چگونه هوش مصنوعی قابلیت‌های فناوری 5G را بهبود می‌بخشد؟

این مقاله به قلم «سید جهانگیر آقازاده»، رئیس هیئت‌مدیره شرکت زیتل و براساس کتاب «How Artificial Intelligence Improves 5G Wireless Capabilities» نوشته شده است.

هوش مصنوعی چیست؟

هوش مصنوعی (AI) شبیه‌سازی فرایندهای هوش انسانی توسط ماشین‌ها و معمولاً سیستم‌های کامپیوتری است. برنامه‌های هوش مصنوعی بر سه مهارت شناختی اصلی تمرکز می‌کنند:

یادگیری (کسب داده‌ها و ایجاد قوانینی برای مرتب‌سازی آن داده‌ها)،

استدلال (انتخاب داده‌های مناسب برای دستیابی به نتیجه دلخواه)

و تصحیح خود (تنظیم دقیق مرتب‌سازی داده‌ها برای دقیق‌ترین نتایج).

قوانین مرتب‌سازی داده‌ها به‌عنوان الگوریتم شناخته می‌شوند که دستورالعمل‌هایی گام‌به‌گام را برای چگونگی دستیابی به یک نتیجه ارائه می‌دهند.

5G چیست؟

اکثر اپراتورهای تلفن همراه جهان اکنون نوعی از فناوری نسل پنجم تلفن همراه یا همان 5G را راه‌اندازی کرده‌اند. استانداردهای این نسل ارتباطی برای اولین‌بار در اواخر سال 2017 تنظیم شد. سه نوع اصلی سرویس 5G وجود دارد: باند پایین، باند متوسط ​​و باند بالا. عملکرد این سه نوع سرویس با هم تفاوت‌هایی دارد که در مبحثی دیگر شرح داده خواهد شد. باید خاطرنشان کرد که حتی اگر همه اپراتورهای همراه جهان هم درحال‌حاضر خدمات «5G» ارائه دهند، چند سال دیگر طول می‌کشد تا شاهد تغییرات قابل‌توجهی در خدمات آن باشیم.

برای مقایسه، 4G برای اولین‌بار در سال ۲۰۱۰ عرضه شد، و در سال های ۲۰۱۲ و ۲۰۱۳ بود که زیرساخت‌های نرم‌افزاری و ارتباطی اصلی که برای کار خود به 4G نیاز داشتند، بسیار محبوب شدند. اکنون شرکت اریکسون به‌عنوان یک ارائه‌دهنده پیشرو فناوری اطلاعات و ارتباطات (ICT) برای ارائه‌دهندگان خدمات، تخمین می‌زند که تا سال 2024، صرفاً 40 درصد از جهان از طریق شبکه 5G متصل خواهند شد.

«G» در 5G مخفف «نسل» است. 1G سرویس سلولی آنالوگ بود. فناوری‌های 2G اولین نسل از فناوری‌های دیجیتال سلولی بودند. فناوری‌های 3G سرعت را از 200 کیلوبیت بر ثانیه به چندین مگابیت در ثانیه افزایش دادند. فناوری های 4G درحال‌حاضر صدها مگابیت در ثانیه و حتی تا سطح گیگابیت سرعت ارائه می‌دهند. 5G چندین جنبه جدید را ارائه می‌کند: کانال‌های بزرگ‌تر برای ارائه سرعت‌های سریع‌تر، تأخیر کمتر برای پاسخ‌دهی بیشتر و توانایی اتصال دستگاه‌های بیشتر در زمان واحد.

هوش مصنوعی چه نقشی در شبکه‌های 5G ایفا خواهد کرد؟

پیچیدگی‌های زیادی در راه‌اندازی شبکه‌های 5G وجود دارد و یکی از راه‌هایی که صنعت برای رفع این پیچیدگی‌ها به‌کار می‌گیرد، یکپارچه‌سازی شبکه‌هاست.

براساس یک نظرسنجی که توسط شرکت اریکسون از مدیران و تصمیم‌گیران اصلی 132 شرکت تلفن همراه در سراسر جهان انجام گرفت، بیش از 50 درصد اظهار داشتند که انتظار دارند تا پایان سال 2020 هوش مصنوعی را در شبکه‌های 5G خود ادغام کنند. تمرکز اصلی ادغام هوش مصنوعی کاهش هزینه‌های سرمایه، بهینه‌سازی عملکرد شبکه و ایجاد درآمدهای جدید است.

