آموزش هوش مصنوعی در شبکه‌های 5G: جنبه‌های استقرار، ریسک‌ها و مدل‌های زبانی بزرگ (LLM) در تلکام - آخرین آپدیت

سرفصل ها و درس ها

مبانی هوش مصنوعی: اصطلاحات و چالش‌ها AI fundamentals: terminology and challenges

• اصطلاحات: هوش مصنوعی چیست؟ Terminology: what is AI?

• اصطلاحات: انواع یادگیری ماشین Terminology: types of Machine Learning

• اصطلاحات: یادگیری نظارت شده، نظارت نشده و یادگیری تقویتی Terminology: Supervised/Unsupervised/Reinforcement Learning

• اصطلاحات: شبکه‌های عصبی Terminology: Neural Networks

• اصطلاحات: سایر انواع AI/ML Terminology: other types of AI/ML

• اصطلاحات: یادگیری توزیع شده Terminology: Distributed Learning

• اصطلاحات: یادگیری فدرال Terminology: Federated Learning

• اصطلاحات: هوش مصنوعی مولد (Generative AI) Terminology: Generative AI

• اصطلاحات: هوش مصنوعی عمومی (General AI) Terminology: General AI

• اصطلاحات: LLM چیست؟ Terminology: what is LLM?

• اصطلاحات: هوش مصنوعی چندوجهی (Multi-modal AI) Terminology: multi-modal AI

• اصطلاحات: AI-native Terminology: AI-native

• چرا هوش مصنوعی برابر با توانایی انسان نیست؟ Why AI is not = Human Capacity?

• هوش مصنوعی و شغل: آیا طبقه متوسط در خطر است؟ AI and Work: middle class at risk?

• هوش مصنوعی و شغل: ارتقای مهارت، ارتقای مهارت، ارتقای مهارت(!) AI and Work: upskill, upskill, upskill(!)

• چالش‌های اخلاقی و حریم خصوصی در AI AI Ethical and Privacy Challenges

• سنجش دانش شماره ۱ Check you knowledge #1

پذیرش AI برای تلکام: از چالش‌ها تا راهکارها AI adoption for Telecom: from challenges to solutions

• چرخه هایپ گارتنر برای AI و 5G Gartner's Hype Cycle for AI and 5G

• هوش مصنوعی برای تلکام: تاریخ تکرار می‌شود AI for Telecom: history repeats itself

• هوش مصنوعی برای تلکام: حوزه‌های کاربرد AI for Telecom: areas of application

• هوش مصنوعی مولد برای تلکام: پذیرش و استقرار Generative AI for Telecom: adoption and deployments

• هوش مصنوعی مولد برای تلکام: چالش‌های پذیرش Generative AI for Telecom: adoption challenges

• چرا به ساخت یک مرکز تعالی هوش مصنوعی نیاز دارید؟ Why do you need to build an AI center of excellence?

• هوش مصنوعی مولد برای تلکام: اتخاذ رویکردهای باز Generative AI for Telecom: take open approaches

• هوش مصنوعی مولد برای تلکام: حوزه‌های تمرکز برای پذیرش Generative AI for Telecom: areas of focus for adoption

• سنجش دانش شماره ۲ Check your knowledge #2

• جلسه‌ای با مدیر فناوری (CTO) یک اپراتور شبکه موبایل درباره استراتژی‌های پذیرش AI A meeting with the CTO of a mobile network operator on AI adoption strategies

مدل‌های LLM در تلکام: مدل‌ها، هزینه‌ها، زیرساخت، KPIها و بهینه‌سازی LLMs in Telecom: models, costs, infrastructure, KPIs, optimization.

• گزارش شاخص AI: وضعیت فعلی LLM AI Index Report: current state of LLM

• اصطلاحات: LLM چیست و چه کارهایی می‌تواند انجام دهد؟ Terminology: what is LLM and what it can do?

• مدل‌های LLM: مرور چشم‌انداز بازار LLM: Market Landscape overview

• مدل‌های LLM: هزینه ساخت، بهبود یا تنظیم دقیق (Fine-tune) یک مدل پایه چقدر است؟ LLM: how much does it cost to build, enhance or fine-tune foundation model?

• مدل‌های LLM: درک زبان تخصصی تلکام LLM: understanding Telecom language

• تلکام برای LLM در مقابل LLM برای تلکام Telecom for LLM vs LLM for Telecom

• زیرساخت تلکام: مدل‌های LLM روی دستگاه، MEC و ابری Telecom Infrastructure: on-device/MEC/Cloud LLMs

• زیرساخت تلکام: چالش‌های لبه (Edge) و روی دستگاه در LLM Telecom Infrastructure: LLM edge and on-device challenges

• مفهوم هوش جمعی Collective Intelligence Concept

• مدل‌های LLM تلکام: KPIهای احتمالی شبکه Telecom LLM: possible network KPIs

• مدل‌های LLM روی دستگاه: اپل، گوگل، سامسونگ On-device LLM: Apple/Google/Samsung

• مدل‌های LLM: مقایسه GPT-4، Gemini، Claude در مقابل مدل‌های متن‌باز LLM: GTP-4, Gemini, Glaude vs Open Source models

