Schwerpunkte

5G und KI

Eine Technologie-Liaison mit Potenzial

21. September 2020, 15:00 Uhr   |  Autor: Hamid-Reza Nazeman / Redaktion: Diana Künstler | Kommentar(e)

Eine Technologie-Liaison mit Potenzial
© lightwise-123rf

KI und 5G können in hohem Maße voneinander profitieren. Zum einen kann durch KI der Netzwerk-Traffic optimiert werden, was für verbesserte Konnektivität sorgt. Zum anderen verfügt 5G über eine geringe Latenzzeit und hohe Bandbreite, was es erlaubt, KI-Anwen-dungen auf die Endnutzergeräte zu bringen und so eine neue User Experience zu schaffen.

Der neue Mobilfunkstandard und KI bieten für sich genommen schon jeweils spannende Anwendungsfelder. Kombiniert man aber beide Technologien, eröffnet das ungeahnte Möglichkeiten für eine echte Transformation. 5G und KI können gemeinsam den Weg für intelligentes Wireless Edge ebnen.

In Zukunft werden erheblich mehr Daten näher an der Quelle verarbeitet werden: Sei es durch geräteinterne KI-Verarbeitung oder durch zusätzliche Verarbeitung in der Edge Cloud über 5G. Die Bearbeitung von Daten durch geräteinterne KI ist dabei wichtig, da sie entscheidende Vorteile wie Datenschutz, Personalisierung und Zuverlässigkeit bietet. Überdies trägt sie zu einer einfachen Skalierung bei. Wireless Edge kann nicht nur bestehende Anwendungsfälle verbessern, sondern auch neue erschaffen und vertikale Anwendungen ermöglichen.

Besseres 5G-Netzwerk dank KI
In der Mobilfunkbranche wurde viel darüber gesprochen, wie KI zur Verbesserung des 5G-Netzwerks beitragen kann. Ihre Nutzung sowohl beim 5G-Netz als auch auf Geräteebene wird zu einer effizienteren drahtlosen Kommunikation, einer längeren Batterielebensdauer und einer besseren User Experience führen. Dabei ist klar, dass KI einen starken Einfluss auf verschiedene Schlüsselbereiche des 5G-Netzwerkmanagements hat: Sie verbessert beispielsweise die Servicequalität, vereinfacht die Bereitstellung, erhöht die Netzwerkeffizienz und optimiert die Netzwerksicherheit. So könnte Künstliche Intelligenz zum Beispiel dazu verwendet werden, Anomalien im Netzwerkverkehr zu erkennen, wie beim Flooding oder Identitätswechsel, indem sie eine ungewöhnliche Frequenznutzung erkannt. Seltener wird diskutiert, wie die geräteinterne KI das 5G-End-to-End-System verbesset. Das Funksignal steht dabei im Zentrum. Denn: Maschinelles Lernen stellt im Gegensatz zu statischen Algorithmen das perfekte Werkzeug dar, um die komplexen RF-Signale rund um ein Gerät herum zu verstehen und zu entschlüsseln. Die eingehendere Beschäftigung mit Funksignalen ermöglicht viele Optimierungen, wie zum Beispiel ein ausgefeilteres Geräteerlebnis, bessere Systemleistung und höhere Funksicherheit.

Besseres Kundenerlebnis
Die geringe Latenzzeit und die hohe Kapazität von 5G ermöglichen die Verteilung der KI-gestützten Datenverarbeitung auf einzelne Geräte, die Edge Cloud und die zentrale Cloud. Das bietet flexible Systemlösungen für eine Vielzahl neuer und verbesserter Anwendungsfälle. Diese drahtlose Edge-Architektur ist anpassungsfähig und lässt angemessene Kompromisse für verschiedene Einsatzzwecke zu. Je nach Anforderung können Performance-Aspekte oder wirtschaftliche Gesichtspunkte entscheidend dafür sein, wie Workloads verteilt werden, um die erforderliche Latenzzeit zu erreichen oder die Rechenanforderungen für eine bestimmte Anwendung zu erfüllen.

