Machine learning et communications sans fil 5G, une association prometteuse

Des chercheurs proposent de nouvelles alternatives pour dépasser les barrières actuelles qui limitent parfois les usages du machine learning, gourmand en ressources et en énergie.

Le machine learning transforme radicalement la société, de la reconnaissance faciale à l’aide au diagnostic médical, en passant par les communications, les moteurs de recherche et les équipements (drones, véhicules autonomes…). Cette technologie consiste à faire apprendre une ou plusieurs tâches à des ordinateurs, à partir de séries de données. Ceux-ci gagnent en autonomie et améliorent leurs performances car ils s’adaptent à l’environnement immédiat en effectuant des opérations pour lesquelles ils n’ont pas initialement été programmés. Mérouane Debbah, du Large Networks and Systems Group (LANEAS – Université Paris-Saclay, CentraleSupélec), en collaboration avec des chercheurs de l’université finnoise de Oulu, a récemment exploré les nombreuses possibilités qu’offrent cette innovation. Avec l’arrivée de connexions sans fil très performantes, comme la 5G, un nouveau champ d’applications s’ouvre au machine learning.

Dans la majorité des cas, le machine learning s’organise autour d’une entité centrale - un serveur -, qui récolte l’ensemble des données issues de dispositifs périphériques par le biais d’une connexion filaire à hautes performances, de type Ethernet. Le serveur dispose de l’ensemble des données qui servent à l’apprentissage. Cependant, cette organisation rencontre des limites en termes de latence et de fiabilité pour des applications où la vitesse d’exécution est primordiale, comme pour les véhicules autonomes.

Grâce à la connexion sans fil 5G, les chercheurs établissent un nouveau paradigme : les équipements disposent eux-mêmes des données qu’ils génèrent, exploitent leurs propres modèles qu’ils partagent localement avec d’autres appareils grâce à cette connexion, et ne sollicitent que rarement l’appui d’un serveur central. Chaque appareil bénéficie d’un accès direct et rapide aux données indispensables à son fonctionnement, et ce, même en cas de coupure de connexion Internet.

L’avantage de ce modèle décentralisé est de considérablement réduire la latence du système tout en améliorant sa fiabilité. Il améliore également la gestion d’informations personnelles sensibles, comme des données médicales, qui ne sont pas diffusées sur Internet mais restent stockées localement. Toutefois, ce type d’architecture demande à chaque appareil des capacités de mémoire et d’énergie suffisamment importantes pour le stockage et le traitement des données recueillies.

Park, Jihong, et al., "Wireless network intelligence at the edge." Proceedings of the IEEE 107.11 (2019): 2204-2239.