حدود 55 درصد از پرسش‌شوندگان اظهار داشتند که درحال‌حاضر از هوش مصنوعی برای بهبود خدمات مشتریان، بهبود تجربه مشتری با افزایش کیفیت شبکه و ارائه خدمات شخصی‌سازی‌شده استفاده می‌کنند.

70 درصد بر این باور بودند که استفاده از هوش مصنوعی در برنامه‌ریزی شبکه بهترین روش برای بازیابی سرمایه‌گذاری‌های انجام‌شده در تغییر شبکه به 5G است.

64 درصد از پاسخ‌دهندگان به نظرسنجی گفتند که تلاش دارند کاربری هوش مصنوعی خود را بر مدیریت عملکرد شبکه متمرکز کنند.

حوزه‌های دیگری که مدیران شبکه‌های همراه سلولی قصد دارند در آن‌ها از هوش مصنوعی بهره ببرند شامل مدیریت SLA، چرخه عمر محصول، شبکه‌ها و کنترل و افزایش درآمد است.

البته چالش‌هایی در ارتباط با ادغام هوش مصنوعی در شبکه‌های 5G وجود دارد. مکانیسم‌های مؤثری برای جمع‌آوری، ساختار و تجزیه‌وتحلیل حجم عظیمی از داده‌های جمع‌آوری‌شده توسط هوش مصنوعی باید ایجاد شود. به همین دلیل پذیرندگان اولیه هوش مصنوعی که راه‌حل‌هایی برای این چالش‌ها پیدا می‌کنند، با اتصال شبکه‌های 5G و هوش مصنوعی به‌عنوان پیشتازان این صنعت ظاهر خواهند شد.

چرا 5G به حوزه هوش مصنوعی مرتبط است؟

درحالی‌که گوشی‌های هوشمند ما به‌طور فزاینده‌ای کوچک‌تر شده‌اند، الگوریتم‌های اصلی که آن‌ها را اجرا می‌کنند، از دهه 1990 تکامل چندانی نیافته‌اند. بنابراین سیستم‌های 5G انرژی بسیار بیشتری از حد مطلوب مصرف می‌کنند و نرخ بازده کمتر از حد انتظار را هم به‌دست می‌آورند. جایگزینی الگوریتم‌های بی‌سیم سنتی با هوش مصنوعی و یادگیری عمیق، مصرف انرژی را به‌طور چشمگیری کاهش می‌دهد و عملکرد آن را بهبود می‌بخشد. براساس این رویکرد، اهمیت کاربرد هوش مصنوعی در ارتباطات 5G بسیار بیشتر از تمرکز مدیریت شبکه و مدیریت زمان و مانند آن خواهد بود.

نکته مهم دیگر که باید در نظر داشت محدودیت طبیعی طیف‌های قابل استفاده فرکانس‌های رادیویی است. فرکانس‌های رادیویی و پهنای باند مورد استفاده توسط شبکه‌های سلولی فعلی به‌طور گسترده‌ای هم‌زمان توسط برخی دیگر از سازمان‌ها و دستگاه‌ها نیز استفاده می‌شوند. قوانین ملی و بین‌المللی به‌شدت عدم تداخل بین کاربران امواج رادیویی مختلف را تنظیم می‌کند و اتحادیه بین‌المللی مخابرات (ITU) بر هماهنگی این قوانین نظارت دارد. این نگرانی وجود دارد که استفاده روزافزون از فناوری‌های بی‌سیم طیف امواج رادیویی را که تجهیزات الکترونیک برای برقراری ارتباط با یکدیگر استفاده می‌کنند، شلوغ کند. یکی از روش‌های پیشنهادی برای حل این مشکل، توسعه، تولید و به‌کارگیری دستگاه‌های ارتباطی است که همیشه از یک فرکانس ثابت استفاده نمی‌کنند، بلکه با بهره‌گیری از الگوریتم‌های هوش مصنوعی برای جستجو و یافتن فرکانس‌های آزاد استفاده می‌کنند. این فعالیت هوشمند رادیویی قبلاً امکان‌پذیر نبوده است. براساس این امکان، محدودیت پهنای باند طیف‌های مختلف فرکانسی که مانعی بسیار بزرگ در توسعه شبکه های ارتباطی است، برطرف شده و اپراتورها خواهند توانست با بهره‌گیری از هوش مصنوعی، بدون نگرانی از تداخل فرکانسی، از تمام ظرفیت باندهای فرکانسی برای خدمات‌دهی استفاده کنند.

