Kan artificiell intelligens övervinna ljushastigheten och skicka data över nätet på nolltid? 

Jo, i viss mening. Till och med bakåt i tiden, faktiskt. Det här är en av många idéersom Carlo Fischione umgås med i sin forskning. Vi kommer att återkomma med en förklaring till det märkliga påståendet senare i artikeln.

IoT-professorn Carlo Fischione har just nu många projekt i luften inom ett specifikt område: samspelet mellan AI och datakommunikation – hur den ena kan dra nytta av den andra och tvärtom.

Han är en av de ledande inom området. Ingenjörsorganisationen IEEE bildade nyligen en arbetsgrupp på temat och han blev dess ordförande. Tillsammans med Ericsson har KTH dessutom tagit fram en uppdragsutbildning under ledning av Carlo Fischione.

– Det här är ett spännande nytt forskningsfält som bland annat vi på KTH är med och skapar, med andra kollegor.

AI HAR POTENTIALEN att göra en lika stor skillnad inom telekomvärlden som den redan gjort inom robotik, datorseende, mönsterigenkänning och taligenkänning. Dock är AI inte riktigt mogen för uppdraget ännu. Det saknas teorier och metoder.

– AI inom telekomvärlden ligger efter.

Maskininlärning utnyttjas av Ericsson idag både för design och drift i en tjänst kallad Operations Engine som bland annat förutspår trafikmönster.

– Det är en bra start, men det finns enormt mycket möjligheter kvar. Detta kan fungera för 4G men för framtiden och 6G kommer det inte att vara tillräckligt. 

Man kan säga att Carlo Fischiones uppdrag är att se till att Ericssons nuvarande AI-lösning blir föråldrad. Den arbetar nämligen med dagens AI och dagens protokoll. Och dem vill han riva ut.

Han och kollegorna vill göra en omstart och utveckla nya protokoll och nya AI-metoder parallellt, ömsesidigt optimerade för varandra.

CARLO FISCHIONE ser tre huvudspår: att använda maskininlärning (ML) för att trimma protokoll av diverse slag, att skapa protokoll som passar bättre för ML och att utveckla ML-algoritmer som är bättre anpassade för data distribuerade över nät.

Han är främst intresserad av trådlös kommunikation, som typiskt har tuffare bivillkor för bandbredd, strömförbrukning och prestanda.

När det handlar om att trimma protokoll verkar det bland annat som att AI kan effektivisera protokoll för överföring av data som ljud eller video.

– Det är tjänster vi använder idag, men AI kan hjälpa dem att bli bättre, mindre energikrävande, mer hållbara, lättare att implementera, säkrare, och så vidare.

Ett exempel är den AI-baserade videokodaren MPAI. Ett annat är Nvidia-videotjänsten Maxine som AI-analyserar deltagarnas ansiktsuttryck i realtid.

ETT ANNAT UPPSLAG är att använda AI för att lösa problem med V2V-kommunikation. Att bilar snabbt rör sig relativt varandra skapar robusthetsproblem som AI kanske kan lösa.

Ovanstående är exempel på hur AI hjälper befintliga protokoll att arbeta effektivare. Men utbytet mellan AI och telekom kan gå åt båda hållen. Carlo Fischione är lika intresserad av hur nätet eventuellt kan trimmas för att få AI att fungera bättre.

Liksom vissa protokoll är bra på strömmande video och andra på röstkommunikation, kommer vi att vilja ha protokoll som är optimerade för maskininlärning och AI. De kanske borde få sin egen slice i 5G-näten?

Hundra miljarder uppkopplade prylar i allt från människokroppar till självkörande bilar kommer om tio år att generera gigantiska volymer data. Mycket av den datan kommer att vara avläsningar som är på väg till artificiella neuronnät i tungt utrustade datacentraler.

Det kan bli trångt i nätet. Många noder kommer att vara trådlöst uppkopplade via smalbandiga strömsnåla protokoll. Och de kommer att vara batteridrivna noder med klena beräkningsresurser.

ETT SÄTT ATT MINSKA datatrafiken är att noderna filtrerar och bara sänder träningsdata som är extra intressanta. 

Här är en annan idé – en snål lösning för rapportering som ger sig ända ner i det fysiska nätverksskiktet för att minska trafiken. Ett gäng noder i ett trådlöst sensornät skickar sina mätvärden exakt samtidigt på samma frekvens. Beroende på hur det ordnas ser mottagaren omedelbart medelvärdet, en linjärkombination, max eller någon annan funktion av värdena.

Det kallas CoMAC (Computation over Multiple-Access Channels). För träning av artificiella neuronnät är det typiskt summan som är intressant.

En annan idé är att helt delegera maskininlärningen till de enskilda noderna.

– Då kan vi behålla data distribuerade.

Det kallas federerad inlärning och kan göras på olika sätt. Noderna kan dela upp data mellan sig. Eller träna olika delar av samma nät. Eller träna på olika kännetecken (features) i ett och samma objekt.

En annan idé, denna för användning vid klassificering, är att varje nod lagrar de första lagren i neuronnätsklassificeraren och sänder sin output från sitt eget sista lager istället för rådata. Därmed görs komprimering och beräkning i en smäll. Kanske passeras hierarkiskt ytterligare noder på vägen och applicerar ytterligare neuronnätsskikt.

Det pågår forskning inom alla dessa områden och för konkreta fall kan det finns magnituder att spara i energi, bandbredd och latens.

Ytterligare ett viktigt bivillkor blir att upprätthålla dataintegritet för säkerhet och sekretess. Data kan vara säkerhetskritiska. Eller personliga, som när kameror filmar trafik.

Carlo Fischione är medgrundare av bolaget Elk, som bygger ett sorts ”Zoom för musiker” kallat Aloha. Det har så låg latens att musiker på skilda orter kan spela tillsammans utan att tidsfördröjningar saboterar.

Aloha är en kommunikationstillämpning och Carlo Fischione har idéer om hur AI skulle kunna användas i Aloha. Den kanske kan analysera musiken och hoppa in som extra medlem eller ackompanjera? Eller så kan AI ta ner latensen till noll.

– Vi kan klå ljushastigheten – kan man säga, i någon mening. Eftersom vissa beteenden kan förutspås.

I förstone låter det som nonsens. Men jämför med autotextfunktionen på en mobilen – den gissar vad du tänker skriva. Så jo, AI kan faktiskt förutsäga framtiden. Den idén borde kunna användas även för kommunikation.