چگونه هوش مصنوعی قابلیت‌های فناوری 5G را بهبود می‌بخشد؟

فرارو- سید جهانگیر آقازاده*؛ در حالی که گوشی‌های هوشمند ما به طور فزاینده‌ای کوچک‌تر شده‌اند، الگوریتم‌های اصلی که آنها را اجرا می‌کنند از دهه 1990 تکامل چندانی  نیافته‌اند. بنابراین، سیستم‌های 5G انرژی بسیار بیشتری از حد مطلوب مصرف می‌کنند و نرخ بازده کمتراز حد انتظار را هم به دست می‌آورند. جایگزینی الگوریتم‌های بی‌سیم سنتی با هوش مصنوعی و یادگیری عمیق، مصرف انرژی را به‌طور چشمگیری کاهش می‌دهد و عملکرد  آن را بهبود می‌بخشد. بر اساس این رویکرد اهمیت کاربرد هوش مصنوعی در ارتباطات 5G  بسیار بیشتر از تمرکز مدیریت شبکه ومدیریت زمان و مانند آن خواهد بود.

هوش مصنوعی چیست؟

هوش مصنوعی (AI) شبیه سازی فرآیندهای هوش انسانی توسط ماشین ها و معمولا سیستم های کامپیوتری است. برنامه‌های هوش مصنوعی بر سه مهارت شناختی اصلی تمرکز می‌کنند:

 یادگیری (کسب داده‌ها و ایجاد قوانینی برای مرتب‌سازی آن داده‌ها)،

استدلال (انتخاب داده‌های مناسب برای دستیابی به نتیجه دلخواه)

و تصحیح خود (تنظیم دقیق مرتب‌سازی داده‌ها برای دقیق‌ترین نتایج).

قوانین مرتب سازی داده ها به عنوان الگوریتم شناخته می شوند که دستورالعمل های گام به گام را برای چگونگی دستیابی به یک نتیجه ارائه می دهند.

5G چیست؟

اکثر اپراتورهای تلفن همراه جهان اکنون نوعی ازفناوری نسل پنجم تلفن همراه یا همان 5G را راه اندازی کرده اند. استانداردهای این نسل ارتباطی برای اولین بار در اواخر سال 2017 تنظیم شد. سه نوع اصلی سرویس 5G وجود دارد: باند پایین، باند متوسط ​​و باند بالا. عملکرد این سه نوع  سرویس با هم تفاوت هایی دارد که درمبحثی دیگر شرح داده خواهد شد.. باید خاطر نشان کرد که حتی اگر همه اپراتورهای همراه جهان هم در حال حاضر خدمات «5G» ارائه دهند، چند سال دیگر طول می کشد تا شاهد تغییرات قابل توجهی در خدمات آن باشیم.

برای مقایسه، 4G برای اولین بار در سال ۲۰۱۰ عرضه شد، و در سال های ۲۰۱۲ و ۲۰۱۳ بود که  زیر ساخت های نرم افزاری و ارتباطی اصلی که برای کارخود به 4G نیاز داشتند، بسیار محبوب شدند. اکنون، شرکت اریکسون، به عنوان یک ارائه دهنده پیشرو فناوری اطلاعات و ارتباطات (ICT) برای ارائه دهندگان خدمات، تخمین می زند که تا سال 2024، صرفا 40 درصد از جهان از طریق شبکه 5G متصل خواهند شد.

"G" در 5G به سادگی مخفف "نسل" است. 1G سرویس سلولی آنالوگ بود. فناوری‌های 2G اولین نسل از فناوری‌های دیجیتال سلولی بودند. فناوری های 3G سرعت را از 200 کیلوبیت بر ثانیه به چندین مگابیت در ثانیه افزایش دادند. فناوری های 4G در حال حاضر صدها مگابیت در ثانیه و حتی تا سطح گیگابیت سرعت ارائه می دهند. 5G چندین جنبه جدید را ارائه می‌کند : کانال‌های بزرگ‌تر برای ارائه سرعت‌های سریع‌تر، تأخیر کمتر برای پاسخ‌دهی بیشتر، و توانایی اتصال دستگاه‌های بیشتر در زمان واحد.

تکامل 5G

                     منبع تصویر: Towards Data Science

هوش مصنوعی چه نقشی در شبکه های 5G ایفا خواهد کرد؟

پیچیدگی‌های زیادی در راه اندازی شبکه‌های 5G وجود دارد و یکی از راه‌هایی که صنعت برای رفع این پیچیدگی‌ها بکار می گیرد  یکپارچه‌سازی شبکه هاست.

