Telstra تختبر التعلم الآلي الكمي لتحليل الشبكة

يتم تسليط الضوء على تجربة Telstra للتعلم الآلي الكمي لتحليل الشبكة من قبل BTW Media لأن الأدلة المنشورة تربطها بالبنية التحتية للإنترنت أو الحوكمة أو التبعيات التشغيلية أو وضوح السوق.

• حقق النظام المحسَّن كميًا دقة مماثلة لنماذج التعلم العميق من Telstra، مع تدريبه في أيام بدلاً من أسابيع.
• يُبشر هذا التجربة بتحقيق وفورات في التكاليف والطاقة والكفاءة البنية التحتية لمشغلي الشبكات من خلال تقليل الاعتماد على البنية التحتية الثقيلة لوحدات معالجة الرسومات (GPU).

ما حدث:Telstra أكملت تعاونًا لمدة 12 شهرًا مع الخبير الكمي SQC

Telstraفي أستراليا بدأت تجربة لمدة عام مع SQC لاستكشاف كيف يمكن استخدام التعلم الآلي الكمي لمراقبة وتحسين أداء الشبكة بشكل أكثر فعالية. استخدم المشروع نظام الخزان الكمي من SQC، المسمى «Watermelon»، الذي يولد خصائص كميّة تغذي نموذج ذكاء اصطناعي.

كان الهدف مزدوجًا: التحقق مما إذا كانت هذه الخصائص المولَّدة كميًا يمكنها التنبؤ بمقاييس الشبكة الرئيسية (مثل زمن الوصول أو عرض النطاق الترددي) ومقارنة النتائج مع نموذج التعلم العميق الحالي.

ووفقًا للشركات، حقق النموذج الكمي نفس دقة التنبؤ التي حققها نهج التعلم العميق من Telstra، مع تحقيق ذلك بوقت تدريب وجهد تنفيذ مادي أقل بكثير. استغرق تدريب الخزان الكمي أيامًا قليلة فقط، بينما تطلب نهج التعلم العميق أسابيع ومعدات GPU أثقل.

اقرأ أيضًا:فودافون وثري تعيدان هيكلة بنيتهما التحتية لنمو أكثر ذكاءً
اقرأ أيضًا:فودافون تطلق إعادة شراء بقيمة 545 مليون دولار بعد النمو

لماذا هذا مهم

بالنسبة لمشغلي الشبكات، يعد التحليل التنبؤي وظيفة أساسية: القدرة على توقع مشكلات الأداء وتكييف الموارد ديناميكيًا وتجنب التأثير على العملاء تمنح ميزة تنافسية. تستخدم Telstra بالفعل أنظمة التعلم الآلي التقليدية لمراقبة مقاييس الشبكة مثل زمن الوصول وعرض النطاق الترددي لتحفيز الاستجابات الاستباقية.

يقدم إدخال التعلم الآلي الكمي في هذا العمل العديد من المزايا المحتملة. أولاً، وقت التدريب الأقصر (أيام مقابل أسابيع) يسمح بتكرار ونشر أسرع للنماذج التنبؤية. ثانيًا، أن الخزان الكمي لم يتطلب بنية تحتية GPU ثقيلة يشير إلى انخفاض التكاليف التشغيلية واستهلاك أقل للطاقة وربما بصمة كربونية أصغر.

من وجهة نظر استراتيجية، تشير هذه التجربة إلى أن التقنيات الكمية تنتقل من التجارب المختبرية البحتة إلى التطبيقات الصناعية الحقيقية. في السياق الأسترالي، يسلط هذا الضوء أيضًا على كيف يمكن للابتكار المحلي، من خلال رقائق SQC الكمية المصنوعة من السيليكون، أن يتعاون مع البنية التحتية للمشغلين لدفع تطور البنية التحتية الرقمية.

باختصار، يمثل هذا التعاون بين Telstra وSQC دراسة حالة مهمة للتعلم الآلي الكمي المطبق في قطاع الاتصالات. يفتح هذا آفاقًا لمشغلي الشبكات في جميع أنحاء العالم للاستفادة من التحليل المحسَّن كميًا لتقديم خدمات اتصال أكثر ذكاءً وأسرع وأكثر كفاءة، مما يؤثر على كيفية بناء وتشغيل البنية التحتية الرقمية من الجيل التالي.