Bu yıl nesnelerin internetinin veri hacmi dünyada 500 trilyon gigabyte’a ulaşılacağı tahmin ediliyor. 5G sonrası hızlanacak olan bu eksponansiyel artışı yönetebilmek için topolojik optimizasyonlar gerekecek. Veri merkezlerinde bu verileri işlemek ve işlem yükünü biriktirmek yerine, verileri toplayan cihazlarda işlenip yollanması gerekecek. Derin öğrenme algoritmaları kaynak ve enerji tüketimi optimizasyonunu uç cihazlarda daha güvenli bir şekilde uygulayacak. Uç bilişim veya sis bilişim, gecikme hızı toleransının düşük olduğu, 10 milisaniye toleransı olan uzaktan otonom araç yönetimi gibi işlemleri mobil cihazlarda, 5G şebekeleri üzerinden gerçek zamanlı gerçekleştirebilecek.

Mobil cihazlarda derin öğrenme platformları birkaç şirket tarafından geliştirilmektedir. En hızlı ve enerji verimliliği yüksek platformlar, CoreML, Caffe2 ve ncnn. Uç noktalarda işlem yapacak bu öğrenme algoritmaları sayesinde uç cihazlarda yapay zekâ çalıştırılacak. Bu işlemleri hesaplayacak olan Neural Processing Unit’ler mobil cihazlarda saniyede 2 binden fazla görseli mobil cihazlarda, veri merkezlerine veya bulut sistemlere aktarmadan, kategorize edebilecek. Bu cihazlarda uygulanacak yapay zekâ veya derin öğrenme modeli mimarilerinden sadece GAN ve DRL, 5G mobil şebekeler için verimli gözükmektedir. Generative Adversarial Networks (GAN) veya Çekişmeli Üretici Ağlar, şebeke veri analizleri ve kriptografi için ve Deep Reinforcement Learning (DRL) veya Derin Pekiştirmeli Öğrenme mimarisi, mobil şebeke kontrolü ve yönetimi için kullanılacaktır.

Derin öğrenme uygulamalarında kullanılan hızlandırma optimizasyon algoritmaları (RMSProp, Stochastic Gradient Descent - Olasılıksal Dereceli Azalma, Adam – Adaptif Momentum, Nesterov’s Momentum – Nesterov’un Momentumu), paralel hesaplama işlemcileri (NPU – Neural Processing Unit ve TPU – Tensor Processor Unit), dağıtık makine öğrenme sistemleri (TUX2 ve Gaia – Coğrafi olarak Dağıtılmış Makine Öğrenimi) ve derin öğrenme kütüphaneleri (Python tabanlı Caffe2 ve Keras, C++ tabanlı Torch ve Tensorflow) sayesinde 5G şebekelerine yapay zeka entegre etmek gün geçtikçe kolaylaşacak. Fog Computing veya sis bilişim ve paralel hesaplama sayesinde derin öğrenme katmanı ve IoT cihazları iletişim kurabilecek.

Deep Reinforcement Learning (DRL) veya Derin Pekiştirmeli Öğrenme altındaki Deep Q Learning algoritması, 5G mobil şebeke yönetiminde, kaynak yönetimi, radyo kontrol ve şebeke optimizasyonu kategorilerindeki en verimli ve yaygın yapay zekâ algoritmasıdır. Otomobiller arası iletişim, baz istasyon uyku kontrolü, şebeke katmanlama, kablosuz ağ kontrolleri, radyo erişim ağ yönetimi, dinamik frekans ve voltaj optimizasyonu, milimetrik dalga iletişim ve önbellekleme optimizasyonu için kullanılmaktadır. Q-tablosundan esinlenen bu algoritma, rastgele ödül kazanma yöntemini yol planlama ve kat etme varyasyonlarını deneyerek rota düzeltebilen bir algoritma olarak özetlenebilir.