Bei Szenarien wie personalisiertem Einzelhandel durch Extended Reality (XR) kann 5G im Zusammenspiel mit KI dazu beitragen, das Kundenerlebnis zu verbessern. So könnte das Einkaufen der Zukunft wie folgt aussehen: Mit nahtloser XR werden die Rendering- und KI-Verarbeitungsaufgaben über eine 5G-Verbindung mit niedriger Latenz zwischen dem Gerät und der Edge Cloud aufgeteilt. Beim Schaufensterbummel sehen Kunden dann nur Produkte in der Auslage, die für sie interessant sind. Das intelligente, digitale Schaufenster passt sich an jeden neuen Kunden individuell an.

Verteiltes drahtloses Lernen
Um die digitalisierte Welt besser zu verstehen und zu skalieren, gilt es, über die Idee der Cloud-zentrierten KI hinauszugehen. Heute sehen wir eine teilweise verteilte KI – dank der Verbreitung von energieeffizienten, geräteinternen KI-Kapazitäten. Diese ermöglichen es den Geräten, Daten zu verfeinern, bevor sie zur aggregierten Analyse an die Cloud weitergegeben werden. Der nächste Evolutionsschritt der geräteinternen KI besteht darin, über die eigentliche Inferenz hinauszugehen und auch Training auf dem Gerät selbst durchzuführen. So ist in der Zukunft eine vollständig verteilte KI denkbar, die lebenslang auf „ihrem“ Gerät lernt und so die nächste Stufe der Personalisierung mit Datenschutz ermöglicht. Training im großen Maßstab ist sehr rechenintensiv, weshalb es bisher in der Cloud durchgeführt wurde. Verteiltes Lernen über 5G ermöglicht aber, Training über die Cloud hinaus zu skalieren. Der erste Schritt besteht also darin, dass eine zentrale oder Edge Cloud ein globales KI-Modell an die Geräte sendet. Als nächstes sammelt jedes Gerät persönliche Daten und führt ein Training am Gerät durch. Durch kleinere Trainingsläufe auf kleineren Datensätzen wird die Arbeitsbelastung überschaubarer. Zudem haben die KI-Fähigkeiten der Geräte zusammen mit den Verbesserungen der Algorithmen und der Software exponentiell zugenommen. Das On-Device-Training bringt in dem Zusammenhang drei wichtige Vorteile mit sich:

  • Skalierbarkeit: Durch die Verteilung der Verarbeitung auf viele Geräte, wie etwa Millionen von Smartphones, lässt sich eine beträchtliche Menge an Rechenleistung nutzbar machen.
  • Personalisierung: Mit den eigenen Daten wird das Lernen des KI-Modells von Natur aus an den jeweiligen Nutzer angepasst.
  • Datenschutz: Die Rohdaten verlassen die Nutzergeräte nie und gelangen nicht in die Cloud. Durch On-Device-Training können wertvolle Informationen aus den Nutzerdaten extrahiert werden, ohne die Privatsphäre zu verletzen.

Der nächste Schritt ist die iterative Verbesserung des globalen KI-Modells. Aber ohne die Rohdaten in die Cloud zu schicken, wodurch der Datenschutz beeinträchtigt würde, stellt sich die Frage, wie sich das globale KI-Modell verbessern lässt. Die Antwort: indem man den Parametern des KI-Modells Rauschen hinzufügt, um die Daten zu verschleiern, dann die Parameter komprimiert, das komprimierte Modell verschlüsselt und schließlich das Update an die Cloud sendet. Die Cloud aktualisiert nun das KI-Modell auf der Grundlage der Eingaben von allen Geräten und sendet das verbesserte Modell an die Geräte zurück. Diese Schleife iteriert, sodass das KI-Modell mit der Zeit immer besser wird.

Hamid-Reza Nazeman ist Managing Director Germany bei Qualcomm

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Change for a Running System
Vom Chatbot zu wirklich intelligenten Antworten
Bosch startet 5G-Tests im Halbleiterwerk Reutlingen
Gemeinsame 5G- und KI-Lösungen sind in Planung
5G: Wie kann die Verfügbarkeit im ländlichen Raum gelingen?
Chancen und Risiken der 5G-Technologie

Verwandte Artikel

Qualcomm Halo