Neste articulo analisamos as sinergias entre ambas as tecnologias, abordamos dois casos de uso implementados pela NTT DATA utilizando 5G e técnicas avançadas de machine learning, aprendizado distribuído e reconhecimento de imagens.
O 5G é uma nova tecnologia para redes móveis que se propõe a aumentar de forma significativa a velocidade de conexão, podendo chegar a 10 gigabits por segundo. Com esse avanço, é esperado que seu uso não se limite a telefonia celular, mas que viabilize uma poderosa rede de uma gama de aplicações inteligentes em áreas diversas como AR/VR, IoT, veículos autônomos, drones entre uma série de recursos conhecidos por indústria 4.0.
Paralelo a tudo isso, temos visto um intenso crescimento de aplicações que fazem uso de técnicas de machine learning. Os recentes avanços se devem não apenas às melhorias de hardware, mas principalmente à grande oferta dos mais diversos dados. Nunca se mediu tanta coisa, sensores estão por todas as partes, os vídeos têm cada vez maior resolução, todos temos uma câmera fotográfica no bolso. A disponibilidade, quantidade e diversidade dos dados são elementos determinantes da qualidade de um modelo de machine learning. Quando falamos de aplicações real-time, quase sempre o gargalo é o limite de banda para o tráfego adequado de toda essa riqueza de informações. Toda e qualquer tecnologia, especialmente o 5G, que contorne esse limite, irá consequentemente alavancar um novo mundo de possibilidades.
Na NTT DATA exploramos projetos que evidenciam esse potencial. Recentemente desenvolvemos um framework capaz de implementar uma técnica de machine learning distribuído conhecida como split learning. Técnicas de machine learning distribuído têm ganhado muito destaque devido, principalmente, a preocupações cada vez maiores sobre questões de privacidade. Essas técnicas nos permitem treinar um modelo sem que dados brutos sejam trafegados. Ela permite que uma rede neural seja dividida em duas, parte em um dispositivo qualquer e parte em um servidor, de modo que ela é treinada normalmente, mas os dados dos clientes não trafegam em sua forma bruta. Entre outras vantagens está o fato de que vários clientes podem treinar um mesmo modelo de forma colaborativa e não é necessário grande poder computacional, uma vez que parte da carga de processamento é dividida com um servidor. Fica evidente, no entanto, que o sucesso de técnicas desse tipo depende largamente de uma alta velocidade na comunicação entre as partes. Treinar uma rede neural envolve uma série de iterações onde os dados vão passando pela rede de modo a ajustar seus pesos. Uma comunicação rápida como a do 5G é crucial para acelerar a adoção dessa técnica.
Outro projeto que também explora as capacidades dos 5G é o Catalyst, um ambiente de sports analytics. O projeto envolve técnicas de object detetion e augmented reality. A partir da filmagem de um jogo de futebol, um modelo de object detection identifica diversos elementos no campo como a bola e os jogadores. Após o processamento desses elementos é possível, então, projetar um campo animado em que os jogadores são representados e exibir estatísticas do jogo tais como um heatmap com a posição de cada time. A aplicação é uma demonstração do poder de uma alta velocidade em um dispositivo móvel, pois viabiliza a transmissão de um streaming de vídeo em alta resolução.
Como demonstrado, as possibilidades trazidas pelo 5G são inúmeras. As oportunidades de inovação, com modelos de machine learning utilizando todo seu potencial, levarão as aplicações inteligente a outro patamar.
