Nokia Bell Labs presenterar livscykel för maskininlärning i optiska nätverk
Nokia Bell Labs har publicerat en studie om en ny livscykelmodell för maskininlärning som syftar till att påskynda införandet av autonoma optiska överförings- och nätverkslösningar. Modellen adresserar datakrav och precision inom maskininlärning i nätverksmiljöer.
Helsingfors – Nokia Oyj:s forskningsenhet Nokia Bell Labs har presenterat en ny publikation som behandlar tillämpningen av maskininlärning (ML) inom optiska nätverk. Publikationen beskriver en lärande livscykelmodell som syftar till att förbättra införandet av autonoma teknologier för optisk överföring och nätverk.
Enligt publikationen kräver traditionella ML-modeller stora mängder data för att säkerställa sin noggrannhet. Tillgången till verklig data kan dock vara begränsad på grund av den kontinuerliga utrullningen av ny nätverksutrustning och nya tekniker, vilket försvårar skapandet av precisa modeller. Data från simuleringar och laboratorietester täcker inte alltid alla nödvändiga aspekter.
Den föreslagna lösningen från Nokia Bell Labs bygger på hantering av ML-algoritmers livscykel i faktiska nätverk. Initialt kan data från simuleringar och laboratorier användas för att träna modellerna. När modellerna har driftsatts kan de uppdateras baserat på observerad oprecision, vilket förbättrar deras tillförlitlighet över tid. Studien presenterar även två specifika användningsfall som demonstrerar effektiviteten hos olika inlärningsstrategier.
En av de presenterade strategierna kombinerar ett tvåfasperspektiv: först används generisk data från simuleringar och laboratorietester, varefter modellen anpassas för drift i fält för att stödja heterogen utrustning. Detta tillvägagångssätt visades vara effektivt vid identifiering av fel. En annan strategi fokuserar på omträning av modeller i fält efter att oprecisioner har upptäckts, vilket visar betydande fördelar med kollektiv inlärning i autonom överföring.