• مدل‌های LLM: مدل‌های اختصاصی در مقابل مدل‌های متن‌باز LLM: Proprietary models vs Open Source models

• مدل‌های LLM روی دستگاه: محدودیت‌های استنتاج (Inference) On-device LLM: Inference limit

• مدل‌های LLM روی دستگاه: مثال بهینه‌سازی On-device LLM: optimization example

• مدل‌های LLM روی دستگاه: ارتباطات معنایی On-device LLM: semantic communication

• مدل‌های LLM تلکام: تاثیر بر ترافیک موبایل و ۳ مورد بنیادی جدید برای تلکام Telecom LLM: impact on mobile traffic and 3 new fundamental things for Telecom

• سنجش دانش شماره ۳ Check your knowledge #3

ویژگی‌های AI/ML در شبکه‌های 3GPP 5G AI/ML features in 5G 3GPP networks

• سطوح اتوماسیون شبکه Network Automation Levels

• نمای کلی خط زمانی AI/ML در 3GPP 5G AI/ML timeline in 5G 3GPP overview

• تابع تحلیل داده‌های شبکه (5G NWDAF) و جنبه‌های جمع‌آوری داده‌ها چیست؟ What is Network Data Analytics Function (5G NWDAF) and data collection aspects

• جنبه‌های یکپارچه‌سازی NWDAF و تولید تحلیل‌ها NWDAF integration and analytics generation aspects

• راهکارهای بازار NWDAF و نکات کلیدی که باید بدانید NWDAF market solutions and key points to know

• تابع تحلیل داده‌های مدیریتی (MDA) چیست؟ What is Management Data Analytics (MDA) function?

• نمای کلی تابع MDA و موارد کاربرد در 3GPP MDA function overview and 3GPP use cases

• سنجش دانش شماره ۴ Check you knowledge #4

• چرا بینش‌های NWDAF اغلب بدون استفاده می‌مانند؟ Why NWDAF insights often go unused?

• نرمال‌سازی داده‌های NWDAF و مسئولیت آن با کیست؟ NWDAF data normalization and who is responsible?

• انتقال داده‌های UPF با استفاده از SMF: چرا این مسیر جمع‌آوری داده ناکارآمد است؟ Relaying UPF data using SMF - why this is inefficient data collection path?

• دیدگاه اپراتور در NWDAF: سربارهای احتمالی TCO و استقرار مرحله‌ای NWDAF - operator perspective: possible TCO overhead and phased deployment

رابط هوایی AI-native: از بلوک‌های بهبودیافته با AI/ML تا گیرنده عصبی عمیق AI-native Air Interface: from AI/ML-enhanced blocks to a deep neural receiver

• محدودیت‌های رابط رادیویی سنتی Limitations of conventional radio interface

• سه فاز رابط رادیویی AI-native 3 phases of AI-native radio interface

• معماری‌های ML برای توابع شبکه بی‌سیم ML architectures for wireless network functions

• فاز ۱: بلوک‌های پردازشی بهبودیافته با AI Phase 1: AI-enhanced processing blocks

• فاز ۲: گیرنده عمیق یکپارچه و مزایای تجمیع عملکردی Phase 2: Integrated Deep Receiver and benefits of functional aggregation

• فاز ۳: طراحی رابط رادیویی AI انتها-به-انتها Phase 3: End-to-end AI radio interface design

• مورد کاربرد احتمالی: ارسال بدون پایلوت از طریق صورت‌های فلکی آموخته‌شده Possible use case: pilotless transmission via learned constellations

• گسترش AI به لایه‌های بالاتر: شبیه‌سازی RRC Extending AI to higher layers: RRC emulation

• چالش: مختل کردن تطبیق لینک (Link Adaptation) و رفتار زمان‌بند (Scheduler) Challenge: disrupting link adaptation and scheduler behavior

• چالش: نیازهای محاسباتی و توان مصرفی Challenge: computational and power requirements

• مسیر استانداردسازی 3GPP 3GPP standardization path

• تکامل جنبه‌های تست و صدور گواهینامه + نکات کلیدی Evolving testing and certification aspects + Key takeaways

• سنجش دانش شماره ۵ Check you knowledge #5

بهبودهای CSI مبتنی بر AI/ML: از مطالعات 3GPP تا چارچوب عملیاتی AI/ML-based CSI enhancements: From 3GPP Study to Framework

• محدودیت‌های بازخورد CSI سنتی The limitations of conventional CSI Feedback

• فشرده‌سازی CSI در فرکانس مکانی و پیش‌بینی CSI در حوزه زمان Spacial-frequency CSI compression and time domain CSI prediction

