Telstra trials quantum machine learning for network analytics

• Le système amélioré par l'informatique quantique a atteint une précision équivalente aux modèles d'apprentissage profond de Telstra, tout en étant entraîné en quelques jours au lieu de quelques semaines.
• L'essai laisse entrevoir des gains de coûts, d'énergie et d'efficacité des infrastructures pour les opérateurs de réseaux en réduisant la dépendance à l'infrastructure GPU lourde.

Ce qui s'est passé: Telstra a terminé une collaboration de 12 mois avec le spécialiste quantique SQC

Telstra en Australie s'est lancé dans un essai d'un an avec SQC pour explorer comment l'apprentissage automatique quantique pourrait être utilisé pour surveiller et optimiser les performances du réseau plus efficacement. Le projet a utilisé le système de réservoir quantique de SQC, appelé « Watermelon », qui génère des caractéristiques quantiques alimentant un modèle d'IA.

L'objectif était double: déterminer si ces caractéristiques générées par la quantique pouvaient prévoir les indicateurs clés du réseau (tels que la latence ou la bande passante) et comparer le résultat avec un modèle d'apprentissage profond existant.

Selon les entreprises, le modèle quantique a atteint la même précision de prédiction que l'approche d'apprentissage profond de Telstra, tout en y parvenant avec un temps de formation et un effort de mise en œuvre matérielle nettement inférieurs. L'entraînement du réservoir quantique n'a pris que quelques jours, alors que l'approche d'apprentissage profond nécessitait des semaines et une infrastructure GPU plus lourde. Voir aussi: Ziggo Group nomme ses dirigeants avant l'introduction en Bourse à Amsterdam en 2027.

À lire aussi: Vodafone et Three vont moderniser leur infrastructure pour une croissance plus intelligente
À lire aussi: Vodafone lance un rachat de 545 millions de dollars après la croissance

Pourquoi c'est important

Pour les opérateurs de réseaux, l'analyse prédictive est une fonction essentielle: être capable de prévoir les problèmes de performance, d'adapter les ressources de manière dynamique et d'éviter l'impact sur les clients donne un avantage concurrentiel. Telstra utilise déjà des systèmes d'apprentissage automatique classiques pour surveiller les indicateurs de réseau tels que la latence et la bande passante afin de déclencher des réponses proactives. Voir aussi: Alejandro Estua.

L'introduction de l'apprentissage automatique quantique dans ce flux de travail offre de multiples avantages potentiels. Premièrement, le temps de formation réduit (quelques jours au lieu de quelques semaines) permet une itération et un déploiement plus rapides des modèles prédictifs. Deuxièmement, le fait que le réservoir quantique n'ait pas nécessité d'infrastructure GPU lourde suggère des coûts opérationnels réduits, une consommation d'énergie moindre et peut-être une empreinte carbone plus faible. Voir aussi: Alejandro Manzo.

D'un point de vue stratégique, l'essai indique que les technologies quantiques passent d'expériences purement en laboratoire à des applications industrielles réelles. Dans le contexte australien, cela souligne également comment l'innovation locale, via les puces quantiques de SQC fabriquées en silicium, peut s'associer à l'infrastructure des opérateurs pour stimuler l'évolution de l'infrastructure numérique. Voir aussi: Alejandro Hernandez.

En résumé, cette collaboration entre Telstra et SQC fournit une étude de cas significative de l'apprentissage automatique quantique appliqué au secteur des télécommunications. Elle ouvre la perspective que les opérateurs de réseaux du monde entier puissent tirer parti de l'analyse améliorée par la quantique pour fournir des services de connectivité plus intelligents, plus rapides et plus efficaces, influençant ainsi la manière dont la prochaine génération d'infrastructure numérique sera construite et exploitée. Voir aussi: Alejandro Garza.