Nuevo algoritmo de inteligencia artificial para impulsar las redes opticas
Un grupo de investigadores de la Universitat Politècnica de Catalunya en Barcelona y la empresa de telecomunicaciones Huawei han modernizado una técnica de inteligencia artificial utilizada para el ajedrez y los autos autosuficientes para hacer que las OTN funcionen de manera más eficiente.
Las OTN requieren reglas sobre cómo dividir las altas cantidades de tráfico que administran y escribir las reglas para tomar esas decisiones en una fracción de segundo se vuelve muy complejo. Si la red ofrece más espacio del necesario para una llamada de voz, por ejemplo, el espacio no utilizado podría haberse aprovechado para garantizar que un usuario final transmita un video y no reciba mensajes de "búfer".
El nuevo enfoque de los investigadores para este problema combina dos técnicas de aprendizaje automático: el primero, denominado aprendizaje por refuerzo, crea un "agente" virtual que aprende a través de prueba y error las particularidades de un sistema para optimizar cómo se gestionan los recursos. El segundo, denominado aprendizaje profundo, agrega una capa adicional de sofisticación al enfoque basado en el refuerzo mediante el uso de las llamadas redes neuronales, que son sistemas de aprendizaje por computadora inspirados en el cerebro humano, para extraer conclusiones más abstractas de cada ronda de prueba y error.
"El aprendizaje de refuerzo profundo se ha aplicado con éxito en muchos campos", dijo uno de los investigadores, Albert Cabellos-Aparicio. “Sin embargo, su aplicación a redes informáticas es muy reciente. Esperamos que nuestro documento ayude a impulsar el aprendizaje de refuerzo profundo en la creación de redes y que otros investigadores propongan enfoques diferentes e incluso mejores ".
Hasta ahora, los algoritmos de aprendizaje de refuerzo profundo más avanzados han sido capaces de optimizar algunas asignaciones de recursos en OTN, pero se atascan cuando se encuentran en escenarios novedosos. Los investigadores trabajaron para superar esto variando la manera en que los datos se presentan al agente.
Después de aprender las OTN a través de 5,000 rondas de simulaciones, el agente de aprendizaje de refuerzo profundo dirigió el tráfico con un 30% más de eficiencia que el algoritmo actual de última generación.
Una cosa que sorprendió a Cabellos-Aparicio y su equipo fue la facilidad con la que el nuevo enfoque pudo aprender sobre las redes después de comenzar con una pizarra en blanco.
"Esto significa que sin un conocimiento previo, un agente de aprendizaje de refuerzo profundo puede aprender cómo optimizar una red de forma autónoma", dijo Cabellos-Aparicio. "Esto da como resultado estrategias de optimización que superan a los algoritmos expertos".
Con la enorme escala que ya tienen algunas redes de transporte óptico , dijo Cabellos-Aparicio, incluso pequeños avances en eficiencia pueden generar grandes ganancias en menor latencia y costos operativos.
A continuación, el grupo planea aplicar sus estrategias de refuerzo profundo en combinación con redes de gráficos, un campo emergente dentro de la inteligencia artificial con el potencial de transformar campos científicos e industriales, como las redes de computadoras, la química y la logística.
Fuente: techobserver.