بر اساس یک نظر سنجی که توسط شرکت اریکسون از مدیران و تصمیم گیران اصلی  132 شرکت تلفن همراه در سراسر جهان انجام پذیرفت :

بیش از 50 درصد اظهار داشتند که انتظار دارند تا پایان سال 2020 هوش مصنوعی را در شبکه های 5G خود ادغام کنند. تمرکز اصلی ادغام هوش مصنوعی کاهش هزینه های سرمایه، بهینه سازی عملکرد شبکه و ایجاد درآمد های جدید است.

 حدود 55 درصد از پرسش شوندگان اظهار داشتند که در حال حاضر از هوش مصنوعی برای بهبود خدمات مشتریان ، بهبود تجربه مشتری با افزایش کیفیت شبکه و ارائه خدمات شخصی سازی شده استفاده  می کنند.

 70 درصد بر این باورند که استفاده از هوش مصنوعی در برنامه ریزی شبکه بهترین روش برای بازیابی سرمایه گذاری های انجام شده در تغییر شبکه به 5G است.

64 درصد از پاسخ دهندگان به نظرسنجی تلاش دارند کاربری هوش مصنوعی خود را بر مدیریت عملکرد شبکه متمرکز کنند.

حوزه های دیگری که مدیران شبکه های همراه سلولی قصد دارند در آنها از هوش مصنوعی بهره ببرند شامل مدیریت SLA، چرخه عمر محصول، شبکه ها و کنترل و افزایش درآمد است.

البته چالش هایی در ارتباط با ادغام هوش مصنوعی در شبکه های 5G وجود دارد. مکانیسم‌های مؤثری برای جمع‌آوری، ساختار و تجزیه و تحلیل حجم عظیمی از داده‌های جمع‌آوری شده توسط هوش مصنوعی باید ایجاد شود. به همین دلیل، پذیرندگان اولیه هوش مصنوعی که راه‌حل‌هایی برای این چالش‌ها پیدا می‌کنند، با اتصال شبکه‌های 5G و هوش مصنوعی به عنوان پیشتازان این صنعت ظاهر خواهند شد.

چرا 5G به حوزه هوش مصنوعی مرتبط است؟

در حالی که گوشی‌های هوشمند ما به طور فزاینده‌ای کوچک‌تر شده‌اند، الگوریتم‌های اصلی که آنها را اجرا می‌کنند از دهه 1990 تکامل چندانی  نیافته‌اند. بنابراین، سیستم‌های 5G انرژی بسیار بیشتری از حد مطلوب مصرف می‌کنند و نرخ بازده کمتراز حد انتظار را هم به دست می‌آورند. جایگزینی الگوریتم‌های بی‌سیم سنتی با هوش مصنوعی و یادگیری عمیق، مصرف انرژی را به‌طور چشمگیری کاهش می‌دهد و عملکرد  آن را بهبود می‌بخشد. بر اساس این رویکرد اهمیت کاربرد هوش مصنوعی در ارتباطات 5G  بسیار بیشتر از تمرکز مدیریت شبکه ومدیریت زمان و مانند آن خواهد بود.

نکته مهم دیگر که باید در نظر داشت محدودیت طبیعی طیف های قابل استفاده فرکانس های رادیویی ست. فرکانس های رادیویی و پهنای باند مورد استفاده توسط شبکه های سلولی فعلی بطور گسترده ای همزمان توسط برخی دیگر از سازمانن ها و دستگاهها  نیز استفاده می شود. قوانین ملی و بین المللی به شدت عدم تداخل بین کاربران امواج رادیویی مختلف را تنظیم می کند و اتحادیه بین المللی مخابرات (ITU) بر هماهنگی این قوانین نظارت دارد. این نگرانی وجود دارد که استفاده روزافزون از فناوری‌های بی‌سیم  طیف امواج رادیویی را که تجهیزات الکترونیک برای برقراری ارتباط با یکدیگر استفاده می‌کنند، شلوغ کند. یکی از روش‌های پیشنهادی برای حل این مشکل، توسعه و تولید و بکارگیری دستگاه‌های ارتباطی است که  همیشه از یک فرکانس ثابت استفاده نمی کنند بلکه با بهره گیری از الگوریتم های هوش مصنوعی برای جستجو و یافتن فرکانس های آزاد استفاده  نمایند. این فعالیت هوشمند رادیویی قبلا امکان پذیر نبوده بر اساس آن  محدودیت پهنای باند طیف های مختلف فرکانسی که مانعی بسیار بزرگ در توسعه شبکه های ارتباطی ست برطرف شده و اپراتورها خواهند توانست با بهره گیری از هوش مصنوعی ، بدون نگرانی از تداخل فرکانسی از تمام ظرفیت باندهای فرکانسی برای خدمات دهی استفاده کنند .

