Cycle de vie d'apprentissage pour accélérer l'adoption de la transmission et du réseau optiques autonomes

La transmission et le réseau optiques autonomes nécessitent que des modèles d'apprentissage machine (ML) soient formés avec de grands ensembles de données. Cependant, la disponibilité de suffisamment de données réelles pour produire des modèles ML précis n'est que rarement garantie, car de nouveaux équipements et techniques optiques sont constamment déployés dans le réseau. Une option consiste à générer des données à partir de simulations et d'expériences en laboratoire, mais des données telles ne pourraient pas couvrir l'ensemble de l'espace des caractéristiques et se traduiraient par des inexactitudes dans les modèles ML. Dans cet article, nous proposons un cycle de vie d'algorithme basé sur ML pour faciliter le déploiement de ML dans de vrais réseaux d'opérateurs. L'ensemble de données pour l'entraînement ML peut être initialement peuplé en fonction des résultats provenant des simulations et des expériences en laboratoire. Une fois que les modèles ML sont générés, le re-formation ML peut être effectuée après avoir détecté des inexactitudes afin d'améliorer leur précision. Des résultats numériques illustratifs montrent les avantages du cycle d'apprentissage proposé pour des cas d'utilisation généraux. De plus, deux cas d'utilisation spécifiques sont proposés et démontrés qui mettent en œuvre différentes stratégies d'apprentissage : (i) une stratégie en deux phases réalisant une formation hors champ à l'aide de données provenant de simulations et d'expériences en laboratoire avec un équipement générique, suivie d'une adaptation sur le terrain pour prendre en charge un équipement hétérogène (la précision de cette stratégie est montrée pour un cas d'utilisation de détection et d'identification de pannes), et (ii) une re-formation sur le terrain, où les modèles ML sont re-formés après avoir détecté des inexactitudes du modèle. Différentes approches sont analysées et évaluées pour un cas d'utilisation de transmission autonome, où les résultats montrent les avantages significatifs de l'apprentissage collectif.