Technológia 5G dokáže prenášať informácie vysokou rýchlosťou a zároveň s nízkym oneskorením, zatiaľ čo umelá inteligencia minimalizuje prevádzkovú zložitosť využívaním efektívnych algoritmov. To znamená, že zariadenia, ktoré ich využívajú, budú rýchlejšie, produktívnejšie a ziskovejšie. Okrem toho kombinácia 5G a UI zlepší nákladovú efektívnosť širokej škály procesov vďaka využívaniu automatizovaných systémov. Táto automatizácia môže znížiť úsilie a náklady potrebné na vykonávanie priemyselných funkcií a zároveň zvýšiť presnosť. Môžeme povedať, že UI a 5G sa navzájom posúvajú vpred. 5G spolu s IoT poskytuje veľké množstvo dát, na ktorých môže UI trénovať a následne sa natrénované algoritmy môžu použiť na optimalizáciu 5G sietí.[O43]

UI a jej podkategórie, ako je ML a DL sa vyvíjajú do takej miery, že v súčasnosti tento mechanizmus umožňuje bezdrôtovým sieťam piatej generácie (5G) proaktívne predvídať, čo má zásadný význam pre realizáciu vízie 5G. Víziou je vývoj inteligentných základňových staníc, ktoré sa samy rozhodujú, mobilných zariadení vytvárajúcich dynamicky prispôsobiteľné klastre na základe naučených údajov a nie podľa vopred stanovených pravidiel. Vďaka použitiu týchto mechanizmov sa zvyšuje efektivita a spoľahlivosť súčasných sieťových aplikácií, do ktorých sú zahrnuté aj aplikácie pracujúce v reálnom čase. Tým dochádza k zlepšeniu latencie a celkovej kvality. Mnohé problémy v mobilnej a bezdrôtovej komunikácii nie sú lineárne alebo polynomické, a preto je potrebné ich aproximovať. Umelé neurónové siete (ANN) sú technikou, ktorá bola navrhnutá na modelovanie účelovej funkcie nelineárneho problému, ktorý si vyžaduje optimalizáciu. [O30]

Cieľom ML nie je hľadať absolútne najlepší algoritmus učenia. Namiesto toho musíme pochopiť, aký druh rozdelenia je relevantný pre konkrétnu 5G/B5G aplikáciu a ktorý algoritmus ML má najlepšie výkon pri týchto konkrétnych údajoch. Hlavnou výzvou pri návrhu prevádzky v sieti 5G je rozpoznávanie a klasifikácia heterogénnej masívnej prevádzky. Namiesto toho by sa mali zaviesť nové spoľahlivé metódy založené na UI. UI sa osvedčila ako účinný nástroj na riešenie problémov, ktoré vyžadujú veľké množstvo ručného ladenia alebo komplexné zoznamy pravidiel. Navyše, UI je vhodná na riešenie zložitých problémov, kde tradičné prístupy nedokážu poskytnúť adekvátne riešenie. Nepredvídateľnosť prevádzky sietí 5G predstavuje výzvu hlavne pre sieťových operátorov[O40].

V bezdrôtových sieťach je kľúčové zabezpečiť efektívne riadenie a digitálne spracovanie signálov, preto je nevyhnutné získavať informácie o stave kanála (CSI). V súvislosti s bezdrôtovou komunikáciou sa používa kanálový stavový indikátor (CSI) a bola vyvinutá aproximácia založená na NN, za pomoci ktorej je možné určiť podmienky kanála. Táto metóda umožňuje odvodiť nepozorovateľné informácie o kanáli zo známych informácií z pozorovateľného kanála. Pri odhade strát pri šírení v dynamických prostrediach, možno vstupné parametre vybrať z informácií o vysielači, prijímači, budovách, frekvencii atď. Sieť sa na týchto údajoch naučí odhadovať funkciu, ktorá najlepšie aproximuje straty pri šírení pre bezdrôtové siete novej generácie. Aplikácie UI možno okrem iného rozšíriť na výber buniek vo viacúrovňových sieťach, objavovanie zariadení pre komunikáciu medzi zariadeniami (device-to-device D2D) alebo združovanie používateľov s cieľom vyrovnávať celkovú vyťaženosť siete. UI, najmä DNN (Deep Neural Network), bola aplikovaná na rôzne funkčné bloky vo fyzikálnych vrstve, napr. rozpoznávanie modulácie, dekodér polárnych kódov a detekcia MIMO [O44].