2024-06-12 AI駆動型通信ネットワークの展望：ITU主催ワークショップ報告

※本稿は、2024年に開催されたAI for Good Global Summit 2024での「AI and Machine Learning in Communication Networks Day 1 (Workshop)」というワークショップを要約したものです。

1. AIとデータ中心のエコシステム構築

1.1 データとAIの重要性

本ワークショップでは、6GネットワークにおけるデータとAIの重要性が強調されました。データがAI技術の基盤であり、データなしではAI技術を活用することができないことが指摘されました。将来のネットワークでは、データとAIを組み合わせ、実用的な知識を創出することが重要となります。これは「接続インテリジェンス」と呼ばれる概念につながります。

1.2 接続インテリジェンスとIoTの役割

IoT（Internet of Things）の観点から、さまざまなセンサーが重要な役割を果たすことが議論されました。個々のセンサーがデータソースとなり、単なる接続性の問題を超えて、データの収集と分析が重要になります。これにより、リアル環境をデジタルツインでモデル化する可能性が開かれます。

1.3 データ中心アプローチの必要性

将来のネットワークインフラストラクチャを構築する上で、データ中心のアプローチが不可欠であることが強調されました。これは、ネットワークインフラストラクチャの構築方法を根本的に変える必要があることを意味します。システムレベルからエコシステムレベルへの移行が提案され、異なるステークホルダーが協力する連邦環境の重要性が指摘されました。

1.4 コンポーザブルソリューションの重要性

ワークショップでは、スケーラビリティの問題に対処するために、コンポーザブルソリューションの重要性が議論されました。デジタルツインのような複雑なソリューションを実現するためには、スケーラブルなアプローチが必要です。クラウドコンピューティング環境の進化により、中央集中型のクラウドから、モバイルデバイスにも大きな計算能力を持つ分散型の環境へと移行していることが指摘されました。

1.5 クラウドコンピューティングの進化と分散処理

従来の中央集中型クラウドに依存するのではなく、さまざまなレベルのクラウドコンピューティング環境と計算能力を協調させる必要性が強調されました。これにより、ネットワークソリューションの設計概念を根本的に変える必要があることが示唆されました。

以上の内容は、将来のネットワークにおけるAIとデータの重要性を強調し、新たなアプローチの必要性を示すものです。データ中心のエコシステム構築が、6Gネットワークの実現に向けた重要な課題であることが明らかになりました。

2. AIとデータ中心のエコシステム構築：Gyu Myoung Lee教授（リバプール・ジョン・ムーア大学）による講演

AIとデータ中心のエコシステム構築に関する講演を行いました。この講演では、将来のネットワーク、特に6GにおけるデータとAIの重要性、そしてそれらを活用した新しいエコシステムの構築について詳しく説明します。

2.1 データとAIの重要性

データは、AIテクニックを使用するための基礎となるものです。データなしでは、AIを活用することはできません。現在、データとAIを結びつけ、実用的な知識を創造する多くの機会があります。最も重要な理由の一つは、接続インテリジェンスを作り出すことです。ネットワークの役割は、インテリジェントなエコシステムを創造することへと進化しています。

2.2 接続インテリジェンスとIoTの役割

IoT（Internet of Things）の観点から見ると、様々な種類のセンサーが重要な役割を果たしています。個々のセンサーがデータソースとなり、単なる接続性の問題を超えて、データの収集と分析が重要になります。これにより、リアル環境をデジタルツインでモデル化する可能性が開かれます。

2.3 データ中心アプローチの必要性

将来のネットワークインフラストラクチャを構築する上で、データ中心のアプローチが不可欠です。これは、ネットワークインフラストラクチャの構築方法を根本的に変える必要があることを意味します。システムレベルからエコシステムレベルへの移行が提案され、異なるステークホルダーが協力する連邦環境の重要性が指摘されました。

2.4 コンポーザブルソリューションの重要性

スケーラビリティの問題に対処するために、コンポーザブルソリューションの重要性が議論されました。デジタルツインのような複雑なソリューションを実現するためには、スケーラブルなアプローチが必要です。

2.5 クラウドコンピューティングの進化と分散処理

クラウドコンピューティング環境の進化により、中央集中型のクラウドから、モバイルデバイスにも大きな計算能力を持つ分散型の環境へと移行しています。従来の中央集中型クラウドに依存するのではなく、さまざまなレベルのクラウドコンピューティング環境と計算能力を協調させる必要があります。これにより、ネットワークソリューションの設計概念を根本的に変える必要が生じています。

以上の内容は、将来のネットワークにおけるAIとデータの重要性を強調し、新たなアプローチの必要性を示すものです。データ中心のエコシステム構築が、6Gネットワークの実現に向けた重要な課題であることが明らかになりました。