درحالی‌که 5G تا 20 برابر سریع‌تر از 4G است، اما آنچه ارائه می‌دهد چیزی فراتر از سرعت سریع‌تر است. به‌دلیل تأخیر کم و سرعت بالاتر 5G به توسعه‌دهندگان این امکان را می‌دهد تا برنامه‌هایی ایجاد کنند که از زمان پاسخگویی بهبودیافته، برای مواردی چون انتقال ویدئوی تقریباً لحظه‌ای برای رویدادهای ورزشی یا اهداف امنیتی، بهره کامل را ببرند. علاوه‌براین، اتصال 5G امکان دسترسی بیشتر به داده‌های بلادرنگ از راه‌حل‌های مختلف را فراهم می‌کند. 5G از حسگرهای اینترنت اشیا (IoT) استفاده می‌کند که سال‌های طولانی دوام می‌آورند و به انرژی بسیار کمی برای کارکردن نیاز دارند. این می‌تواند امکان تشخیص از راه دور، آبیاری و کشاورزی هوشمند و نظارت بر شرایط تجهیزات در کارخانه ها را فراهم کند. پزشکان می‌توانند به‌آسانی به داده‌های بیمار دسترسی پیدا کنند و… . اما همه این امکانات و فرصت‌ها به استفاده از هوش مصنوعی برای کاربردی‌کردن آن‌ها نیاز دارند.

5G چگونه به هوش مصنوعی کمک می‌کند؟

رایانش لبه (رایانش مرزی) یا edge computing مفهومی است که براساس آن داده‌ها را تا حد امکان نزدیک به منبع یا کاربر نهایی جمع‌آوری و پردازش می‌کنند. این منبع داده معمولاً یک حسگر اینترنت اشیا است و پردازش به‌صورت محلی با قراردادن سرورها یا سایر سخت‌افزارها در نزدیکی محل فیزیکی منبع داده انجام می‌شود. درحالی‌که محبوبیت این نوع محاسبات درحال افزایش است و بازارهای جدیدی را برای ارائه‌دهندگان مخابراتی، در میان سایر صنایع خلق می‌کند، بسیاری استدلال کرده‌اند که معرفی برخی محصولات «متصل» باعث جهش بازار، آن‌طور که انتظار می‌رفت، نشده ست. این درحالی است که پیشرفت‌های اخیر فناوری هوش مصنوعی شروع به متحول‌کردن صنایع و توسعه ارزشی که این اتصالات می‌تواند با ترکیب داده‌های بزرگ، اینترنت اشیا و هوش مصنوعی برای مصرف‌کنندگان فراهم کند، کرده است.

5G این انقلاب را سرعت می‌بخشد؛ زیرا معماری شبکه 5G به‌راحتی از پردازش هوش مصنوعی پشتیبانی می‌کند. معماری شبکه 5G آینده هوش مصنوعی را تغییر خواهد داد. 5G سرعت و ادغام سایر فناوری‌ها را افزایش می‌دهد و درهمین‌حال، هوش مصنوعی به ماشین‌ها و سیستم‌ها اجازه می‌دهد تا با سطوح هوشی مشابه انسان‌ها کار کنند. به‌طور خلاصه، 5G سرعت خدمات را در فضای ابری افزایش می‌دهد، درحالی‌که هوش مصنوعی همان داده‌ها را سریع‌تر تجزیه‌وتحلیل می‌کند و از آن‌ها یاد می‌گیرد.

یادگیری ماشین چیست؟

به زبان ساده، یادگیری ماشین machine learning (ML) زیرمجموعه‌ای از هوش مصنوعی است که الگوریتم‌ها و مدل‌های آماری را برای انجام یک کار خاص بدون استفاده از برنامه‌ریزی‌های صریح و با تکیه بر الگوها و استنتاج ایجاد می‌کند. الگوریتم‌های ML مدل‌های ریاضی را براساس داده‌های نمونه، به نام داده‌های آموزشی، می‌سازند تا پیش‌بینی‌ها یا تصمیم‌گیری‌ها را بدون برنامه‌ریزی خاص برای آن کار انجام دهند. الگوریتم‌های پردازش سیگنال آموخته‌شده می‌توانند نسل بعدی سیستم‌های بی‌سیم را با کاهش قابل‌توجهی در مصرف انرژی و بهبود در چگالی، توان عملیاتی و دقت در مقایسه با سیستم‌های شکننده و دستی امروزی تقویت کنند.

