с большим объемом данных во многом зависит от того, как эти данные нам доставляются. Это означает, что история Netflix и YouTube теперь фундаментально переплетается с историей оптоволоконного широкополосного доступа.
Чтобы понять, как Интернет мгновенно доставляется нам на руки, полезно понять, как на самом деле передаются необработанные данные. Почти все данные, передаваемые через Интернет сегодня, независимо от того, является ли последний этап передачи беспроводным, передаются по оптоволоконным кабелям. Эти кабели состоят из небольших стеклянных волокон, которые передают свет (данные) вдоль своей оси за счет процесса, называемого полным внутренним отражением.
По сути, это означает, что сигналы данных могут перемещаться на очень большие расстояния со скоростью, близкой к скорости света.
Однако растущая популярность и постоянно растущее потребление этих потоковых сервисов приводит к устойчивому увеличению трафика данных, что ставит нашу инфраструктуру (сами кабели) под огромное давление, чтобы удовлетворить спрос. Существующая волоконно-оптическая технология в настоящее время не может удовлетворить прогнозируемые будущие потребности в данных и потребности общества. Ограничивающим фактором здесь является сама инфраструктура. В частности, по мере того, как кабели прокладываются по все большей и большей сельской местности и на все более и более удаленных расстояниях, фактические сигналы данных, передаваемые по оси этих кабелей, искажаются, теряя фактические данные и, следовательно, качество при перемещении. С этими все более длинными кабелями мы обнаруживаем еще больше искажений.
Это не новое открытие, и некоторые ученые нашли решение, которое частично решает проблему. Их решение - использовать программное кодирование для цифровой коррекции искажения. Однако проблема, с которой они столкнулись, заключается в том, что довольно значительная часть искажений является полностью случайной, и поэтому их чрезвычайно сложно определить и устранить.
Один из подходов к этому заключался в использовании машинного обучения, в частности искусственных нейронных сетей (ИНС), которые представляют собой модели, имитирующие сложность и вычислительную мощность человеческого мозга. Ключевым отличием использования нейронной сети от более типичной модели машинного обучения является то, что мы не обучаем модель, она обучается сама по себе. Вы просто выставляете его данным и эт вуаля.
Итак, как ANN может помочь нашим интернет-сетям?
Использование ИНС обеспечивает сложный и продвинутый статистический подход в сочетании с мощной способностью иметь дело со случайностью (случайные искаженные сигналы в оптоволоконных кабелях). Это достигается путем обучения самих сигналов. Это ключевая функция в ИНС, которые предназначены исключительно для прогнозирования на основе ввода данных в модель и позволяют самой ИНС узнавать больше об обработанной информации. Как и любой другой мозг, он растет по мере обучения, и в то время как ИНС также функционирует как цифровое решение проблемы искажения - запрограммировано в электронных телекоммуникационных модемах, используя этот процесс обучения для сбора и усвоения исторических данных о волоконно-оптической сети - он узнает о сети снижение производительности, построение вероятностной модели.
Используя эту вероятностную модель в качестве руководства, ее искусственные нейроны затем отвечают за решение, можно ли и как исправить искаженные сигналы данных, по сути, работая как несколько «цифровых фильтров». Еще одно преимущество использования ИНС заключается в том, что, хотя область машинного обучения и нейронных сетей может быть нишевой с учетом необходимого уровня понимания, она принципиально менее сложна (по крайней мере, с точки зрения интеграции), чем другие технологические методы, что делает ее финансово выгодной. экономичное решение.
Хотя коммерциализация этого решения все еще находится в зачаточном состоянии, сама концепция доказала свою эффективность в ходе исследований.
Потенциальное влияние этой работы и дальнейших разработок в области машинного обучения может быть далеко идущим, особенно при подключении сельских районов путем прокладки более длинных оптоволоконных кабелей без необходимости в дополнительном оборудовании.
Также ожидается, что машинное обучение станет ключом к поддержанию сети с малой задержкой, известной как 5G. Кроме того, ML будет иметь фундаментальное значение для обеспечения двусторонней связи, необходимой для беспилотных автомобилей.
Хотя ML уже внедрен в определенных областях, таких как медицинская диагностика, робототехника и онлайн-маркетинг, его применение в мире телекоммуникаций будет более сложным из-за критичного по времени характера типичных коммуникаций: ML имеет лишь доли второй, чтобы ответить, когда проблема обнаружена, например финансовые операции на рынке, таком как Лондонская фондовая биржа. Именно по этой причине телекоммуникационные компании должны инвестировать в свои долгосрочные будущие контракты, а не существовать для выплаты вознаграждения акционерам на ежеквартальной основе.