3. AI-Native通信ネットワークの実現に向けて：Riccardo Trivisonno氏（Huawei Technologies社ネットワークアーキテクチャ部門長）による講演

3.1 AI-Nativeの定義と意義

AI-Nativeという概念は、AIをネットワークの付加機能ではなく、ネットワークの本質的な構成要素として捉える考え方です。私たちのvisionでは、6Gネットワークにおいて、AIはネットワークのあらゆる層に組み込まれ、ネットワークの設計、運用、最適化のすべての段階でAIが中心的な役割を果たすことを目指しています。

3.2 5Gから6Gへの進化におけるAIの役割

5Gから6Gへの進化において、AIの役割は変化します。5Gでは、AIは主にネットワーク管理や最適化のためのツールとして使用されていましたが、6GではネットワークのコアコンポーネントとしてAIが組み込まれることになります。

3.3 インテリジェントエージェント

6Gネットワークでは、インテリジェントエージェントが重要な役割を果たします。これらのエージェントは、ネットワーク内の各要素に埋め込まれ、自律的に動作します。エージェントは、環境を認識し、学習し、他のエージェントと協調しながら、ネットワーク全体の最適化を図ります。

3.4 ネットワークスライシングの動的管理

6GではAIによって、リアルタイムでネットワークスライスの作成、変更、終了が可能になります。これにより、アプリケーションの要求に応じて即座にネットワークリソースを最適化できます。

3.5 エンドツーエンドの自己最適化

AIが物理層からアプリケーション層まで、ネットワークのすべての層を横断的に最適化します。これにより、全体的なパフォーマンスと効率性が向上します。

結論として、AI-Native通信ネットワークの実現は、6G時代における通信技術の革新的な進化を象徴するものです。AIをネットワークの中核に据えることで、これまでにない柔軟性、効率性、インテリジェンスを持つネットワークが構築可能となります。私たちHuawei Technologiesは、AI-Native 6Gネットワークの実現に向けて、研究開発を進めていく所存です。

4. Wi-FiにおけるAI/ML活用の展望：Francesc Wilhelmi博士（Nokia Bell Labs無線システム研究グループ博士研究員）による講演

4.1 Wi-Fiの現状と将来展望

Wi-Fiは現在、世界中で最も広く使用されている無線通信技術の一つです。特に、トラフィックのオフロードに大きく貢献しています。現在、世界中で210億以上のWi-Fiデバイスが使用されています。

Wi-Fiの魅力の一つは、ライセンス不要の周波数帯を使用していることです。これにより、世界中で比較的容易に展開することができます。

Wi-Fi技術は1997年の導入以来、大きく進化してきました。現在のWi-Fiは、セルラー無線技術と共通する多くの機能を備えています。例えば、マルチユーザーMIMO、チャネルボンディングなどが挙げられます。さらに、Wi-Fi Allianceによって定義された実用的なソリューションも、Wi-Fiの機能を拡張しています。

これらの進化により、Wi-Fiの使用例は住宅用途から産業用途まで拡大しています。現在、Wi-Fi 7が正式にリリースされ、Wi-Fi 8の標準化作業も開始されています。

4.2 Wi-FiへのAI/ML導入の課題と機会

Wi-FiへのAI/ML導入に関して、802.11ワーキンググループ内にトピック・インタレスト・グループ（TIG）が設立されました。このグループは、Wi-FiにおけるAI/MLの実現可能性と有用性を研究するために設立されました。TIGの活動は昨年終了しましたが、その後、常設委員会として継続されています。

TIGの活動の成果として、Wi-FiにおけるAI/MLの初期ユースケースをまとめたレポートが作成されました。その中には以下のようなユースケースが含まれています：

1. CSIフィードバック圧縮
2. 拡張ローミング
3. 強化学習ベースのチャネルアクセス
4. Wi-Fi 8で導入予定の調整機能に関連するAI/ML技術

4.3 具体的なユースケース分析

Wi-FiにおけるAI/ML活用の具体的なユースケースとして、CSIフィードバック圧縮について説明しました。MIMOシステムの空間ストリーム数が増加するにつれて、CSIフィードバックの複雑さも増大します。深層生成ネットワークやオートエンコーダーを使用してCSIフィードバックを圧縮する手法が提案されています。

また、強化学習ベースのチャネルアクセス最適化も興味深いユースケースです。Wi-Fiのチャネルアクセスは分散型であるため、ネットワーク全体の性能を最適化することが難しい課題でした。

4.4 標準化に向けた取り組みと課題

Wi-FiにおけるAI/ML活用の標準化に向けては、まだ多くの課題が残されています。主な課題として、後方互換性の維持、分散アーキテクチャへの対応、プライバシーとセキュリティの確保、性能評価方法の標準化などが挙げられます。

これらの課題に対処するため、Wi-Fi AllianceやIEEE 802.11ワーキンググループでは、AI/ML関連の技術検討が進められています。

結論として、Wi-FiにおけるAI/ML活用は大きな可能性を秘めていますが、同時に多くの課題も存在します。これらの課題を克服し、AI/MLの利点を最大限に活かすためには、研究機関、企業、標準化団体の緊密な協力が不可欠です。私たちNokia Bell Labsは、これらの課題に積極的に取り組み、Wi-Fi技術の更なる発展に貢献していきます。