یادگیری عمیق Deep learning زیرمجموعه‌ای از یادگیری ماشین است که در آن الگوریتم‌های مورد استفاده دارای سطوح زیادی هستند که هرکدام تفسیر متفاوتی از داده‌ها ارائه می‌دهند. شبکه‌های بعدی الگوریتم‌ها به‌عنوان شبکه‌های عصبی مصنوعی شناخته می‌شوند؛ زیرا شبیه به شبکه‌های عصبی مغز انسان هستند. شبکه‌های عصبی یاد می‌گیرند که چگونه به‌طور مؤثر حتی در شرایط دشوار، ارتباط برقرار کنند. این‌گونه شبکه‌ها به‌سرعت درحال تبدیل‌شدن به واقعیت هستند.

چگونه می‌توانیم از یادگیری ماشین و هوش مصنوعی برای 5G استفاده کنیم؟

بدون استفاده از هوش مصنوعی و یادگیری ماشین نمی‌توان یک شبکه 5G را به‌طور کامل عملیاتی کرد. ادغام یادگیری ماشین و هوش مصنوعی در لبه شبکه را می‌توان از طریق استفاده از شبکه‌های 5G به‌دست آورد. 5G اتصال هم‌زمان چندین دستگاه IoT را امکان‌پذیر کرده و حجم عظیمی از داده تولید می‌کند که باید با استفاده از یادگیری ماشین و هوش مصنوعی پردازش شوند.

هنگامی که ML و AI با رایانش لبه چند دسترسی 5G (MEC) ادغام می‌شوند، ارائه‌دهندگان بی‌سیم می‌توانند

- سطوح بالای اتوماسیون از معماری توزیع‌شده ML و AI در لبه شبکه،

- هدایت ترافیک مبتنی بر برنامه در سراسر شبکه‌های دسترسی

- و برش شبکه پویا برای اجرای سناریوهای مختلف براساس الزامات متفاوت کیفیت خدمات را ارائه دهند.

چرا یادگیری ماشین برای سیستم‌های بی‌سیم 5G مهم است؟

شبکه‌های 4G موجود از پروتکل اینترنت (IP) برای اتصالات پهن‌باند و انتقال داده‌ها استفاده می‌کنند که کارایی نسبتاً ضعیف (و کمیت محدودی ) دارد. یادگیری ماشین و هوش مصنوعی به شبکه‌های 5G اجازه می‌دهند تا دارای قابلیت پیش‌بینی باشند و غیرمنفعل عمل کنند. این قابلیت‌ها برای عملکرد شبکه‌های 5G ضروری است. با ادغام یادگیری ماشین در فناوری 5G، سایت‌های هوشمند قادر خواهند بود خودشان تصمیم بگیرند و دستگاه‌های همراه نیز قادر خواهند بود براساس داده‌های آموخته‌شده، خوشه‌های سازگار و پویا ایجاد کنند. این کار باعث بهبود کارایی، تأخیر کمتر و قابلیت اطمینان برنامه‌های شبکه می‌شود.

پتانسیل‌ها و محدودیت‌های یادگیری ماشین برای ارتباطات 5G

همان‌طور که شبکه 5G پیچیده‌تر می‌شود و کاربردهای جدیدی مانند اتومبیل‌های خودران، اتوماسیون صنعتی، واقعیت مجازی، سلامت الکترونیک و موارد دیگر ظهور می‌کنند، یادگیری ماشینی در تحقق چشم‌انداز 5G ضروری‌تر خواهد شد. همانند هر فناوری جدید، یادگیری ماشین در این میان هم پتانسیل‌های قابل‌توجهی دارد و هم محدودیت‌هایی که باید بر آن‌ها غلبه کرد.

پتانسیل‌های یادگیری ماشین برای ارتباطات 5G عبارتند از:

۱- پهنای باند همراه پیشرفته (eMBB: enhanced Mobile Broad band): توسعه شبکه فعلی موبایل‌های باند وسیع برای دستیابی به نرخ داده بالا در سرویس‌هایی که نیازمند نرخ بیت بالا هستند، به بهبود تجربه کاربری مثل افزایش نرخ بیت سمت کاربر منجر می‌شود. به عنوان مثال، می‌توان به پخش ویدئو با کیفیت فوق‌العاده بالا و واقعیت مجازی آنلاین اشاره کرد.

