تعد تكنولوجيا الجيل السادس (6G) من التطورات الرائدة التي تغير ملامح تطبيقات الذكاء الاصطناعي (AI) في شبكات إنترنت الأشياء (IoT)، حيث تبرز التحديات المتعلقة بكفاءة الطاقة. مع ازدياد الاعتماد على التعلم الآلي (ML) لنمذجة البيانات، أصبح من الضروري تحسين عمليات تدريب النماذج ونقل البيانات لتحقيق تصميم مستدام للنظم.

لقد قام الباحثون بتحليل نموذج استهلاك الطاقة لكل من البنية المركزية واللامركزية، مقدِّمين تجربة عملية تم تنفيذها ضمن البنية التحتية للسكك الحديدية الألمانية، والتي تستفيد من بيانات الحساسات لصيانة تنبؤية تعتمد على التعلم الآلي.

أظهرت المقارنة بين نماذج التعلم المركزي (Centralized Learning) والنماذج الموزعة أن النماذج اللامركزية استطاعت الحفاظ على دقة تنبؤات تنافسية تبلغ حوالي 90%، مع تخفيض استهلاك الكهرباء بشكل ملحوظ يصل إلى 70%. هذه النتائج تشير بقوة إلى قدرة التعلم الآلي الموزع على تحسين كفاءة الطاقة في تطبيقات إنترنت الأشياء الحقيقية، خاصة من خلال تقليل التكاليف المرتبطة بالنقل.

إن هذا الإنجاز يمكن أن يمثل نقطة تحول في كيفية تصميم وتطبيق أنظمة الذكاء الاصطناعي في المستقبل، مما يدعو إلى التفكير في الخيارات الأكثر استدامة وفاعلية.