5G技術 AI 人工智慧 機器學習 ML 邊緣 分散式學習 XR

5G合體AI促成三大創新 手機內機器學習實現個人化

2020-04-21
5G及AI兩大技術使人們的生活產生不同面貌。而面對逐漸從雲端轉往邊緣處理資料的趨勢,將裝置結合兩者優勢並以新運算模式—分散式學習執行,可望在提升系統執行效能的同時,亦能保障個人隱私。

 

5G和AI是全球數十年來最具顛覆性的兩大技術。儘管兩項技術已分別帶動許多產業的革新,實現新的體驗,但真正將改變一切的是5G和AI的結合。事實上,兩者結合是智慧無線邊緣願景的基石,智慧無線邊緣中的裝置內建處理、邊緣雲端和5G能共同創造由智慧型裝置和服務組成的全面聯網基礎。

不論是透過裝置內建的AI處理,還是以低延遲5G用邊緣雲端額外處理,未來將有大量資料在距離其來源更近的地方進行處理。透過裝置內建AI在距離來源更近的地方處理資料非常重要,因為這樣能提供隱私、個人化、可靠性等重要優勢,還能協助擴展智慧。

智慧無線邊緣不僅能強化現有的使用場景,還能實現全新的使用案例和垂直產業。本文將一窺AI如何讓5G更好、5G如何使AI驅動的體驗更完善,以及如何以無線技術實現分散式學習。

AI最佳化5G網路及裝置系統效能

在5G網路和裝置上應用AI能提升無線通訊的效率、延長電池續航力、強化使用者體驗。駕馭AI這項強大工具以改善無線技術的關鍵,是專注在傳統方式難以解決,且適合機器學習的無線技術重要挑戰,必須深入瞭解無線領域知識,才能知道要在何處使用AI功能。有廠商如高通(Qualcomm)長期投入無線技術和AI的研究,因此對無線領域有所瞭解。

無線產業長久以來關注的是AI如何讓5G網路更好,AI顯然將深深影響5G網路管理的多項關鍵領域,如強化服務品質、簡化部署、提高網路效率與增強網路安全性。如AI能偵測異常頻譜使用,找出網路流量中的氾濫式攻擊或冒名等異常頻譜使用(圖1)。

圖1  AI可實現智慧5G網路管理

較少受到關注的是裝置內建AI如何改善5G端對端系統。無線電感知是AI如何改善5G的核心,因為機器學習有別於人工建置的演算法,是解讀裝置四周複雜射頻訊號的良好工具。提升無線電感知可達到多項改進,如強化裝置體驗、提升系統效能與更佳的無線電安全(圖2)。

圖2  裝置內建AI可改善5G端對端系統

5G完善AI驅動體驗

5G的低延遲和高容量也能將AI處理分散到裝置、邊緣雲端和中央雲端,推動彈性系統解決方案提供多種全新和強化體驗。此無線邊緣架構具有適應性,能依據每一個使用場景適當權衡。如效能和功耗的權衡或許有助於判斷如何分散工作負載,以達到特定應用要求的延遲率或運算需求。

目前5G正在改善許多場景中藉AI強化的體驗,如透過無限延展實境(XR)提供的個人化銷售、以大幅改善語音使用者介面,實現直覺式虛擬助理,以及適應最佳化的可重新配置未來工廠。

不妨想像一下購物和零售未來可能的樣貌,有了無限延展實境、繪圖渲染和AI處理的工作負載可以透過低延遲5G連結分配給裝置和邊緣雲端。在購物時(圖3),人們所預想的是更加個人化的購物體驗,消費者見到的一切都和自身相關。不論是看見符合自身品味的服飾、自己有興趣的特定促銷,還是為了即將到來的生日禮物,都能讓消費者的購物體驗更有吸引力、生產力、也更有效率。

圖3  以無限擴增實境(AR)實現個人化購物

無線技術推進分散式學習運算模式

為了延展和解讀數位化世界,人們的觀念需要超越以雲端為中心的AI。現今部分分散式AI源自功耗表現優異,裝置內建AI推論的普及化,而推論則讓裝置能先精細處理資料,再傳送到雲端進行聚集分析。裝置內建AI的下一步是跨越推論,在裝置上執行訓練。未來,人們將看見完全分散式AI搭配終身裝置內建的機器學習,帶來更高水準的個人化以及隱私,但要如何實現這個願景?

以5G執行分散式學習是跨越雲端延展訓練之道,以下將說明如何在高層級運作。首先,使中央雲端或邊緣雲端傳送先進的全域AI模型到數個裝置上;再者,各個裝置收集個人資料並在裝置上執行訓練(圖4)。大規模訓練的運算密集程度非常高,正因如此,過去才一直在雲端環境中執行。以較小資料集執行數個小規模訓練後,工作負載就變得較容易管理。此外,裝置內建AI的功能已呈現指數成長,演算法和軟體也不斷改進。 裝置內訓練則具備三大重要優勢,可迎來AI的廣泛採用。

圖4  以5G執行分散式學習(第一部分)

1. 規模:將運算處理分散到數百萬支智慧手機等眾多裝置上後,就能利用龐大的運算能力。

2. 個人化:使用者的資料用於裝置訓練後,AI模型學習等於經過客製化。

3. 隱私:原始資料永遠不會從使用者的裝置送至雲端。以資料進行裝置上訓練後,使用者就能取得資料價值並保有隱私。

後續步驟是反覆改善先進的全域AI模型。既然原始資料不會傳送至雲端,問題便在於人們如何於改善全域AI模型的同時持續維護隱私?答案是為AI模型的參數增加雜訊以混淆資料、壓縮參數、加密壓縮過的模型,最後再傳送更新檔至雲端;雲端接著根據所有裝置的輸入檔更新AI模型,再傳送改善過的AI模型到各裝置上(圖5)。此迴圈重複進行後,可讓AI模型不斷進步。

圖5  以5G執行分散式學習(第二部分)

(本文作者皆為高通工程部門副總裁)

 

本站使用cookie及相關技術分析來改善使用者體驗。瞭解更多

我知道了!