۲- ارتباطات عظیم ماشینی (mMTC: Massive Machine type communication): در این دسته‌بندی، حجم انبوهی از تجهیزات مثل سنسورهای کنترل از راه دور، پهپادها و تجهیزات متحرک و نیز دستگاه‌های مانیتورینگ مختلف قرار می‌گیرند. نیازمندی مشترک و کلیدی این تجهیزات، قیمت بسیار پایین این تجهیزات و مصرف توان بسیار پایین آن‌ها است. این تجهیزات باید بتوانند عمر باتری بیشتر و زمان فعالیت طولانی‌تری جهت سرویس‌دهی داشته باشند. معمولاً هرکدام از این تجهیزات حجم داده بسیار پایینی تولید می‌کنند، اما وقتی که تعداد بسیار زیاد این تجهیزات را مدنظر قرار دهیم، حجم داده‌های تولید‌شده توسط آن‌ها به‌شدت بالا خواهد بود و شبکه واسط رادیویی باید قابلیت انتقال آن داده‌های عظیم را داشته باشد. یکی از ویژگی‌های کلیدی خدمات ارتباطی 5G، تقاضای اتصال مقیاس‌پذیر برای گسترش تعداد دستگاه‌های بی‌سیم با انتقال کارآمد مقادیر کمی داده در مناطق تحت پوشش است. mMTC باید بتواند کاربردهای جدید و پیش‌بینی‌نشده را پشتیبانی کند.

۳- ارتباطات بسیار مطمئن با تأخیر کم (URLLC: Very low latency, very high reliability and availability): طبق تعریف 3GPP، شبکه موبایل نسل پنجم باید کمترین تأخیر و بالاترین در دسترس بودن را به کاربر ارائه نماید. این قابلیت شامل امنیت و سلامت اطلاعات کاربران، نظارت خودکار بر نحوه رفع خرابی‌ها و نگهداری سیستم و اتوماسیون کارخانه‌ای خواهد بود. مراقبت‌های بهداشتی متصل، جراحی از راه دور، برنامه‌های کاربردی حیاتی، رانندگی خودکار، ارتباطات وسیله نقلیه به وسیله نقلیه (V2V)، اتصال قطار پرسرعت و برنامه‌های کاربردی صنعت هوشمند، قابلیت اطمینان را در اولویت قرار می‌دهند.

محدودیت‌های ML برای ارتباطات 5G عبارتند از:

 ۱- داده: داده‌های با کیفیت بالا برای برنامه‌های کاربردی ML ضروری هستند و نوع داده‌ها (برچسب‌دار یا بدون برچسب) هنگام تصمیم‌گیری برای استفاده از نوع یادگیری، عامل مهمی است. ML به خوبی داده‌هایی است که دریافت می‌کند.

۲- قضیه هیچ ناهاری مجانی نیست: این قضیه بیان می‌کند که اگر همه توزیع‌های تولیدشده توسط داده‌های ممکن به‌طور میانگین محاسبه شوند، هر الگوریتم ML هنگام استنتاج داده‌های مشاهده‌نشده عملکرد یکسانی خواهد داشت. این بدان معنی است که هدف ML جستجوی بهترین الگوریتم یادگیری مطلق نیست، بلکه درک نوع توزیع مربوط به یک برنامه خاص 5G است و اینکه کدام الگوریتم ML بهترین عملکرد را در آن داده خاص دارد.
(در علوم کامپیوتر مواقعی پیش می‌آید که خروجی تمام روندهایی که مشغول حل یک نوع مسئله خاص هستند، از لحاظ آماری مشابه هم باشند. «دیوید ولپرت» و «ویلیام مک ردی» بیان زیبایی را برای چنین وضعیتی در مسائل جستجو [و بهینه‌سازی] ارائه داده‌اند و آن هم این بود که از «ناهار مجانی خبری نیست». ولپرت قبلاً براهین «هیچ ناهار مجانی» را برای یادگیری ماشین به‌دست آورده بود. قبل از اینکه مقاله ولپرت منتشر شود، «کالن شفر» خلاصه‌ای از کار منتشرنشده ولپرت را با اصطلاحات متفاوت به جامعه علمی عرضه کرد.)

۳- انتخاب Hyperparameters :Hyperparameters مقادیری هستند که در الگوریتم‌های ML قبل از شروع آموزش تنظیم می‌شوند. این مقادیر باید با دقت انتخاب شوند، زیرا بر پارامترهای نهایی که از نتایج یادگیری به‌روز می‌شوند، تأثیر می‌گذارند.

۵- تفسیرپذیری در مقابل دقت: از دیدگاه ذی‌نفعان، درک تعاملات پیچیده بین متغیرهای مستقل ممکن است دشوار باشد و ممکن است همیشه منطقی به‌نظر نرسد. بنابراین باید بین تفسیر داده‌ها و دقت کامل یک دادوستد و مبادله انجام شود.

