یادگیری ماشین در شبکه‌های موبایل نسل آینده
استفاده از امواج میلی‌متری و آرایه‌های بزرگ آنتن‌های موسوم به «ورودی ـ خروجی انبوه» (massive MIMO) چالش‌های بزرگی در راه رسیدن به خدمات نسل پنجم محسوب می‌شوند. . نوکیا از سه حوزه عمده‌ای نام‌برده که هوش مصنوعی می‌تواند یکی از حوزه‌هایی باشد که به کمک شبکه‌های نسل پنجم بیاید.
دکل‌های مخابراتی در یک شبکه MIMO در مقایسه با دکل‌های معمول مورداستفاده در شبکه‌های گوشی‌های‌همراه، تعداد بیشتری از آنتن‌ها را برای ارسال و دریافت هم‌زمان سیگنال‌ها به کار می‌گیرند. مزیت چنین روشی این است که امکان ارسال و دریافت داده‌های بیشتری فراهم خواهد شد؛ اما این روش یک عیب بزرگ دارد و آن تداخل سیگنال‌هاست. برای برطرف کردن این عیب از یک فناوری پردازش سیگنال بنام «شکل‌دهی پرتو» (beamforming) استفاده می‌شود که امکان ارسال دقیق داده برای کاربران، کاهش تداخل و استفاده بهینه‌تر از طیف فرکانسی را فراهم می‌کند. تعیین زمان‌بندی این پرتوها (beams) چالش مهمی محسوب می‌شود. به‌عنوان‌مثال نوکیا از سامانه‌ای با ۱۲۸ آنتن استفاده می‌کند که همگی باهم کار می‌کنند تا ۳۲ پرتو را تشکیل دهند و لازم است هر ۴ پرتو در زمان‌های مشخصی زمان‌بندی شوند. از سوی دیگر، این پرتوها باید به‌گونه‌ای زمان‌بندی شوند که بیشترین بهره طیفی به دست آید یعنی یک دکل مخابراتی در هر ثانیه تعداد بیت‌های بیشتری را برای گروهی از کاربران ارسال کند. تعداد حالات ممکن فقط برای زمان‌بندی این چهار پرتو، به بیش از ۳۰ هزار انتخاب می‌رسد. واضح است که یک دکل مخابراتی توان سریع محاسبه کافی را برای یافتن بهترین حالت از بین این تعداد حالات ممکن را ندارد. نوکیا مدعی است، با استفاده از شبکه‌های عصبی می‌توان راهکاری برای این مشکل یافت. به اعتقاد نوکیا برای بهینه‌سازی نسل بعدی شبکه‌های سیار می‌توان از هوش مصنوعی استفاده دیگری نیز کرد.
برای استفاده بهینه‌تر از طیف فرکانسی شبکه‌های نسل پنجم، از ایستگاه‌های کوچکی موسوم به سلول کوچک (small cell) استفاده خواهد شد تا خدمات بی‌سیم به همان مکانی که مشتری در آن حضور دارد، ارسال شود. اپراتورها از این طریق خواهند توانست مکان اشیای درون یک ساختمان به‌عنوان‌مثال مکان حسگرها یا بلندگوهای هوشمند درون یک‌خانه را شناسایی کنند. دقت GPS در ردیابی درون ساختمان در بهترین حالت حدود ۵۰ متر است. نوکیا مدعی است، می‌توان از داده‌های فرکانس رادیویی یک شبکه سلول کوچک برای آموزش الگوریتم یادگیری ماشینی استفاده کرد؛ به‌طوری‌که قادر باشد موقعیت فیزیکی تجهیزات کاربران یک شبکه را تخمین بزند.
بر اساس آنچه نوکیا ارائه کرده، میزان خطا در این حالت در طبقات مختلف مرکز خریدی در چین، ۱۰، ۱۳ و ۹ سانتی‌متر بوده است. برای این‌که گوشی همراه در یک شبکه سلولی به‌خوبی عمل کند، باید اندازه کانال کنترل آپ‌لینک (uplink control channel) آن گوشی همراه را به‌درستی تنظیم کرد. هر چه این کانال طیف وسیع‌تری را به کار گیرد، کاربر تجربه تبادل داده بهتری خواهد داشت؛ اما به دلیل محدودیت در استفاده از طیف، باید مصالحه‌ای در تخصیص آن صورت بگیرد. روش‌هایی برای تعیین خودکار چنین مصالحه‌هایی وجود دارد که در شبکه‌های نسل سوم (۳G) و نسل چهارم (۴G) استفاده می‌شود، ولی کارشناسان نوکیا معتقدند در نسل پنجم، این موضوع به چالش مهمی تبدیل خواهد شد. در اینجا هم نوکیا مدعی است یادگیری ماشینی به کمک خواهد آمد. یک سامانه مبتنی بر هوش مصنوعی در ابتدا مشخصات تجهیزات کاربر نظیر میزان تحریک‌پذیری را تخمین می‌زند و درنهایت بهترین پیکربندی را برای تبادل داده انتخاب خواهد کرد. البته این کارشناسان یادآوری می‌کنند که شاید از همه این روش‌ها استفاده نشود، اما دست‌کم این مثال‌هایی از کاربردهای یادگیری ماشینی در بهبود کیفیت شبکه‌های نسل پنجم است.
