سنتی در مقابل یادگیری عمیق در صنعت مخابرات: طبقه بندی معماری و الگوریتم

Google Cloud Architectures برای الگوریتم های یادگیری ماشین در صنعت مخابرات

مقدمه

رشد بی سابقه دستگاه های تلفن همراه ، برنامه ها و خدمات بیشترین تقاضا را برای زیرساخت های شبکه تلفن همراه و بی سیم ایجاد کرده بود. تحقیق و توسعه سریع سیستم های 5G به منظور به حداکثر رساندن تجربه کاربر ، راه هایی برای پشتیبانی از حجم ترافیک موبایل ، استخراج در زمان واقعی تجزیه و تحلیل ریز ریز و مدیریت چابک منابع شبکه پیدا کرده است.

علاوه بر این ، استنباط از داده های تلفن همراه ناهمگن از دستگاه های توزیع شده به دلیل محدودیت های محاسباتی و باتری ، چالش هایی را تجربه می کند. مدل های ML که در سرورهای لبه استفاده می شوند برای دستیابی به عملکرد مدل با دستیابی به یک تعارض بین پیچیدگی و دقت مدل ، به وزن سبک محدود می شوند. همچنین ، فشرده سازی مدل ، هرس و کمی سازی تا حد زیادی در محل وجود دارد.

در این وبلاگ ، ما سعی می کنیم موارد مختلف استفاده ، مشکلات و راه حل های قابل استفاده با ML را به شرح زیر درک کنیم:

• موارد مختلف استفاده از مخابرات توسط مدل های سنتی ML برای رضایت مشتری / تجربه کاربر نهایی حل می شود که به ROI بالاتر توجه دارند.
• محدودیت های مدل های سنتی ، تکامل مدل یادگیری عمیق و استفاده از آن در مخابرات …