AI-enabled Wireless Networks - Cheatsheet

Definition und Geschichte der Künstlichen Intelligenz

Definition:

Künstliche Intelligenz (KI) - Teilbereich der Informatik, befasst sich mit der Entwicklung von Systemen, die menschenähnliches Denken und Verhalten nachahmen können.

Details:

• 1940er: Erste theoretische Arbeiten zu KI (Turing-Maschine).
• 1956: Begriff 'Künstliche Intelligenz' geprägt auf der Dartmouth-Konferenz.
• Ab 1960er: Frühphase mit symbolischen Ansätzen (Expertensysteme).
• 1980er: Wissensbasierte Systeme, Rückschläge aufgrund mangelnder Rechenleistung.
• 1990er: Wiederaufleben durch Verbesserungen in Hardware und Algorithmen (z.B. maschinelles Lernen).
• Seit 2000er: Durchbruch durch Big Data und Deep Learning.

Überblick über verschiedene Untergebiete der AI

Definition:

Überblick über die verschiedenen Untergebiete der künstlichen Intelligenz.

Details:

• Maschinelles Lernen (ML): Algorithmen, die aus Daten lernen.
• Tiefes Lernen (DL): Teilbereich des ML, verwendet neuronale Netze.
• Reinforcement Learning: Optimiert Handlungen durch Belohnungen.
• Computer Vision: Extrahiert Informationen aus visuellen Daten.
• Verarbeitung natürlicher Sprache (NLP): Analysiert und versteht menschliche Sprache.
• Spracherkennung: Konvertiert gesprochene Sprache in Text.
• Robotik: AI für automatisierte physische Aufgaben.

Einführung in neuronale Netze und Deep Learning

Definition:

Neuronale Netze modellieren die Funktionsweise des menschlichen Gehirns zur Mustererkennung und Vorhersage.

Details:

• Besteht aus Eingabeschicht, versteckten Schichten, Ausgabeschicht
• Gewichte und Bias trainierbar
• Aktivierungsfunktionen machen Entscheidung nicht-linear
• Deep Learning: tiefe neuronale Netze mit vielen Schichten
• Verwendung: Bild- und Spracherkennung, Prädiktion, Klassifikation

KI-gestützte Optimierung von Netzwerkressourcen

Definition:

Optimierung der Netzwerkressourcen mit Hilfe von Künstlicher Intelligenz zur effizienten Ressourcennutzung und Leistungssteigerung.

Details:

• KI-Modelle analysieren Netzwerkverkehr und Nutzerverhalten
• Vorhersage von Netzwerküberlastung und Engpässen
• Dynamische Anpassung von Ressourcen (z.B. Bandbreite, Sendeleistung) in Echtzeit
• Nutzung von Reinforcement Learning und neuronalen Netzen
• Erhöhte Netzwerkzuverlässigkeit und Verringerung von Latenz
• Automatisierte Entscheidungsfindung und Selbstoptimierung

Vorhersage und Vermeidung von Netzwerkausfällen durch AI

Definition:

Verwendung von KI zur Vorhersage potenzieller Netzwerkausfälle und zur Implementierung von Maßnahmen zur Vermeidung solcher Ausfälle.

Details:

• Vorhersage von Netzwerkausfällen durch Analyse großer Datenmengen mit maschinellen Lernalgorithmen.
• Anwendung von Techniken wie Anomalieerkennung, Zeitreihenanalyse und Mustererkennung.
• Verwendung von Überwachungsdaten und historischen Ausfalldaten zur Modellbildung.
• Einsatz von Prädiktionsmodellen, z.B. neuronale Netze und Entscheidungsbäume, zur Identifikation von Risikofaktoren.
• Implementierung von präventiven Maßnahmen basierend auf den Vorhersagen, z.B. Lastverteilung, Systemoptimierung und proaktive Wartung.
• Ziel: Minimierung der Ausfallzeiten und Verbesserung der Netzwerkzuverlässigkeit.

Supervised, Unsupervised und Reinforcement Learning Methoden

Definition:

Supervised Learning, Unsupervised Learning und Reinforcement Learning sind die drei Hauptarten des maschinellen Lernens, die in der Vorlesung AI-enabled Wireless Networks beschrieben werden.

Details:

• Supervised Learning: Prozess der Modellbildung unter Verwendung eines beschrifteten Trainingsdatensatzes
  • Input: Paar von Input-Output-Beispielen
  • Ziel: Vorhersage einer Antwort
• Unsupervised Learning: Lernprozess ohne beschriftete Ausgabedaten
  • Input: Nur Input-Daten
  • Ziel: Struktur in den Daten identifizieren, z.B. durch Clustering
• Reinforcement Learning: Lernen durch Interaktion mit der Umgebung
  • Agent, Zustände, Aktionen, Belohnung
  • Ziel: Strategie (\textit{Policy}) entwickeln, die Langzeitbelohnung maximiert

Anomalieerkennung und Mustererkennung in Netzdaten

Definition:

Erkennung von Abweichungen und regelmäßigen Strukturen in Netzdaten, oft mithilfe von maschinellem Lernen und statistischen Methoden.

Details:

• Anomalieerkennung: Identifikation ungewöhnlicher Muster, z.B. durch Überwachtes Lernen (\texttt{supervised learning}) oder Unüberwachtes Lernen (\texttt{unsupervised learning}).
• Mustererkennung: Erkennung wiederkehrender Muster, oft durch Klassifikation oder Clustering.
• Anwendungsbereiche: Netzwerksicherheit, Fehlerdiagnose und Leistungsoptimierung.
• Wichtige Algorithmen: \texttt{K-Means}, \texttt{DBSCAN}, \texttt{Autoencoder}, \texttt{Isolation Forest}.
• Mathematische Grundlagen: \texttt{Statistische Tests}, \texttt{Distanzfunktionen (z.B. Euclid, Manhattan)}, \texttt{Dimensionsreduktion (z.B. PCA)}.

Optimierungsprobleme und -ansätze in drahtlosen Netzen

Definition:

Optimierungsprobleme und -ansätze in drahtlosen Netzen beinhalten Modelle und Algorithmen zur Verbesserung der Effizienz und Leistungsfähigkeit von drahtlosen Kommunikationssystemen.

Details:

• Ziel: Maximierung der Netzwerkkapazität, Minimierung der Latenz, Energieeffizienz
• Verfahren: Lineare Programmierung, nichtlineare Optimierung, Heuristiken
• Algorithmen: Gradient Descent, Genetische Algorithmen
• AI-Unterstützung: Reinforcement Learning, Neuronale Netze
• Wichtige Metriken: Durchsatz (\textit{throughput}), Verzögerung (\textit{delay}), Paketverlust (\textit{packet loss})