در حالی که 5G تا 20 برابر سریعتر از 4G است، اما آنچه ارائه می دهد  چیزی فراتر از سرعت سریعتر است. به دلیل تأخیر کم، و سرعت بالاتر  5G به توسعه دهندگان این امکان را می دهد تا برنامه هایی ایجاد کنند که از زمان پاسخگویی بهبودیافته، برای مواردی چون انتقال ویدیوی تقریباً لحظه ای برای رویدادهای ورزشی یا اهداف امنیتی، بهره کامل را ببرند. علاوه بر این، اتصال 5G امکان دسترسی بیشتر به داده های بلادرنگ از راه حل های مختلف را فراهم می کند. 5G از حسگرهای اینترنت اشیا (IoT) استفاده می‌کند که سال‌های طولانی  دوام می‌آورند و به انرژی بسیار کمی برای کار کردن نیاز دارند. این می تواند امکان تشخیص از راه دور ، آبیاری و کشاورزی هوشمند ، و نظارت بر شرایط تجهیزات در کارخانه ها را فراهم کند. پزشکان می توانند با خیال راحت به داده های بیمار دسترسی پیدا کنند. و… اما همه این امکانات و فرصت ها به استفاده از هوش مصنوعی برای کاربردی کردن آنها نیاز دارد.

5G چگونه به هوش مصنوعی کمک می کند؟

رایانش لبه (رایانش مرزی ) یا edge computing مفهومی است که بر اسس آن داده‌ها را تا حد امکان نزدیک به منبع یا کاربر نهایی جمع‌آوری و پردازش می‌کنند. این منبع داده معمولا یک حسگر اینترنت اشیا است و پردازش به صورت محلی با قراردادن سرورها یا سایر سخت‌افزارها در نزدیکی محل فیزیکی منبع داده انجام می‌شود. در حالی که محبوبیت این نوع محاسبات در حال افزایش است و بازارهای جدیدی را برای ارائه دهندگان مخابراتی، در میان سایر صنایع خلق می کند، بسیاری استدلال کرده اند که معرفی برخی محصولات «متصل»، باعث جهش بازار آنطور که انتظار می رفت، نشده ست. این در حالیست که ، پیشرفت‌های اخیر فناوری هوش مصنوعی شروع به متحول کردن صنایع و توسعه ارزشی که این اتصالات می‌تواند با ترکیب داده‌های بزرگ، اینترنت اشیا و هوش مصنوعی برای مصرف‌کنندگان فراهم کند، کرده است.

5G این انقلاب را سرعت می بخشد زیرا معماری شبکه 5G به راحتی از پردازش هوش مصنوعی پشتیبانی می کند. معماری شبکه 5G آینده هوش مصنوعی را تغییر خواهد داد . 5G سرعت و ادغام سایر فناوری‌ها را افزایش می‌دهد، در همین حال هوش مصنوعی به ماشین‌ها و سیستم‌ها اجازه می‌دهد تا با سطوح هوشی مشابه انسان‌ها کار کنند. به طور خلاصه، 5G سرعت خدمات را در فضای ابری افزایش می دهد در حالی که هوش مصنوعی همان داده ها را سریعتر تجزیه و تحلیل می کند و از آنها یاد می گیرد.

یادگیری ماشین چیست؟

به زبان ساده، یادگیری ماشین machine learning (ML) زیرمجموعه‌ای از هوش مصنوعی است که الگوریتم‌ها و مدل‌های آماری را برای انجام یک کار خاص بدون استفاده از برنامه ریزی های صریح و با تکیه بر الگوها و استنتاج ایجاد می‌کند. الگوریتم‌های ML مدل‌های ریاضی را بر اساس داده‌های نمونه، به نام داده‌های آموزشی، می‌سازند تا پیش‌بینی‌ها یا تصمیم‌گیری‌ها را بدون برنامه‌ریزی خاص برای آن کار انجام دهند. الگوریتم‌های پردازش سیگنال آموخته‌شده می‌توانند نسل بعدی سیستم‌های بی‌سیم را با کاهش قابل توجهی در مصرف انرژی و بهبود در چگالی، توان عملیاتی و دقت در مقایسه با سیستم‌های شکننده و دستی امروزی تقویت کنند.

