Inteligencia artificial en las comunicaciones móviles
Actualmente nos encontramos en una fase de IA débil (específica), una categoría que se define por las siguientes cinco características clave:
1. Razonamiento lógico, p. ej., AlphaGo
2. Percepción, p. ej., reconocimiento facial
3. Representación de conocimientos, p. ej., Watson for Oncology de IBM
4. Procesamiento del lenguaje, p. ej., Siri de Apple, o Alexa de Amazon
5. Planificación y navegación, p. ej. automóvil sin conductor
En la IA fuerte (generalizada), las máquinas desarrollan capacidadesiguales o superiores a las de la inteligencia humana (p. ej., robots inteligentes). Otro factor relevante es el aprendizaje automático (ML)como subcatergoría de la IA. Se utiliza, por ejemplo, para crear sistemas que aprenden de conjuntos de datosen lugar de mediante instrucciones programadas, dando lugar a un proceso de aprendizaje basado en redes neuronales artificiales de varios niveles. Así pues, cabe imaginar una red móvil del futuro que incorpore una interfaz aérea con IA nativa, en la que los equipos radioeléctricos sean capaces de aprender del entorno y de los otros equipos que los rodean a partir de redes neuronales entrenadas.
Las redes neuronales, a su vez, son una subcategoría del aprendizaje automático, y tienen un papel relevante en la comunicación inalámbrica, como muestran los siguientes tres ejemplos de redes neuronales:
1. Red neuronal recurrente (RNN): el resultado de un paso anterior sirve como input para el siguiente paso (p. ej. procesamiento de textos). Las RNN son útiles para la predicción de series cronológicas («efecto memoria») y la linealización de front-ends de RF y subsistemas de antenas mediante algoritmos de pre y posdistorsión digital basados en modelos de aprendizaje automático.
2. Red neuronal convolucional (CNN): redes neuronales anticipativas con hasta 30 niveles. Una CNN procesa conjuntos de datos estructurados (p. ej. de diseño original para el procesamiento de imágenes) y es actualmente una de las opciones consideradas para un receptor neuronal.
3. Concepto de autoencoder: un tipo especial de red neuronal artificial para el aprendizaje asistido y eficiente de codificación de datos sin supervisión. El objetivo es entrenar la red de forma que pase por alto los datos irrelevantes. Los autoencoders, por ejemplo en forma de transformadores, se están estudiando actualmente para la compresión de la respuesta con la información del estado del canal, la cual se obtiene a partir de medidas del enlace descendente y se envía de retorno en la dirección ascendente.