5. 大規模言語モデル(LLM)の通信ネットワークへの応用：Lina Bariah博士（Open Innovation AI主任AIサイエンティスト、ハリファ大学客員教授）による講演

5.1 LLMの基本概念と進化

大規模言語モデル（LLM）は、膨大なデータセットを用いて訓練された、独特のAIシステムです。LLMの進化は、コンピューティング能力の発展と密接に関連しています。

初期の機械学習時代（2010年頃）では、主にCPUベースの計算が使用されており、処理能力や計算力に限界がありました。その後、GPUやTPUベースの計算に移行し、ニューラルネットワークの訓練が加速されました。

2019年から2020年頃に転換期を迎え、スーパーコンピューターの並列処理能力を活用した大規模な言語モデルが登場しました。これにより、自然言語処理の分野で大きな進展が見られました。

5.2 通信ネットワークにおけるLLMの可能性

通信ネットワーク、特にRANシステムの進化を考えると、LLMの潜在的な役割が明確になります。1Gと2Gの音声中心のネットワークから、3Gと4Gのデータ駆動型ネットワーク、そして5Gのマッシブ接続性へと発展してきました。6Gでは、ユビキタスインテリジェンスやAIネイティブネットワークが期待されています。

AIは2G時代から存在していましたが、初期はルールベースのシステムや単純なアルゴリズムが中心でした。3G、4G時代には機械学習や深層学習ベースのアルゴリズムが導入されました。6Gでは、AIがネットワークの本質的な要素となることが期待されています。

5.3 Large Action Model (LAM)の提案と意義

Large Action Model（LAM）は、LLMを基盤としながら、実世界での行動を実行する能力を持っています。LAMの基本的なアーキテクチャは、LLMをコアとして、意図認識や生成目的のために使用し、推論モジュールがLLMによるタスクを複数のサブタスクに変換し、それぞれのエージェントが実行します。最終的に、アクションが指定され、ネットワークに直接実装されます。

5.4 具体的なユースケース：ネットワーク自動化と最適化

LAMを用いたネットワーク自動化と最適化の具体的なユースケースとして、以下のようなものが考えられます：

1. ネットワークログ解析：LAMは、最適なハンドオーバーしきい値を調整したり、最適な周波数割り当てスキームを実装したりすることができます。
2. 設定ファイルの管理：ネットワーク設定の逸脱を識別し、自動的に修正や調整を行うことができます。
3. 技術文書の解析：LAMは技術文書を理解し、それに基づいて適切なアクションを実行することができます。
4. インシデントレポートの処理：ネットワークインシデントに対して、自動的に適切な対応策を実施することができます。
5. トラフィックデータの分析と対応：帯域幅の再割り当てやトラフィックシェーピングポリシーの実装などを、自動的に行うことができます。

これらのユースケースにおいて、LAMは実際にアクションを実行することができます。一方で、LLMも引き続き重要な役割を果たし、ネットワークデータからの洞察の抽出やレポート生成などのタスクを担当します。

結論として、LLMとLAMは6Gネットワークの自動化と最適化に大きな可能性をもたらします。しかし、これらの技術を効果的に導入するためには、マルチモダリティ、効率的なインターフェース、最適化能力など、さまざまな研究課題に取り組む必要があります。

6. 効率的なAI実装のためのハードウェアソリューション：Lucian Petrica博士（AMD Research and Advanced Development (RAD)上級研究員）による講演

6.1 FPGAを活用したAIアクセラレーション

FPGAは、半導体の中でもカメレオンのような存在です。FPGAはほぼASICに近い性能を持ちながら、デプロイメント後でも機能を変更できる柔軟性を備えています。FPGAの構成は、プログラマブルなルックアップテーブル、デジタル信号処理ユニット、組み込みメモリなどから成り立っています。

FPGAの重要な特徴は、それがコンピューティングファブリックであり、GPUのような単なるアクセラレータではないということです。つまり、FPGAは特定のAIアクセラレータアーキテクチャを実装するための基盤となり得るのです。

6.2 データフロー最適化によるパフォーマンス向上

AIアクセラレータの性能を向上させるため、我々はトポロジー特化型のカスタムデータフローアーキテクチャを開発しました。このアプローチでは、ニューラルネットワークの構造をそのままハードウェアに反映させ、各層に対応するサブアクセラレータを設計します。

我々は、この技術を実装するためのツールとしてFINNコンパイラを開発しました。FINNは、ONNXで表現されたニューラルネットワークを入力とし、データフロースタイルのFPGA向けニューラルネットワークアクセラレータに変換します。

6.3 量子化技術による効率化

FPGAでの効率的なAI実装には、量子化技術が不可欠です。我々は量子化技術を活用し、各層ごとに最適な精度を選択する手法を開発しました。

この過程を自動化するため、我々はBrevitasというPyTorchライブラリを開発しました。Brevitasは、量子化を考慮した再学習や、学習後の校正ベースの量子化を実現します。