یادگیری عمیق Deep learning زیرمجموعه ای از یادگیری ماشین است که در آن الگوریتم های مورد استفاده دارای سطوح زیادی هستند که هر کدام تفسیر متفاوتی از داده ها ارائه می دهند. شبکه های بعدی الگوریتم ها به عنوان شبکه های عصبی مصنوعی شناخته می شوند زیرا شبیه شبکه های عصبی مغز انسان هستند. شبکه های عصبی که یاد می گیرند چگونه به طور مؤثر حتی در شرایط دشوار ، ارتباط برقرار کنند، . اینگونه شبکه ها به سرعت در حال تبدیل شدن به واقعیت هستند.

چگونه می توانیم از یادگیری ماشین و هوش مصنوعی برای 5G استفاده کنیم؟

بدون استفاده از هوش مصنوعی و یادگیری ماشین نمی توان یک شبکه 5G  را بطور کامل عملیاتی نمود. ادغام یادگیری ماشین و هوش مصنوعی در لبه شبکه را می توان از طریق استفاده از شبکه های 5G به دست آورد. 5G اتصال همزمان چندین دستگاه IoT را امکان پذیر می کند و حجم عظیمی از داده تولید می کند که باید با استفاده از یادگیری ماشین و هوش مصنوعی پردازش شوند.

هنگامی که ML و AI با رایانش لبه چند دسترسی 5G (MEC) ادغام می شوند، ارائه دهندگان بی سیم می توانند:

   - سطوح بالای اتوماسیون از معماری توزیع شده ML و AI در لبه شبکه ؛

   - هدایت ترافیک مبتنی بر برنامه در سراسر شبکه های دسترسی؛

   - و  برش شبکه پویا برای اجرای سناریوهای مختلف بر اساس الزامات متفاوت کیفیت خدمات را ارائه دهند.

چرا یادگیری ماشین برای سیستم های بی سیم 5G مهم است؟

شبکه‌های 4G موجود از پروتکل اینترنت (IP) برای اتصالات پهن باند و انتقال داده ها  استفاده می‌کنند که کارایی نسبتا ضعیف (و کمیت محدودی ) دارد. یادگیری ماشین  و هوش مصنوعی به شبکه‌های 5G اجازه می‌دهند تا دارای قابلیت پیش بینی بوده و غیر منفعل عمل کنند، این قابلیت ها برای عملکرد شبکه‌های 5G ضروری است. با ادغام یادگیری ماشین در فناوری 5G، سایت های هوشمند قادر خواهند بود خودشان تصمیم بگیرند و دستگاه های همراه نیز قادر خواهند بود بر اساس داده های آموخته شده، خوشه های سازگار و پویا ایجاد کنند. این کار باعث بهبود کارایی، تأخیرکمتر و قابلیت اطمینان برنامه های شبکه می شود.

پتانسیل ها و محدودیت های یادگیری ماشین برای ارتباطات 5G

همانطور که شبکه 5G پیچیده تر می شود و کاربرد های جدیدی مانند اتومبیل های خودران، اتوماسیون صنعتی، واقعیت مجازی، سلامت الکترونیک و موارد دیگر ظهور می کنند، یادگیری ماشینی در تحقق چشم انداز 5G ضروری تر خواهد شد. همانند هر فناوری جدید، یادگیری ماشین در این میان هم پتانسیل های قابل توجهی دارد و هم محدودیت هایی که باید بر آنها غلبه کرد.

پتانسیل های یادگیری ماشین برای ارتباطات 5G عبارتند از:

   ۱- پهنای باند همراه پیشرفته ( eMBB (enhanced Mobile Broad band) : توسعه شبکه فعلی موبایل های باند وسیع برای دستیابی به نرخ داده بالا در سرویس هایی که نیازمند نرخ بیت بالا هستند به بهبود تجربه کاربری مثل افزایش نرخ بیت سمت کاربر منجر می شود. به عنوان مثال می توان به پخش ویدئو با کیفیت فوق العاده بالا و واقعیت مجازی آنلاین اشاره کرد.

