ยกระดับเครือข่ายไร้สายด้วยAIที่รองรับ การทำงานร่วมกันระหว่างผู้ให้บริการ

วันที่ 28 กุมภาพันธ์ 2568 - 00:12 น.

---

กรุงเทพฯ-Qualcomm Technologies และ Nokia Bell Labs เดินหน้าทำงานร่วมกันเพื่อเผยศักยภาพของ AI แบบหลายผู้ให้บริการที่สามารถทำงานร่วมกันได้บนเครือข่ายไร้สายโดยภายในงาน MWC 2024 นั้นเป็นครั้งแรกที่Qualcomm และ Nokia Bell Labs มีโอกาสได้สาธิตการทำงานร่วมกันผ่านทางอากาศ (over-the-air interoperability)​ ของโมเดลเข้ารหัสและถอดรหัสสำหรับการป้อนข้อมูลสถานะช่องสัญญาณที่ขับเคลื่อนด้วยAIทั้งนี้ โมเดลเข้ารหัสนั้นทำงานบนอุปกรณ์เคลื่อนที่ที่ใช้ระบบ5G Modem-RF ของ Qualcomm Technologies ขณะที่โมเดลถอดรหัสนั้นทำงานบนสถานีฐานต้นแบบของ Nokiaโดยโมเดลเหล่านี้ได้รับการพัฒนาโดยQualcomm Technologies และ Nokia ผ่านเทคนิคใหม่ที่เรียกว่าการเรียนรู้แบบลำดับ (Sequential Learning)ด้วยเทคนิคการเรียนรู้แบบลำดับนี้ บริษัทต่างๆ จึงสามารถร่วมกันออกแบบโมเดล AI ที่สามารถทำงานร่วมกันได้โดยไม่จำเป็นต้องเปิดเผยรายละเอียดที่เป็นกรรมสิทธิ์เกี่ยวกับแนวทางการพัฒนาและใช้งานโมเดลของแต่ละบริษัท แต่ใช้การแบ่งปันชุดข้อมูลการฝึกที่ประกอบด้วยคู่ของอินพุตและเอาต์พุตของโมเดลจากบริษัทหนึ่งไปยังอีกบริษัทหนึ่งแทน

ด้วยการต่อยอดจากคอนเซปต์ต้นแบบที่Qualcomm และ Nokia Bell Labs พัฒนาขึ้นทั้งสองยังคงทำงานร่วมกันต่อเนื่องเพื่อเผยให้เห็นถึงศักยภาพ ความยืดหยุ่น และความสามารถในการปรับขนาดของ AI ที่สามารถทำงานร่วมกันได้สำหรับการป้อนข้อมูลสถานะช่องสัญญาณ

ประสิทธิภาพของ AI ไร้สาย (Wireless AI)​ในสภาพแวดล้อมทางกายภาพที่แตกต่างกัน

หัวใจสำคัญของการนำเทคโนโลยี AI ไปใช้งานในโครงข่ายจริงนั้น คือการตรวจสอบให้แน่ใจว่าโมเดลจะสามารถทำงานได้อย่างมีเสถียรภาพในสภาพแวดล้อมที่หลากหลายชุดข้อมูลฝึกจำเป็นต้องมีความหลากหลายเพียงพอเพื่อให้โมเดล AI สามารถเรียนรู้ได้อย่างมีประสิทธิภาพ อย่างไรก็ตามเป็นไปไม่ได้ที่ชุดข้อมูลฝึกจะสามารถครอบคลุมทุกสถานการณ์ที่อาจเกิดขึ้นได้ทั้งหมดดังนั้นโมเดล AI จึงต้องสามารถประยุกต์การเรียนรู้ให้รองรับกับสถานการณ์ใหม่ๆ ได้อย่างมีประสิทธิภาพในการทำงานร่วมกันของQualcomm Technologies และNokia Bell Labs ได้ศึกษาจุดรับส่งสัญญาณสามรูปแบบที่แตกต่างกันได้แก่พื้นที่กลางแจ้งในเขตชานเมือง (พื้นที่กลางแจ้ง) และพื้นที่ในร่มสองแห่งที่มีสภาพแวดล้อมแตกต่างกัน (พื้นที่ในร่มแห่งที่ 1 และพื้นที่ในร่มแห่งที่ 2)