۶- حریم خصوصی و امنیت: الگوریتم‌های ML ممکن است در معرض حملات خصمانه قرار گیرند؛ مانند اصلاح یک نمونه ورودی برای مجبورکردن مدل به طبقه‌بندی آن در دسته‌ای متفاوت از کلاس اصلی‌اش.

نوآوری‌های برتر 5G در افق پیش رو

با این همه پتانسیل برای استفاده از ML و AI و ادغام آن‌ها با شبکه‌های 5G، صنایع مختلف درحال کار به‌سمت نوآوری با بهره‌گیری از 5G هستند. برخی از نوآوری‌های برتر در افق پیش رو عبارتند از:

ورزش: 5G ویژگی‌های مشاهده پیشرفته‌ای چون مشاهده سه‌بعدی و نماهای پرسپکتیو مختلف از یک بازی زنده را ارائه می‌دهد.

واقعیت مجازی بی‌سیم (VR): با 5G، کاربران می‌توانند از محتوای واقعیت مجازی در هر کجا و در هر زمان لذت ببرند.

واقعیت افزوده (AR): 5G خدمات واقعی واقعیت افزوده مانند باغ‌وحش‌های مجازی، آزمایشگاه مجازی، کلاس‌های مجازی و… را ارائه می‌دهد.

اجرای زنده: 5G اجرای زنده با کیفیت بسیار بالایی را از دستگاه‌های بی‌سیم ارائه می‌دهد.

پخش جریانی بازی: بازی‌ها از طریق 5G در فضای ابری پردازش می‌شوند و درحالی‌که اجازه ورودی از دیگران را می‌دهند، پخش می‌شوند.

 اجرای آنلاین موسیقی: بسیاری از افراد می‌توانند با استفاده از قابلیت‌های 5G به‌صورت آنلاین با همدیگر به اجرای موسیقی بپردازند.

ماشین‌های خودران: این فناوری به قدرت محاسباتی نیاز دارد که فقط از طریق شبکه‌های 5G و هوش مصنوعی به‌دست می‌آید با چنین ترکیبی، نقشه‌های سه‌بعدی شهرها به‌صورت هم‌زمان روی وسایل نقلیه آپلود می‌شوند، ترافیک به‌روزرسانی می‌شود و نرم‌افزارها نیز به‌صورت خودکار به‌روزرسانی خواهند شد.

خانه بی‌سیم: برخی از دستگاه‌های اولیه 5G دارای هات‌اسپات بی‌سیم برای تمام خانه هستند.

اسکنرهای کم‌مصرف مانند برخی تجهیزات مزارع کشاورزی هوشمند، دستگاه‌های خودپرداز، تجهیزات پزشکی و ماشین‌آلات سنگین کنترل از راه دور: این اقلام نیازی به اتصال دائمی ندارند و بنابراین می‌توانند به مدت 10 سال با یک باتری کار کنند؛ درحالی‌که داده‌های خود را به‌صورت دوره‌ای ارسال می‌کنند.

امنیت عمومی و زیرساخت: شهرهای هوشمند و دیگر زیرساخت‌های خدمات شهری می‌توانند با استفاده از شبکه‌های 5G کارآمدتر عمل کنند. شرکت‌های خدماتی قادر خواهند بود بر کیفیت خدمات خود از راه دور نظارت کنند. از طریق سنسورهای نصب‌شده می‌توان به‌سرعت از آتش‌سوزی، سیل و حتی سوختن چراغ‌های معابر عمومی مطلع شد و شهرداری‌ها می‌توانند با استفاده از اتصالات 5G به‌سرعت و به‌طور ارزان‌قیمت دوربین‌های نظارتی و ترافیکی نصب کنند.

مراقبت‌های بهداشتی: پزشکی از راه دور، مراقب‌های بهداشتی از راه دور، فیزیوتراپی از طریق AR، جراحی دقیق و حتی جراحی از راه دور همگی امکاناتی هستند که 5G در اختیار خواهد گذاشت. بیمارستان‌ها قادر خواهند بود شبکه‌های حسگر را برای نظارت بر بیماران ایجاد کنند. پزشکان می‌توانند قرص‌های هوشمند را با قابلیت ردیابی در بدن تجویز کنند و بیمه‌ها می‌توانند مشترکان خود را برای تعیین درمان‌ها و فرایندهای مناسب نظارت نمایند.