Democratizing Predictive Analytics with Generative Artificial Intelligence towards AI-Native Networks
Notice bibliographique
Résumé
In the rapidly advancing era of Artificial Intelligence (AI), the transformative force of foundation models has streamlined the automated generation of multi-modal content, corresponding to user intents. At the same time, Machine Learning (ML), particularly Deep Learning (DL), has achieved state-of-the-art performance in optimization and inference tasks of various domains, including telecommunications. However, the segregation of technological domains poses challenges to the integration of powerful AI/ML capabilities towards realizing the vision of "AI-native" networks, such as future 6G networks that will provide ubiquitous intelligence across their infrastructure and service planes and will seamlessly adapt and evolve to support new classes of applications. This paper introduces Auto-TimeGPT, a handsfree Automated ML (AutoML) solution, extending the profound impact of Generative AI (GenAI) for Time Series Analysis, to networks and communications. The contribution includes an out-of-the-box zero-shot approach for anomaly detection and Time Series Forecasting (TSF) which is particularly useful for the Edge-Cloud orchestration framework CODECO, comprehensive in and out-of-domain evaluation, and a limitations analysis. Evaluation results across diverse real-world datasets demonstrate competitive performance with cutting-edge approaches based on Large Language Models (LLMs) and DL models, generalization and optimization ability and effective anomaly detection. The proposed framework democratizes AI analytics in communication and networking domains.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».