مع التقدم التكنولوجي الكبير الذي نشهده اليوم، تعد شبكات الجيل السادس (6G) بمثابة خطوة ثورية في عالم الاتصالات. يهدف الجيل الجديد من الشبكات إلى نشر نماذج ذكاء اصطناعي (AI) كبيرة النطاق على حواف الشبكة (Edge) لتقديم خدمات استنتاج عن بُعد للأجهزة المتصلة.

تسمح هذه المنصة، المعروفة باسم استنتاج الحافة (Edge Inference)، بدعم مجموعة واسعة من تطبيقات الإنترنت للأشياء (IoT)، مثل القيادة الذاتية (Autonomous Driving) والأتمتة الصناعية (Industrial Automation) والواقع المعزز (Augmented Reality). ومع ذلك، تكمن التحديات الكبرى في تصميم أنظمة استنتاج الحافة التي تحقق موثوقية عالية وتلبي متطلبات زمن الاستجابة الصارمة.

تشير الدراسات الحالية إلى التركيز على موثوقية الاتصالات، كما هو محدد من خلال احتمال انقطاع القناة (Channel Outage Probability)، لكن هذه الدراسات قد تُفشل في ضمان الأداء النهائي من ناحية دقة الاستنتاج (Inference Accuracy) والكمون (Latency).

ولمعالجة هذا القصور، يقوم الباحثون بتقديم إطار نظري جديد يُعرّف ويصف رياضيًا احتمال انقطاع الاستنتاج (Inference Outage Probability)، الذي يحدد احتمالية عدم تحقيق دقة الاستنتاج المطلوبة. تحت قيود زمن الاستجابة النهائية، يحدد هذا الإطار توازنًا أساسيًا بين الحمل الاتصالي (Communication Overhead) وموثوقية الاستنتاج كما يقيسها احتمال انقطاع الاستنتاج.

من خلال الاستفادة من التحليلات التجريبية، تُظهر النتائج أن التصميم المقترح يتفوق على الأساليب التقليدية التي تركز على الاتصالات من حيث موثوقية الاستنتاج النهائية. وبالتالي، يُعتبر هذا البحث خطوة مهمة نحو تحسين الأداء الفعلي لتطبيقات الذكاء الاصطناعي في المستقبل.