Eigen RadarYapay Zekâ
Analiz

KDDI, şebeke ayarlarını saatlik yoğunluğa göre değiştirecek

KDDI, ticari şebekedeki denemenin ardından saatlere göre ayar yapan yapay zekâyı kasımda Japonya geneline yaymaya başlayacak. Sistem, gün içinde yoğunluk değiştikçe telefonlara ayrılan kaynakları düzenliyor. Önceki dağıtık yapay zekâ uygulamasının üzerine kurulan yeni yapı, ortak öğrenme ve sıkıştırılmış şebeke verileriyle yoğun ve sakin saatler için farklı ayarlar hazırlıyor.

Yapay Zekâ··Öğle
Bir baz istasyonu anteni ve ona bağlı telsiz kutusu, Japonya’daki yoğun bir istasyon girişinde birleşen yaya yollarına bakıyor.

Ticari şebeke denemesinin ardından kasımda yaygınlaştırma

Japon mobil iletişim işletmecisi KDDI ile araştırma kuruluşu KDDI Research, saatlere göre ayar yapan yapay zekâyı kasımda ülke geneline yaymaya başlamayı planlıyor. İki kuruluş, yaklaşımı haziran ile ağustos arasında Japonya genelinden seçtikleri 100 yoğun bölgede denedi. Çalışma, müşterilere zaten hizmet veren ticari şebekede yürütüldü; deneme alanları bu şebekenin gerçek işletim koşullarını sağladı. Tam kullanıma geçiş için 2026 mali yılı hedefleniyor. Yeni sistem, gün boyunca aynı kaynak dağılımını sürdürmek yerine baz istasyonu ayarlarını farklı saatlerdeki iletişim koşullarına uyarlıyor.[1], [2]

Çalışma, KDDI'nin şubatta bazı baz istasyonlarına yerleştirdiği dağıtık yapay zekâ uygulamasını geliştiriyor. Önceki uygulama artık ülke genelindeki şebekeye ulaşmış durumda. Şirket, iletişim kalitesinin iyileştiğini ve kapsama alanını ayarlamak için gereken çalışmanın azaldığını belirtiyor. Yeni deneme ise ek bir işletim sorununa yöneliyor: Bir bölgedeki yoğunluk, tek bir gün içinde büyük ölçüde değişebiliyor. Sakin ve yoğun dönemler arasında değişen gereksinime göre ayar yapmak gerekiyor.[1]

Baz istasyonları öğrendikleri bilgiyi paylaşıyor

KDDI, birden fazla yapay zekâ bileşeninin deneyimden öğrenip birlikte çalıştığı dağıtık pekiştirmeli öğrenme yöntemini kullanıyor. Baz istasyonlarına hizmet veren bileşenler, kendi ayarlarını hesaplayıp uyguluyor. Öğrenme bileşeni bu deneyimlerden bilgi topluyor ve öğrendiklerini sistemin diğer bileşenleriyle paylaşıyor. Saatlere göre değişen koşullar büyük miktarda şebeke verisi üretiyor. Ayar değişkenlerinin de çok sayıda olası birleşimi bulunuyor.[1]

Denemede, öğrenme başlamadan önce girdileri sıkıştıran bir yöntem de kullanıldı. Ülke genelindeki baz istasyonu verileriyle önceden hazırlanan model, ayarlama için gerekli özellikleri korurken gereksiz bilgileri çıkarıyor. Veri boyutlarının azaltılması, farklı saatlerdeki koşulların daha verimli öğrenilmesini amaçlıyor. Böylece öğrenme sürecine, sistemin işlemesi gereken şebeke koşullarını daha küçük bir yapıda temsil eden veriler sunuluyor.[1]

Yoğun ve sakin saatlerde kaynak dağılımı değişiyor

Denemede değiştirilen ayar, her akıllı telefona ayrılan denetim sinyali kapasitesiydi. Yoğunluk sırasında yapay zekâ, her cihazın gereksinimi kadar kaynak ayırarak veri gönderip almak için daha çok fırsat sağladı. Daha sakin saatlerde bağlantı kararlılığını desteklemek için kaynaklarda daha geniş bir pay bıraktı. KDDI, denetim sinyali kaynaklarındaki yetersizliğin giderilmesiyle telefonlara veri sinyali kaynakları ayrılabildiğini belirtiyor. Ayarlar, gereksinim değiştikçe şebekenin iletişimi nasıl yönettiğini düzenliyor.[1]

Kaynakça

  1. Haber kaynağıKDDIKDDI, baz istasyonlarını saatlik yoğunluğa göre ayarlayan yapay zekâyı yaygınlaştıracak↩1↩2↩3↩4↩5
  2. Haber kaynağıAI WatchKDDI, yoğun saatlerde şebeke ayarlarını değiştiren yapay zekâyı denedi↩