6.4 スパース性を活用した省電力化

スパース性の活用も重要な省電力化手法です。我々は、Logic Netsと呼ばれる新しいアプローチを開発しました。これは、二値化されたニューラルネットワークから始め、FPGAのルックアップテーブルを用いてニューロンを表現する手法です。

6.5 ユースケース：ネットワークセキュリティ向けAI実装

これらの技術を活用し、我々はネットワークセキュリティ向けのAI実装を行いました。具体的には、UNSW-NB15データセットを用いたトラフィック分類器を実装しました。このモデルは2ビットの重みとアクティベーションを使用し、91.9%の精度を達成しつつ、300Mops（1秒あたり3億回の推論）、18ナノ秒のレイテンシで動作し、わずか8,000 LUTsのリソースで実現しました。

また、CIC-DDoS2019データセットを用いたDDoS攻撃分類器も開発しました。現在、85%のF1スコアを達成し、19.2Mopsの性能で52ナノ秒のレイテンシを実現しています。

さらに、実際の顧客事例として、ある8層の畳み込みニューラルネットワークを用いたセキュリティアプリケーションの最適化を行いました。当初のCPU実装では1推論あたり約200ミリ秒かかっていましたが、我々の最適化により0.1ミリ秒まで短縮し、約2,000倍の性能向上を達成しました。

これらの技術とツールは、オープンソースとして公開されており、FINNとBrevitasは誰でも利用可能です。我々AMD RADは、これらの技術をさらに発展させ、より効率的で高性能なAI実装を実現していく所存です。

7. ロボティクスとテレプレゼンスにおけるAI活用：Ammar Muthanna准教授（サンクトペテルブルク国立電気通信大学通信ネットワーク学科）およびArtem Volkov准教授（サンクトペテルブルク国立電気通信大学通信ネットワーク学科）による講演

7.1 6Gネットワークを活用したロボット制御

我々は、6Gネットワークを活用したロボティクスインフラストラクチャの構築に取り組んでいます。このインフラストラクチャは、地上、海中、空中、宇宙のすべての領域をカバーし、これらの異なる環境下でのロボット間通信を可能にします。

我々の研究室では、マイクロサービスアーキテクチャ、AIモデル制御、システムオブシステムズアプローチを組み合わせた新しいネットワークアーキテクチャを開発しています。このアーキテクチャにより、ロボット間の効率的な協調や、環境に応じた動的な適応が可能になります。

7.2 ホログラフィック通信の可能性

我々の研究室では、ホログラフィック通信のための新しい方法を開発しています。具体的には、低帯域幅要件のホログラフィック端末を開発し、ホログラフィック通信のためのトラフィック量を削減する新しい手法を提案しています。

具体的には、3Dホログラフィックヘッドを開発し、OpenCVを使用して顔認識や音声認識機能を実装しました。これにより、遠隔地からのロボット制御やインタラクションが可能になり、よりリアルなテレプレゼンス体験を提供できます。

7.3 エッジコンピューティングとAIの融合

エッジコンピューティングとAIの融合に関して、我々は超高密度3Dネットワークのためのフレームワークを開発しました。このフレームワークでは、フラクタル数学を用いて都市環境をモデル化し、効率的なネットワーク計画とリソース割り当てを可能にしています。

また、動的なエッジコンピューティングのテストのために、産業用ロボットを活用したプラットフォームを構築しました。このプラットフォームでは、メタヒューリスティックアルゴリズムを用いて、マイクロサービスのルーティングやコンテナの移行を最適化しています。

7.4 デモンストレーション：テレプレゼンススーツとロボットアバター

我々の研究の一環として、テレプレゼンススーツとロボットアバターのデモンストレーションを行いました。このシステムは、ユーザーがテレプレゼンススーツを着用し、遠隔地のロボットを制御することができます。

テレプレゼンススーツには、マイクロコントローラー、Wi-Fiモジュール、センサーが組み込まれており、ユーザーの動きを捉えることができます。また、ロボットには3Dプリントされたホログラフィックヘッドが搭載されており、OpenCVを使用して顔認識機能を実装しています。

このシステムは、教育や遠隔操作などの分野で応用可能であり、我々は今後もこの技術の研究開発を続けていく予定です。

8. クラウドプラットフォームによるAI採用の加速：Karim Rabie氏（Red Hat主席アーキテクト）による講演

私、Karim Rabieは、Red Hatの主席アーキテクトとして、中東およびアフリカ地域におけるデリバリーとトランスフォーメーションエンゲージメントを主導しています。今回の講演では、クラウドプラットフォームがAI採用を加速させる方法について、実際の市場からの洞察を交えてお話しします。

8.1 クラウドとAIの相乗効果

クラウドは、AIワークロードやAIテスト、デプロイメントのためのクラシックな選択肢となっています。多くの通信事業者が既存のアプリケーションやインフラストラクチャへの投資を持っており、プライベートクラウドを運用しています。