ในสถานการณ์แรก ได้ทำการเปรียบเทียบประสิทธิภาพของโมเดล AI แบบทั่วไป (Common AI Model) ที่ผ่านการฝึกฝนด้วยชุดข้อมูลที่หลากหลาย กับโมเดลซึ่งได้รับการฝึกเฉพาะพื้นที่ (Hyper-local Models) แผนภูมิด้านล่างสรุปค่าความเร็วเฉลี่ยของการรับส่งข้อมูลที่ได้จากการทดสอบในพื้นที่กลางแจ้ง (Outdoor Site) และพื้นที่ในร่มแห่งที่ 1 (Indoor Site 1) ผลลัพธ์แสดงให้เห็นว่า โมเดล AI แบบทั่วไปสามารถทำงานได้ดีในสภาพแวดล้อมที่แตกต่างกัน โดยให้ประสิทธิภาพใกล้เคียงกับโมเดลที่ได้รับฝึกเฉพาะพื้นที่

 

รูปที่ 1: ค่าความเร็วเฉลี่ยของการรับส่งข้อมูล (Mbps) ของโมเดล AI ทั่วไปเทียบกับโมเดล AI ที่ฝึกเฉพาะพื้นที่

ต่อมา ได้ปรับแต่งโมเดล AI แบบทั่วไปโดยเพิ่มข้อมูลจากพื้นที่ในร่มแห่งที่ 2 เพื่อสร้างโมเดล AI แบบทั่วไปที่ได้รับการปรับปรุง (Adapted Common Model)จากนั้น ได้ทำการวัดความเร็วในการรับส่งข้อมูลของผู้ใช้ในสี่ตำแหน่งที่แตกต่างกันภายในพื้นที่ในร่มแห่งที่2ผลลัพธ์แสดงให้เห็นว่า โมเดล AI แบบทั่วไปมีประสิทธิภาพใกล้เคียงกับโมเดลที่ได้รับการปรับปรุง โดยมีค่าความแตกต่างไม่เกิน 1% ในทุกกรณีซึ่งสะท้อนให้เห็นถึงประสิทธิภาพของโมเดล AI แบบทั่วไปในการปรับตัวเข้ากับสถานการณ์ใหม่ๆ

รูปที่ 2: ค่าความเร็วเฉลี่ยของการรับส่งข้อมูล (Mbps) ที่ได้รับจากโมเดล AI แบบทั่วไป (Common Model) เทียบกับโมเดล AI แบบทั่วไปที่ได้รับการปรับปรุง (Adapted Common Model)

การเพิ่มประสิทธิภาพของการรับส่งข้อมูลเมื่อเทียบกับการป้อนข้อมูลแบบ Grid-of-Beams

การป้อนข้อมูลสถานะช่องสัญญาณที่ขับเคลื่อนด้วย AI (AI-enhanced channel state feedback) ช่วยให้เครือข่ายสามารถส่งสัญญาณในรูปแบบลำแสงที่แม่นยำยิ่งขึ้นส่งผลให้ความแรงของสัญญาณที่ได้รับดีขึ้นลดสัญญาณรบกวน และเพิ่มอัตราการรับส่งข้อมูลโดยรวมเราได้วัดผลการปรับปรุงนี้โดยการบันทึกอัตราการรับส่งข้อมูลที่ผู้ใช้ได้รับเมื่อใช้การป้อนข้อมูลสถานะช่องสัญญาณที่ขับเคลื่อนด้วย AI และการป้อนข้อมูลแบบ Grid-of-Beams (3GPP Type I)ในขณะที่ผู้ใช้เคลื่อนที่ไปตามตำแหน่งต่างๆ ภายในจุดส่งสัญญาณ ผลลัพธ์ในกราฟแท่งด้านล่างแสดงให้เห็นว่า AI-based feedback ช่วยให้อัตราการรับส่งข้อมูลเพิ่มขึ้นโดยมีอัตราการเพิ่มขึ้นอยู่ในช่วงตั้งแต่15% ถึง 95% ในแต่ละตำแหน่ง

