Decenijama su amaterski dvosmjerni radijski korisnici komunicirali širom čitavih kontinenata, birajući odgovarajuću radijsku frekvenciju u odgovarajuće doba dana, što je bilo luksuz, omogućen relativno malim brojem korisnika i uređaja koji su dijelili vazdušne talase. Ali, kako se prenosivi radijski uređaji umnožavaju u telefonima i IoT uređajima, pronalaženje učestanosti bez smetnji postaje sve teže, pa zato istraživači namjeravaju da upotrijebe duboko učenje, kako bi napravili razumni radio, koji trenutno podešava radijske frekvencije da bi se postigli najbolji rezultati.
Istraživači sa Instituta za bežičnu IoT tehnologiju Sjeveroistočnog univerziteta, objasnili su da povećavanje broja i gustine prenosivih IoT uređaja stvara nove izazove za optimizaciju bežične mreže; dati pojas radijskih frekvencija mogu dijeliti stotine malih radija, osmišljenih da rade u istoj zajedničkoj oblasti, svaki sa svojim posebnim znakovnim osobinama i izmjenama za prilagođavanje promijenjenim uslovima. Mnoštvo uređaja umanjuje uspješnost nepromjenjivih matematičkih modela, kada se predviđa koji djelovi spektra mogu biti slobodni u zadatom djeliću sekunde.
Tu nastupa duboko učenje. Istraživači se nadaju da će pomoću tehnika mašinskog učenja, ugrađenih u hardver bežičnih uređaja, poboljšati korišćenje frekvencija, tako da uređaji mogu samostalno da razviju strategiju optimizovanog korišćenja spektra pomoću vještačke inteligencije. Prva ispitivanja ukazuju na to da modeli sa dubokim učenjem imaju prosječno 20% bolju tačnost klasifikacije nego tradicionalni sistemi, kada se bore sa šumnim radijskim kanalima, i moći će da podrže na stotine uređaja u isto vrijeme, umjesto desetina. Uz to, arhitektura dubokog učenja, razvijena za ovu svrhu, biće korisna i za brojne druge zadatke.
Jedan ključni izazov u izvršavanju dubokog učenja za ovu primjenu je ogromna količina podataka, koja će se morati obrađivati brzo da bi se vršila neprestana analiza. Duboko učenje može da se oslanja na desetine miliona činilaca, i zato mu mogu trebati mjerenja iz podataka od preko sto megabajta po sekundi, na nivou milisekundi. Ovo prevazilazi mogućnosti čak i najsnažnijih ugrađenih uređaja koji su dostupni, navode istraživači, i malo kašnjenje zahtijeva da se rezultati ne obrađuju na oblaku (cloud).
Zbog toga će cilj biti smanjivanje modela dubokog učenja dok ne budu mogli da se izvršavaju na malim uređajima, i korišćenje složenih postrojenja za testiranje – bežičnih fabrika podataka, da se unaprijedi softver kako i hardver napreduje, podižući otpornost na neprijateljske napade. Istraživači predviđaju upotrebu učenja u 5G milimetarskim talasima i budućem 6G terahercnom hardveru, za koje se očekuje da biti šire rasprostranjenije od 4G uređaja u naredne dvije decenije, uprkos osjetljivosti njihovih signala, ultra visoke učestanosti, na fizičke smetnje.
Izvor: venturebeat.com