クラウドプラットフォームは、AIスタックをサポートするための様々な機能を提供しています。例えば、モニタリング、オブザーバビリティ、インフラストラクチャ・アズ・ア・サービス、コンテナ・アズ・ア・サービス、プラットフォーム・アズ・ア・サービスなどが挙げられます。

8.2 AIワークフロー最適化の重要性

AIプロジェクトを成功させるためには、効率的なワークフローの最適化が不可欠です。IDCの調査によると、78%のデータサイエンスプロジェクトが本番環境に到達しないという結果が出ています。この主な障害の一つは、本番環境への移行プロセスの欠如です。

データサイエンティスト、機械学習エンジニア、クラウド管理者、ビジネス意思決定者など、異なる役割を持つ人々が協調して作業を行う必要があります。また、インフラストラクチャの複雑さも大きな課題です。

8.3 ハイブリッドクラウド環境でのAI展開

AIの性質上、ハイブリッドな展開が必要となります。IDCとGartnerの調査によると、AIモデルのトレーニングはクラウドで行われることが多いですが、推論はエッジで行われる傾向があります。

多くの通信事業者は、すでにハイブリッドクラウド環境を持っているか、ハイブリッドクラウド戦略を持っています。クラウドプラットフォームは、このハイブリッド環境でAIモデルを開発し、どこにでもデプロイできる統一された環境を提供します。

8.4 RedHat OpenShiftを活用したAIプラットフォーム事例

Red Hatでは、OpenShiftを基盤としたAIプラットフォームを提供しています。このプラットフォームは、AIおよび機械学習対応アプリケーションの作成とデリバリーを可能にします。

OpenShift AI platformは、データサイエンティストがインフラストラクチャの詳細を気にすることなく、モデリングに集中できるようにします。プラットフォームは、セットアップとデプロイメントを自動化し、ジョブの実行を優先順位付けし、分散させます。また、認証済みのエコシステムを提供しています。

結論として、クラウドプラットフォームはAI採用を大きく加速させる可能性を持っています。これらのプラットフォームの導入により、AI採用の障壁を大幅に低減し、より効率的でスケーラブルなAIソリューションの開発とデプロイメントが可能になります。

9. 物理層でのAI活用：Deep Sigの取り組み - Tim O'Shea氏（DeepSig Inc.共同創業者兼CTO）による講演

9.1 スペクトラムセンシングにおけるAIの役割

スペクトラムセンシングは、AI活用の重要な分野の一つです。米国では最近、FCCとNTIAがスペクトラム共有プログラムを強調しています。CBRSの成功事例を踏まえ、他の周波数帯でも同様のアプローチが検討されています。

6Gでは、このような共有を前提としたネットワーク設計が必要になると考えられています。AIを活用したスペクトラムセンシングにより、異なる種類のユーザーや送信機を検出し、干渉を回避しながら効率的にスペクトラムを利用することが可能になります。

9.2 モデム最適化のためのAI活用

我々は、現在の標準に準拠しながら、AIを透過的に実装してモデムを最適化する取り組みを行っています。特に、Open RANシステムの普及に伴い、Intel FlexRANやNVIDIA Aerialなどのリファレンスデザインを基にしたネットワークが増加しています。

AIを透過的に活用することで、上りリンクのスループットや感度を改善し、計算複雑性を削減することが可能になります。我々は、実際のチャネルでこれらのアイデアを検証することに注力しています。

9.3 RANデジタルツインの構築と活用

RANデジタルツインの構築は、AIを活用した通信システムの最適化において重要な役割を果たします。我々は、測定データと生成モデルを組み合わせて、正確なRANデジタルツインを構築する取り組みを行っています。

具体的には、ドライブテストキャンペーンで収集されたチャネルインパルス応答データを使用し、レイトレースモデルをフィッティングすることで、高精度な生成モデルを作成しています。

9.4 ユースケース：5G Open RANにおけるAI活用

5G Open RANにおけるAI活用の具体的なユースケースとして、我々は神経受信機（Neural Receiver）の開発に取り組んでいます。この技術は、チャネル推定、等化、復調の機能をニューラルネットワークで置き換えるものです。

現在、東南アジアで3つの実証実験を行っており、標準を変更せずにソフトウェアの変更だけで実装可能な一方向モデルを使用しています。この取り組みにより、Open RANシステムの性能を向上させることができます。

将来的には、エンドツーエンドの学習型通信システムの実現を目指しています。既存の固定的な変調方式やフレーム構造、パイロット方式、マルチユーザーアクセス方式などを、AIによって最適化された設計に置き換えることで、さらなる性能向上が期待できます。

我々は、NASAのTDRSS衛星システムを使用した初期の実験から始まり、現在では地上波や点対点型の学習型自己符号化通信システムの開発に取り組んでいます。例えば、RFチャンバー内で2x2 MIMOの完全学習型自己符号化システムを実装し、高データレートでストリーミングIPやビデオを伝送することに成功しています。