แม้ว่าการเพิ่มขึ้นของอัตราการรับส่งข้อมูลในระบบเชิงพาณิชย์ที่ใช้การป้อนข้อมูลสถานะช่องสัญญาณที่ขับเคลื่อนด้วย AIจะขึ้นอยู่กับปัจจัยหลายประการ แต่ผลการทดลองนี้รวมถึงผลจากการศึกษาผ่านสถานการณ์จำลองต่างๆแสดงให้เห็นว่า AI สามารถช่วยเพิ่มอัตราการรับส่งข้อมูลได้อย่างต่อเนื่อง และมีประสิทธิภาพสูงกว่าวิธีแบบดั้งเดิม

รูปที่ 3: เปอร์เซ็นต์การเพิ่มขึ้นของอัตราการรับส่งข้อมูลเมื่อเทียบกับ Type I feedback ในการทดสอบกลางแจ้งและในร่ม

การเรียนรู้แบบเป็นลำดับที่เน้นการถอดรหัสฝั่งเครือข่ายก่อน

การเรียนรู้แบบเลำดับสามารถดำเนินการได้สองวิธีได้แก่การเข้ารหัสฝั่งอุปกรณ์ก่อน (Device encoder-first) หรือการถอดรหัสฝั่งเครือข่ายก่อน (Network decoder-first) ซึ่งแต่ละแนวทางมีผลต่อการนำไปใช้งานและการกำหนดมาตรฐานที่แตกต่างเพื่อรองรับความสนใจที่เพิ่มขึ้นของ3GPP (The 3rd Generation Partnership Project อันหมายถึงกลุ่มความร่วมมือของหน่วยงานกำหนดมาตรฐานการสื่อสารโทรคมนาคม) ต่อแนวทางแบบ decoder-first ในปีนี้ Qualcomm Technologies และ Nokia Bell Labs จึงเปลี่ยนจากการสาธิตแนวทางencoder-firstแบบดั้งเดิมมาสู่การสาธิตการฝึกโมเดลแบบ decoder-firstแทน

ทั้งนี้ แนวทางแบบ encoder-first ซึ่งได้การนำเสนอที่งาน MWC 2024 ที่ผ่านมานั้น ทาง Qualcomm Technologies ได้ออกแบบโมเดลเข้ารหัส และสร้างชุดข้อมูลฝึกที่ประกอบด้วยคู่ของอินพุตและเอาต์พุต จากนั้นได้แบ่งปันชุดข้อมูลนี้ให้กับ Nokia ซึ่งนำไปใช้ในการออกแบบตัวถอดรหัสที่สามารถทำงานร่วมกันได้ ผลลัพธ์แสดงให้เห็นว่าโมเดลที่พัฒนาโดยทั้งสองแนวทางให้ประสิทธิภาพได้ดีใกล้เคียงกัน โดยมีความแตกต่างเพียงไม่กี่เปอร์เซ็นต์

สรุป

ต้นแบบที่ Qualcomm Technologies และ Nokia Bell Labs สาธิตร่วมกันถือเป็นก้าวสำคัญในการเปลี่ยนการสื่อสารที่ขับเคลื่อนด้วย AI จากแนวคิดสู่ความเป็นจริงผลลัพธ์แสดงให้เห็นว่า AI สามารถยกระดับประสบการณ์ของผู้ใช้ได้อย่างมีนัยสำคัญ ผ่านแนวทางการเรียนรู้ที่หลากหลายในยามที่เรียนรู้เพื่อพัฒนาระบบ AI ที่สามารถทำงานร่วมกันได้ระหว่างผู้ให้บริการหลายรายQualcomm Technologies และ Nokia Bell Labs ก็เริ่มเห็นถึงศักยภาพของโครงข่ายที่เพิ่มขึ้น ความเสถียรที่มากขึ้น และประสิทธิภาพการใช้พลังงานที่ดียิ่งขึ้น

เรียนรู้เพิ่มเติมเกี่ยวกับงานวิจัยด้านเครือข่ายไร้สายของ Qualcomm