    ۲-  ارتباطات عظیم ماشینی mMTC(Massive Machine type communication) :  در این دسته بندی، حجم انبوهی از تجهیزات مثل سنسورهای کنترل از راه دور، پهباد ها وتجهیزات متحرک و نیز دستگاه های مانتیورینگ مختلف قرار می گیرند. نیازمندی مشترک و کلیدی این تجهیزات، قیمت بسیار پایین این تجهیزات و مصرف توان بسیار پایین آنها می باشد، این تجهیزات باید بتوانند عمر باتری بیشترو زمان فعالیت طولانی تری جهت سرویس دهی داشته باشند. معمولا هر کدام از این تجهیزات حجم داده بسیار پایینی تولید می کنند، اما وقتی که تعداد بسیار زیاد این تجهیزات را مد نظر قرار دهیم، حجم داده های تولید شده توسط آن ها به شدت بالا خواهد بود و شبکه واسط رادیویی باید قابلیت انتقال ان داده های عظیم  را داشته باشد.یکی از ویژگی های کلیدی خدمات ارتباطی 5G، تقاضای اتصال مقیاس پذیر برای گسترش تعداد دستگاه های بی سیم با انتقال کارآمد مقادیر کمی داده در مناطق تحت پوشش است.  mMTC باید بتواند کاربردهای جدید و پیش بینی نشده را پشتیبانی کند.

    ۳- ارتباطات بسیار مطمئن با تأخیر کم URLLC(Very low latency, very high reliability and availability):  طبق تعریف 3GPP ، شبکه موبایل نسل پنجم باید کمترین تاخیر و بالاترین در دسترس بودن را به کاربر ارایه نماید. این قابلیت شامل امنیت و سلامت اطلاعات کاربران، نظارت خودکار بر نحوه رفع خرابی ها و نگهداری سیستم، و اتوماسیون کارخانه ای خواهد بود.مراقبت های بهداشتی متصل، جراحی از راه دور، برنامه های کاربردی حیاتی، رانندگی خودکار، ارتباطات وسیله نقلیه به وسیله نقلیه (V2V)، اتصال قطار پرسرعت، و برنامه های کاربردی صنعت هوشمند، قابلیت اطمینان را در اولویت قرار می دهند.

محدودیت های ML برای ارتباطات 5G عبارتند از:

   ۱-  داده : داده‌های با کیفیت بالا برای برنامه‌های کاربردی ML ضروری هستند و نوع داده‌ها (برچسب‌دار یا بدون برچسب) هنگام تصمیم‌گیری برای استفاده از نوع یادگیری، عامل مهمی است. ML فقط به خوبی داده هایی ست که دریافت می کند.

    ۲- قضیه هیچ ناهاری مجانی نیست: این قضیه بیان می‌کند که اگر همه توزیع‌های تولید شده توسط داده‌های ممکن به طور میانگین محاسبه شوند، هر الگوریتم ML هنگام استنتاج داده‌های مشاهده نشده عملکرد یکسانی خواهد داشت. این بدان معنی است که هدف ML جستجوی بهترین الگوریتم یادگیری مطلق نیست، بلکه درک نوع توزیع مربوط به یک برنامه خاص 5G است واینکه کدام الگوریتم ML بهترین عملکرد را در آن داده خاص دارد.
( در علوم کامپیوتر مواقعی پیش می‌آید که خروجی تمام روندهایی که مشغول حل یک نوع مسئله خاص هستند از لحاظ آماری مشابه هم می‌باشند. دیوید ولپرت و ویلیام مک ردی بیان زیبایی را برای چنین وضعیتی در مسائل جستجو[ و بهینه‌سازی  ارائه داده‌اند، و آن هم این بود که از "ناهار مجانی خبری نیست". ولپرت قبلاً براهین "هیچ ناهار مجانی" را برای یادگیری ماشین به دست آورده بود. قبل از اینکه مقاله ولپرت منتشر شود، کالن شفر خلاصه‌ای از کار منتشر نشده ولپرت را با اصطلاحات متفاوت به جامعه علمی عرضه کرد.)

    ۳- انتخاب Hyperparameters: Hyperparameters مقادیری هستند که در الگوریتم‌های ML قبل از شروع آموزش تنظیم می‌شوند. این مقادیر باید با دقت انتخاب شوند زیرا بر پارامترهای نهایی که از نتایج یادگیری به روز می شوند تأثیر می گذارند.

    ۵- تفسیرپذیری در مقابل دقت: از دیدگاه ذینفعان، درک تعاملات پیچیده بین متغیرهای مستقل ممکن است دشوار باشد و ممکن است همیشه منطقی به نظر نرسد. بنابراین، باید بین تفسیر داده‌ها و دقت کامل یک داد و ستد و مبادله  نجام شود.

