Telstra trials quantum machine learning for network analytics

• El sistema mejorado cuánticamente entregó una precisión equivalente a los modelos de deep learning de Telstra, aunque se entrenó en días en lugar de semanas.
• La prueba sugiere eficiencias en costo, energía e infraestructura para los operadores de red al reducir la dependencia de infraestructura pesada de GPU.

Qué sucedió: Telstra, ha completado una colaboración de 12 meses con el especialista cuántico SQC

Telstra en Australia se embarcó en una prueba de un año con SQC para explorar cómo el aprendizaje automático cuántico podría utilizarse para monitorear y optimizar el rendimiento de la red de manera más eficiente. El proyecto empleó el sistema de reservorio cuántico de SQC, llamado “Watermelon”, que genera características cuánticas que alimentan un modelo de IA.

El objetivo era doble: determinar si esas características generadas cuánticamente podían pronosticar métricas clave de la red (como latencia o ancho de banda) y comparar el resultado con un modelo de aprendizaje profundo existente.

Según las empresas, el modelo cuántico alcanzó la misma precisión de predicción que el enfoque de aprendizaje profundo de Telstra, pero lo logró con notablemente menos tiempo de entrenamiento y esfuerzo de implementación de hardware. El entrenamiento del reservorio cuántico tomó solo días, mientras que el enfoque de aprendizaje profundo requirió semanas y hardware GPU más pesado. Ver también: Ziggo Group nombra a sus líderes antes de su salida a bolsa en Ámsterdam en 2027.

Lea también: Vodafone y Three reformarán la infraestructura para un crecimiento más inteligente
Lea también: Vodafone lanza una recompra de $545 millones tras el crecimiento

Por qué es importante

Para los operadores de red, el análisis predictivo es una función crítica: poder prever problemas de rendimiento, adaptar recursos dinámicamente y evitar el impacto en el cliente da una ventaja competitiva. Telstra ya utiliza sistemas clásicos de aprendizaje automático para monitorear métricas de red como latencia y ancho de banda con el fin de activar respuestas proactivas. Ver también: Alejandro Estua.

La introducción del aprendizaje automático cuántico en ese flujo de trabajo ofrece múltiples ventajas potenciales. Primero, el tiempo de entrenamiento reducido (días vs semanas) significa una iteración y despliegue más rápidos de modelos predictivos. Segundo, el hecho de que el reservorio cuántico no requiriera infraestructura pesada de GPU sugiere costos operativos más bajos, menor consumo de energía y posiblemente una huella de carbono más pequeña. Ver también: Alejandro Manzo.

Desde un punto de vista estratégico, la prueba indica que las tecnologías cuánticas están pasando de experimentos puramente de laboratorio a aplicaciones industriales del mundo real. En el contexto australiano, también subraya cómo la innovación local, a través de los chips cuánticos de SQC construidos en silicio, puede asociarse con la infraestructura del operador para impulsar la evolución de la infraestructura digital. Ver también: Alejandro Hernandez.

En resumen, esta colaboración entre Telstra y SQC proporciona un estudio de caso significativo de aprendizaje automático cuántico aplicado en el sector de las telecomunicaciones. Plantea la posibilidad de que los operadores de red a nivel mundial puedan aprovechar el análisis mejorado cuánticamente para ofrecer servicios de conectividad más inteligentes, rápidos y eficientes, influyendo a su vez en cómo se construye y opera la infraestructura digital de próxima generación. Ver también: Alejandro Garza.