• معماری مدل فشرده‌سازی دوطرفه Architecture of a 2-sided compression model

• حل مشکل کهنگی کانال و جایگذاری مدل AI/ML Solving channel aging and AI/ML model placement

• KPIهای سطح سیستم و بهبودهای عملکردی System-levels KPIs and performance gains

• قابلیت همکاری بین تامین‌کنندگان، تعمیم مدل و جنبه‌های مقیاس‌پذیری Inter-vendor operability, model generalization and scalability aspects

• سنجش دانش شماره ۶ Check you knowledge #6

بهبودهای مدیریت پرتو مبتنی بر AI/ML: از مطالعات 3GPP تا موارد واقعی AI-ML-based Beam management enhancements: From 3GPP Study to Real Cases

• محدودیت‌های مدیریت پرتو کلاسیک 5G NR و راهکارهای مبتنی بر AI/ML Limitations of classical 5G NR beam management and AI/ML-based solutions

• پیش‌بینی در حوزه مکانی و زمانی Spatial-domain and Temporal-domain prediction

• جایگذاری مدل‌های AI/ML: مزایا و مشکلات AI/ML model placements: advantages and issues

• ارزیابی چارچوب و KPIها برای مدیریت پرتو پیشرفته Framework evaluation and KPIs for enhanced beam management

• تعمیم مدل، تاثیرات پروتکل و جنبه‌های خاص هر سایت Model generalization, protocol impacts and site-specific aspects

• سنجش دانش شماره ۷ Check you knowledge #7

بهبودهای مکان‌یابی مبتنی بر AI/ML: از هندسه و زمان به سمت مدل‌های AI AI/ML-based Positioning enhancements: from geometry and time toward AI models

• روش‌های کلاسیک مکان‌یابی UE و چالش‌ها در محیط‌های رادیویی پیچیده Classical UE positioning methods and challenges in complex radio environment

• مکان‌یابی مستقیم AI/ML (انگشت‌نگاری) و مکان‌یابی به کمک AI/ML Direct AI/ML positioning (fingerprinting) and AI/ML assisted positioning

• جایگذاری مدل: UE، gNB و تابع مدیریت مکان + KPIها Model placement: UE, gNB and Location Management Function + KPIs

کدک‌های آینده به کمک AI و ارتباطات معنایی Future AI-aided Codecs and Semantic Communication

• مفهوم جدید: LLMها به عنوان فوق‌فشرده‌سازها New Concept: LLMs as Super-Compressors

• ارتباطات معنایی پس از شانون: رمزگذار-رمزگشای سطح B/C برای ارتباطات با دقت بالا Post-Shannon Semantic: Level B/C encoder-decoder for high-fidelity communication

• از LAN 5G تا دنیای جهانی 6G: مبارزه با تاخیر به عنوان یک محدودیت فیزیکی From 5G LAN to 6G world-wide: fighting latency as a physical limitation

هوش مصنوعی و تحویل رسانه در 5G Advanced/6G AI and 5G-Advanced/6G media delivery

• پردازش رسانه و بهبودهای مبتنی بر AI AI-based media processing and enhancements

• جداسازی: استریم‌های رسانه‌ای و مدل‌های AI Decoupling: media streams and AI models

• مدل‌های LLM به عنوان مدل‌های اقدام بزرگ (LAM): گوشی‌های بدون اپلیکیشن و رابط کاربری مبتنی بر AI LLM as Large Action Models: App-free smartphones and AI-based user-interface

• کیفیت سرویس (QoS) در 5G: نگاشت 5QI با سرویس‌های متعدد عامل‌های AI 5G QoS: 5QI mapping with multiple AI agent services

ترافیک هدایت شده توسط AI+AR: تاثیر بر ترافیک شبکه موبایل AI+AR driven traffic: impact on mobile network traffic

• تاثیر AI بر ترافیک: دیدگاه‌های خوش‌بینانه AI impact on traffic - optimistic views

• تاثیر AI بر ترافیک: دیدگاه‌های محافظه‌کارانه AI traffic impact on traffic - conservative view

• الگوهای ترافیکی انسان در مقابل AI عامل‌محور و چالش‌های آن Human vs. Agentic AI traffic patterns and challanges

• آپ‌لینک: ارز جدید تلکام: تخمین‌ها و ۲ نوع دستگاه AI+AR Uplink - new Telco's currency: estimations and 2 types of AR+AI devices

• بازاندیشی در آپ‌لینک و ضریب تقویت ترافیک احتمالی ۱۰ برابری Re-thinking Uplink and possible 10x traffic amplification factor

• ترافیک هدایت شده توسط AI: تاثیر احتمالی بر لایه کنترل + ۴ ریسک احتمالی AI-driven traffic: possible impact on Control Layer + 4 possible risks

• تحرک بار کاری (Workload Mobility) در AI و جنبه‌های ارزشی AI workload mobility and value aspects

• اسلایسینگ بهینه شده با Gen AI: شبکه‌های با استنتاج پایین و تاخیر کم Gen AI optimized slicing: low inference - low latency networks