   ۶- حریم خصوصی و امنیت: الگوریتم‌های ML ممکن است در معرض حملات خصمانه قرار گیرند، مانند اصلاح یک نمونه ورودی برای مجبور کردن مدل به طبقه‌بندی آن در دسته‌ای متفاوت از کلاس اصلی‌اش.

نوآوری های برتر 5G  در افق پیش رو

با این همه پتانسیل برای استفاده از ML و AI و ادغام آنها با شبکه های 5G، صنایع مختلف در حال کار به سمت نوآوری بابهره گیری از 5G هستند. برخی از نوآوری های برتر در افق پیش رو عبارتند از:

    ورزش: 5G ویژگی های مشاهده پیشرفته ای چون مشاهده سه بعدی و نماهای پرسپکتیو مختلف از یک بازی زنده را ارائه می دهد .

    واقعیت مجازی بی‌سیم (VR): با 5G، کاربران می‌توانند از محتوای واقعیت مجازی در هر کجا و در هر زمان لذت ببرند.

    واقعیت افزوده (AR): 5G خدمات واقعی واقعیت افزوده مانند باغ وحش های مجازی ، آزمایشگاه مجازی ، کلاس های مجازی و… را ارائه می دهد.

    اجرای زنده: 5G اجرای زنده با کیفیت بسیار بالایی را از دستگاه های بی سیم ارائه می دهد.

    پخش جریانی بازی: بازی‌ها از طریق 5G در فضای ابری پردازش می‌شوند و در حالی که اجازه ورودی از دیگران را می‌دهند، پخش می‌شوند.

    اجرای آنلاین موسیقی : بسیاری از افراد می توانند با استفاده از قابلیت های 5G به صورت آنلاین با همدیگر به اجرای موسیقی بپردازند.

    ماشین‌های خودران: این فناوری به قدرت محاسباتی نیاز دارد که فقط از طریق شبکه‌های 5G و هوش مصنوعی به دست می‌آید با چنین ترکیبی، نقشه‌های سه بعدی شهرها بصورت همزمان روی وسایل نقلیه آپلود می‌شوند، ترافیک به‌روزرسانی می‌شود و نرم افزارها نیز بصورت خودکار به روزرسانی خواهد شد.

    خانه بی‌سیم: برخی از دستگاه‌های اولیه 5G دارای هات اسپات بی‌سیم برای تمام خانه هستند.

    اسکنرهای کم مصرف مانند برخی تجهیزات مزارع کشاورزی هوشمند ، دستگاه های خودپرداز، تجهیزات پزشکی و ماشین آلات سنگین کنترل از راه دور: این اقلام نیازی به اتصال دائمی ندارند و بنابراین می توانند به مدت 10 سال با یک باتری کار کنند در حالی که داده های خود را را بصورت دوره ای ارسال می کنند.

    امنیت عمومی و زیرساخت: شهرهای هوشمند و دیگر زیر ساخت های خدمات شهری می‌توانند با استفاده از شبکه‌های 5G کارآمدتر عمل کنند. شرکت‌های خدماتی قادر خواهند بود برکیفیت خدمات خود از راه دور نظارت کنند، از طریق سنسورهای نصب شده می توان به سرعت از  آتش سوزی ، سیل و حتی سوختن چراغ های معابر عمومی مطلع شد و شهرداری‌ها می‌توانند با استفاده از اتصالات 5G  به سرعت و به ارزانی دوربین‌های نظارتی و ترافیکی نصب کنند.

    مراقبت های بهداشتی: پزشکی از راه دور، مراقب های بهداشتی از راه دور، فیزیوتراپی از طریق AR، جراحی دقیق، و حتی جراحی از راه دور همگی امکاناتی هستند که 5G  در اختیار خواهد گذاشت. بیمارستان ها قادر خواهند بود شبکه های حسگر را برای نظارت بر بیماران ایجاد کنند، پزشکان می توانند قرص های هوشمند را با قابلیت ردیابی در بدن تجویز کنند و بیمه ها می توانند مشترکان  خود را برای تعیین درمان ها و فرآیندهای مناسب نظارت کنند.

* ترجمه و تلخیص : سید جهانگیر آقازاد؛ رییس هیات مدیره زی تل

منبع : کتاب How Artificial Intelligence Improves 5G Wireless Capabilities

 نشانی : www.deepsig.ai