ประสิทธิภาพของ AI ไร้สาย (Wireless AI) ​ในสภาพแวดล้อมทางกายภาพที่แตกต่างกัน

หัวใจสำคัญของการนำเทคโนโลยี AI ไปใช้งานในโครงข่ายจริงนั้น คือการตรวจสอบให้แน่ใจว่าโมเดลจะสามารถทำงานได้อย่างมีเสถียรภาพในสภาพแวดล้อมที่หลากหลาย ชุดข้อมูลฝึกจำเป็นต้องมีความหลากหลายเพียงพอเพื่อให้โมเดล AI สามารถเรียนรู้ได้อย่างมีประสิทธิภาพ อย่างไรก็ตาม เป็นไปไม่ได้ที่ชุดข้อมูลฝึกจะสามารถครอบคลุมทุกสถานการณ์ที่อาจเกิดขึ้นได้ทั้งหมด ดังนั้น โมเดล AI จึงต้องสามารถประยุกต์การเรียนรู้ให้รองรับกับสถานการณ์ใหม่ๆ ได้อย่างมีประสิทธิภาพ ในการทำงานร่วมกันของ Qualcomm Technologies และ Nokia Bell Labs ได้ศึกษาจุดรับส่งสัญญาณสามรูปแบบที่แตกต่างกัน ได้แก่ พื้นที่กลางแจ้งในเขตชานเมือง (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 ทั่วไป เทียบกับโมเดล AI ที่ฝึกเฉพาะพื้นที่

ต่อมา ได้ปรับแต่งโมเดล AI แบบทั่วไป โดยเพิ่มข้อมูลจากพื้นที่ในร่มแห่งที่ 2 เพื่อสร้าง โมเดล AI แบบทั่วไปที่ได้รับการปรับปรุง (Adapted Common Model) จากนั้น ได้ทำการวัดความเร็วในการรับส่งข้อมูลของผู้ใช้ในสี่ตำแหน่งที่แตกต่างกันภายในพื้นที่ในร่มแห่งที่ 2 ผลลัพธ์แสดงให้เห็นว่า โมเดล AI แบบทั่วไปมีประสิทธิภาพใกล้เคียงกับโมเดลที่ได้รับการปรับปรุง โดยมีค่าความแตกต่างไม่เกิน 1% ในทุกกรณี ซึ่งสะท้อนให้เห็นถึง ประสิทธิภาพของโมเดล 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) ช่วยให้เครือข่ายสามารถส่งสัญญาณในรูปแบบลำแสงที่แม่นยำยิ่งขึ้น ส่งผลให้ความแรงของสัญญาณที่ได้รับดีขึ้น ลดสัญญาณรบกวน และเพิ่มอัตราการรับส่งข้อมูลโดยรวม เราได้วัดผลการปรับปรุงนี้โดยการบันทึกอัตราการรับส่งข้อมูลที่ผู้ใช้ได้รับเมื่อใช้การป้อนข้อมูลสถานะช่องสัญญาณที่ขับเคลื่อนด้วย AI และการป้อนข้อมูลแบบ Grid-of-Beams (3GPP Type I) ในขณะที่ผู้ใช้เคลื่อนที่ไปตามตำแหน่งต่างๆ ภายในจุดส่งสัญญาณ ผลลัพธ์ในกราฟแท่งด้านล่างแสดงให้เห็นว่า AI-based feedback ช่วยให้อัตราการรับส่งข้อมูลเพิ่มขึ้น โดยมีอัตราการเพิ่มขึ้นอยู่ในช่วงตั้งแต่ 15% ถึง 95% ในแต่ละตำแหน่ง

แม้ว่าการเพิ่มขึ้นของอัตราการรับส่งข้อมูลในระบบเชิงพาณิชย์ที่ใช้การป้อนข้อมูลสถานะช่องสัญญาณที่ขับเคลื่อนด้วย AI จะขึ้นอยู่กับปัจจัยหลายประการ แต่ผลการทดลองนี้ รวมถึงผลจากการศึกษาผ่านสถานการณ์จำลองต่างๆ แสดงให้เห็นว่า AI สามารถช่วยเพิ่มอัตราการรับส่งข้อมูลได้อย่างต่อเนื่อง และมีประสิทธิภาพสูงกว่าวิธีแบบดั้งเดิม

รูปที่ 3: เปอร์เซ็นต์การเพิ่มขึ้นของอัตราการรับส่งข้อมูล เมื่อเทียบกับ Type I feedback ในการทดสอบกลางแจ้งและในร่ม

การเรียนรู้แบบเป็นลำดับที่เน้นการถอดรหัสฝั่งเครือข่ายก่อน

การเรียนรู้แบบเลำดับสามารถดำเนินการได้สองวิธี ได้แก่ การเข้ารหัสฝั่งอุปกรณ์ก่อน (Device encoder-first) หรือการถอดรหัสฝั่งเครือข่ายก่อน (Network decoder-first) ซึ่งแต่ละแนวทางมีผลต่อการนำไปใช้งานและการกำหนดมาตรฐานที่แตกต่าง เพื่อรองรับความสนใจที่เพิ่มขึ้นของ 3GPP (The 3^rd Generation Partnership Project อันหมายถึงกลุ่มความร่วมมือของหน่วยงานกำหนดมาตรฐานการสื่อสารโทรคมนาคม) ต่อแนวทางแบบ decoder-first ในปีนี้ Qualcomm Technologies และ Nokia Bell Labs จึงเปลี่ยนจากการสาธิตแนวทาง encoder-first แบบดั้งเดิมมาสู่การสาธิตการฝึกโมเดลแบบ decoder-first แทน

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 จากแนวคิดสู่ความเป็นจริง ผลลัพธ์แสดงให้เห็นว่า AI สามารถยกระดับประสบการณ์ของผู้ใช้ได้อย่างมีนัยสำคัญ ผ่านแนวทางการเรียนรู้ที่หลากหลาย ในยามที่เรียนรู้เพื่อพัฒนาระบบ AI ที่สามารถทำงานร่วมกันได้ระหว่างผู้ให้บริการหลายราย Qualcomm Technologies และ Nokia Bell Labs ก็เริ่มเห็นถึงศักยภาพของโครงข่ายที่เพิ่มขึ้น ความเสถียรที่มากขึ้น และประสิทธิภาพการใช้พลังงานที่ดียิ่งขึ้น

เรียนรู้เพิ่มเติมเกี่ยวกับงานวิจัยด้านเครือข่ายไร้สายของ Qualcomm

• อ่านบล็อกโพสต์ล่าสุดเกี่ยวกับ นวัตกรรมเครือข่ายไร้สาย จากงาน MWC Barcelona 2025
• เยี่ยมชมเว็บไซต์วิจัยเทคโนโลยี 6G ของ Qualcomm Technologies และ Nokia Bell Labs

ผลิตภัณฑ์ที่มีแบรนด์ Qualcomm เป็นผลิตภัณฑ์ของ Qualcomm Technologies, Inc. และ/หรือบริษัทในเครือ