結論として、物理層でのAI活用は、通信システムの性能を向上させる可能性を秘めています。しかし、これらの技術を実用化し、標準化していくためには、まだ多くの課題が残されています。特に、双方向モデルの運用方法や、端末と基地局のAIモデルの協調動作、モデルの学習方法など、標準化プロセスはまだ複雑な段階にあります。

10. AI/MLコンペティションプラットフォーム：Zindiの事例 - Paul Kennedy氏（Zindi Chief of Staff）による講演

10.1 Zindiプラットフォームの概要と特徴

Zindiは、オープンな競技プラットフォームで、現在70,000人以上のユーザーが登録しています。当初はアフリカを中心に展開していましたが、現在では世界中のほぼすべての国からユーザーが参加しています。これまでに300以上の機械学習コンペティションを実施し、賞金総額は$700,000近くに達しています。

10.2 ITUとの協力によるAI/MLチャレンジの実施

ITUとの協力は2022年12月または2023年1月に始まりました。これまでに15のAI/MLコンペティションを実施または進行中で、総額$50,000以上の賞金を提供しています。これらのコンペティションには3,000人以上のユーザーが参加し、100カ国以上の代表者が含まれています。

特に、ネットワーク関連のチャレンジである「AI and ML in 5G Challenge」では、6つのコンペティションを実施し、$36,000の賞金と1,800人以上の貢献者を集めました。

10.3 具体的なコンペティション事例と成果

具体的なコンペティション例として、ネットワークトラフィックシナリオ予測、QoS予測、エネルギー消費モデリング、ビームインパクト分析、次世代Wi-Fiスループット予測などがあります。

エネルギー消費モデリングチャレンジでは、約800人が参加し、300人近くが活発に活動しました。賞金は20,000スイスフランでした。優勝チームは「FZY Data Scientists」で、賞金に加えてCOP28でのプレゼンテーション機会も得ました。

これらのコンペティションの成果として、ホストからは「価値ある洞察を提供した」「関連する特徴量と効果的な前処理技術を見出した」などのフィードバックがありました。また、ある障害影響分析チャレンジでは、障害影響予測の精度が15%向上したという報告もありました。

10.4 開発途上国におけるAI人材育成への貢献

Zindiの取り組みは、特に開発途上国におけるAI人材育成に大きく貢献しています。例えば、NairobiiのDariusとBangaloreのNickelという二人のデータサイエンティストの事例があります。彼らはZindiで出会い、ウガンダのカンパラの大気質予測チャレンジに参加しました。彼らが開発したモデルは現在、年間1700万件の予測を生成し、公衆衛生の改善に貢献しています。

Zindiは、ITUとの協力を今後も継続し、さらに多くのAI/MLチャレンジを実施する予定です。これにより、世界中の、特に開発途上国の人々がAI/MLスキルを磨き、実際の問題解決に取り組む機会を提供し続けます。

11. 実際のAI/MLソリューション事例：Ndabuye Gideon氏（ドドマ大学受賞技術者）による講演

実際のAI/MLソリューション事例、特にQoS予測モデルの開発プロセスについて講演いたします。この事例は、「マルチ環境自動車QoS予測」コンペティションに基づいています。

11.1 QoS予測モデルの開発プロセス

このコンペティションの主な目的は、V2X（Vehicle-to-Everything）通信システムにおけるサービス品質（QoS）を予測するモデルを開発することでした。使用したデータセットは、BEV2Xデータと呼ばれる高解像度GPSデータで、3日間にわたって4台の車両から収集されました。

データセットには、セルラーデータ、サイドリンクデータ、位置情報、その他の補足情報が含まれていました。特に重要だったのは、物理信号対雑音比（SINR）、受信信号強度指標（RSSI）、信号強度などのセルラーデータでした。

11.2 特徴量選択とモデル最適化の実践

モデル開発の最初のステップとして、データの可視化と分析を行いました。ダウンリンクとアップリンクのデータレートを比較したところ、ダウンリンクの方がより広い範囲をカバーし、データポイントも多かったため、QoSの指標としてダウンリンクを選択しました。

特徴量選択のプロセスでは、LightGBM（Light Gradient Boosting Machine）モデルを使用して重要な特徴量を特定しました。当初106あった特徴量から、最終的には6つの重要な特徴量を選択しました。この過程で「エルボー法」を使用しました。

モデルの最適化では、多層パーセプトロン（MLP）ニューラルネットワークとLightGBMモデルを組み合わせたアプローチを採用しました。

11.3 パフォーマンス評価と結果分析

モデルの性能評価では、R2スコアを使用しました。最終的に最適化されたMLPモデルは、わずか6つの特徴量を使用して94%のR2スコアを達成しました。これは、106の特徴量を使用した初期のLightGBMモデル（R2スコア91%）よりも優れた性能でした。

トレーニング時間も大幅に短縮されました。106特徴量を使用したMLPモデルは68秒かかっていましたが、6特徴量の最適化されたモデルは数秒で学習を完了しました。

結果の可視化では、実際の値と予測値の分布プロットを作成し、モデルの予測精度を視覚的に確認しました。

最後に、他の一般的なモデル（ランダムフォレスト、XGBoost、CatBoostなど）とも比較を行いましたが、我々の最適化されたMLPモデルが最も優れた性能を示しました。

この事例は特徴量選択とモデル最適化の重要性を示しています。わずか6つの特徴量を使用することで、計算効率を大幅に向上させつつ、高い予測精度を達成することができました。

12. デジタルツインを活用したネットワーク最適化デモ：Antonio氏（所属不明）による講演

デジタルツインを活用したネットワーク最適化デモについてお話いたします。この技術は、Mobile World Congress（MWC）で発表されたものです。

12.1 3D環境再構築技術の概要

我々は、従来のドライブテストによるデータ収集に加えて、LiDARデータを活用した新しい技術を開発しました。この技術により、車両が移動しながら環境の3Dデータを収集し、それをAIモデルに組み込むことが可能になりました。

具体的には、Neural Radiance Fields (NeRF) という技術を活用しています。我々は、この技術を無線信号の伝搬モデリングに応用しました。

NeRFは計算コストが高いため、我々はその複雑性を削減するための作業を行いました。また、より効率的な手法としてGaussian Splattingも検討しています。

12.2 AI駆動のネットワーク最適化プロセス

収集したデータを用いて環境を再構築し、AIを活用して無線伝搬特性を理解し、ネットワークの最適化を行います。

12.3 具体的なユースケース：カバレッジ改善とエネルギー効率化

1. カバレッジ改善： デモでは、ある地域に2つの赤色のゾーン（カバレッジが限定的な領域）があることが示されました。我々のデジタルツインを使用することで、近くの建物の反射特性を利用できることが分かりました。AIを用いてアンテナの方向をリモートで制御し、この建物に向けてビームを形成することで、問題を解決することができました。この最適化により、ユーザーのエッジレート（ダウンロードレート）を2〜3倍に向上させることができました。
2. エネルギー効率化： 昼間は、オフィスに向かう人々にサービスを提供するために、鉄道周辺に特別に配置された基地局が必要です。しかし、夜間になると人々は家に帰り、その地域のキャパシティ要件が減少します。

デジタルツインを用いることで、夜間に一部の基地局をオフにし、近くの基地局でカバレッジを提供する最適化が可能になりました。これにより、キャパシティは減少しますが、カバレッジは維持され、約20%のエネルギー節約を達成しました。

この技術のハードウェア面は既に製品化されており、様々な機器に統合可能です。ソフトウェア面、特にデジタルツインの部分については、NeRFから始まり、現在はGaussian Splattingなど、より効率的な手法の研究を進めています。

最後に、この技術はオフライン最適化ツールとして設計されており、数千の基地局を持つ大都市のネットワーク最適化に使用することを想定しています。リアルタイムでの運用は現時点では想定していません。

13. 総括とディスカッション

13.1 ワークショップの主要な知見

このワークショップを通じて、AIと機械学習が通信ネットワークの未来を形作る上で極めて重要な役割を果たすことが再確認されました。主要な知見として、以下の点が挙げられます：

1. AI-Nativeネットワークの重要性：6G時代に向けて、AIをネットワークの付加機能ではなく、本質的な構成要素として捉える「AI-Native」アプローチの重要性が強調されました。これにより、ネットワークの自律性、適応性、効率性が飛躍的に向上することが期待されています。
2. データ中心のエコシステム構築：AIの効果的な活用には、適切なデータの収集、処理、分析が不可欠です。IoTデバイスやセンサーからのデータを効率的に収集し、エッジコンピューティングを活用して処理する重要性が指摘されました。
3. デジタルツインの活用：ネットワーク最適化やプランニングにおいて、デジタルツイン技術の有効性が示されました。特に、3D環境再構築技術とAIを組み合わせることで、効率的なネットワーク設計と運用が可能になることが実証されました。
4. 物理層でのAI活用：スペクトラムセンシングやモデム最適化など、物理層レベルでのAI活用の可能性が示されました。特に、Open RANにおけるAI活用は、ネットワークの性能向上と柔軟性の増大に貢献する可能性があります。
5. エッジAIとクラウドの融合：エッジデバイスでのAI処理とクラウドベースのAIシステムを効果的に組み合わせることの重要性が強調されました。ハイブリッドクラウド環境でのAI展開が、将来のネットワークアーキテクチャの鍵となる可能性が示されました。
6. 大規模言語モデル（LLM）の可能性：通信ネットワークにおけるLLMの活用可能性が議論され、特にネットワーク自動化や最適化における潜在的な役割が注目されました。
7. 効率的なAI実装：FPGAを活用したAIアクセラレーションや量子化技術など、効率的なAI実装のためのハードウェアソリューションの重要性が強調されました。
8. AI/ML人材育成の重要性：Zindiのような競技プラットフォームを通じた、特に開発途上国におけるAI/ML人材育成の重要性が認識されました。

13.2 今後の研究課題と展望

ワークショップでの議論を踏まえ、以下の研究課題と展望が浮かび上がりました：

1. AI-Nativeネットワークアーキテクチャの設計：AIを中核に据えた新しいネットワークアーキテクチャの設計と実装が重要な研究課題となります。特に、従来のネットワーク機能とAI機能をいかに効果的に統合するかが鍵となります。
2. エッジAIの高度化：エッジデバイスでのAI処理能力を向上させ、よりリアルタイムな処理と低遅延を実現する技術の開発が必要です。同時に、エネルギー効率の向上も重要な課題となります。
3. AIモデルの軽量化と効率化：通信ネットワークの様々な層で動作する軽量かつ効率的なAIモデルの開発が求められます。量子化技術やモデル圧縮技術のさらなる進化が期待されます。
4. セキュリティとプライバシーの確保：AI駆動のネットワークにおけるセキュリティとプライバシーの確保は重要な課題です。AIを活用した新たなセキュリティ対策の開発と、プライバシー保護技術の進化が必要です。
5. 大規模言語モデルの通信ネットワークへの適用：LLMを通信ネットワークの文脈に適応させ、効果的に活用する方法の研究が必要です。特に、ドメイン特化型のファインチューニングや、ネットワーク固有のタスクへの適用方法の開発が課題となります。
6. デジタルツイン技術の高度化：より精緻で動的なデジタルツインの構築技術の開発が求められます。特に、リアルタイムでの環境変化の反映と、AIによる予測・最適化の統合が重要な研究テーマとなります。
7. クロスレイヤー最適化：物理層からアプリケーション層まで、ネットワークの全層を横断的に最適化するAIアルゴリズムの開発が期待されます。
8. 自己学習・自己進化型ネットワーク：環境の変化に応じて自律的に学習し、進化するネットワークアーキテクチャの研究開発が重要になります。

13.3 産学連携の重要性と標準化への取り組み

AI駆動の通信ネットワークの実現に向けて、産学連携の重要性が再認識されました。特に以下の点が強調されました：

1. 研究成果の実用化：学術研究の成果を実際のネットワーク環境で検証し、実用化につなげるためには、産業界との緊密な連携が不可欠です。大学や研究機関のイノベーションを、通信事業者や機器ベンダーの実際のニーズと結びつけることが重要です。
2. データの共有：AIモデルの開発と検証には大量の実データが必要です。産業界が保有する実際のネットワークデータを、プライバシーに配慮しつつ研究者と共有する仕組みの構築が求められます。
3. テストベッドの共同運用：大規模なテストベッドの構築と運用には多大なコストがかかります。産学が協力してテストベッドを構築・運用し、様々なAIアルゴリズムやネットワーク構成を検証できる環境を整備することが重要です。
4. 人材育成：産業界のニーズに合った AI/ML 人材を育成するために、大学と企業が協力してカリキュラムを開発し、インターンシッププログラムを充実させることが必要です。

標準化への取り組みについては、以下の点が議論されました：

1. AI-Native ネットワークの標準化：AI を中核に据えたネットワークアーキテクチャの標準化が重要な課題となります。ITU-T や 3GPP などの標準化団体での議論を加速させる必要があります。
2. AI モデルの相互運用性：異なるベンダーや事業者間での AI モデルの相互運用性を確保するための標準化が求められます。モデルの入出力フォーマットや、学習データの形式などの標準化が検討課題となります。
3. AI の性能評価指標：ネットワーク環境での AI の性能を評価するための標準的な指標や測定方法の確立が必要です。これにより、異なる AI ソリューション間の公平な比較が可能になります。
4. セキュリティとプライバシーの基準：AI 駆動のネットワークにおけるセキュリティとプライバシー保護の基準を確立し、国際的に合意された規格を策定することが重要です。
5. エッジ AI の標準化：エッジデバイスでの AI 処理に関する標準的なインターフェースや API の策定が求められます。これにより、異なるデバイス間での AI 機能の移植性と相互運用性が向上します。
6. 倫理的な AI の基準：通信ネットワークにおける AI の利用に関する倫理的なガイドラインや基準の策定が重要です。公平性、透明性、説明可能性などの観点から、AI の使用に関する国際的な合意形成が求められます。

このワークショップを通じて、AI と通信ネットワークの融合が急速に進展していることが明らかになりました。今後、産学官の緊密な連携のもと、さらなる研究開発と標準化の取り組みを進めていくことで、より効率的で柔軟性の高い次世代通信ネットワークの実現が期待されます。同時に、技術の進歩がもたらす社会的影響にも十分な注意を払い、人間中心の AI 駆動ネットワークの構築を目指していく必要があります。