定义 AI 原生：高级智能电信网络的关键使能因素

爱立信白皮书BCSS-23:000056Uen 2023年2月 定义AI原生：高级智能电信网络的关键使能因素 内容 3461516 作者 17 介绍 本白皮书介绍了有关人工智能（AI）原生概念的多种观点，并讨论了AI原生实现的背景和背景。为专家引入了成熟度模型，以确定某个工件处于哪个AI原生成熟度级别。 人工智能如何为服务提供商带来商业价值[1]以及BSS向成为AI原生的演变[3][4]已经讨论过。本白皮书深入探讨了新出现和讨论的人工智能原生概念，该概念仍然没有明确的定义。 读者将了解如何定义AI原生，并将介绍一个工具，即AI原生成熟度矩阵，以判断产品在AI原生成熟度量表上的位置。AI原生成熟度级别矩阵进一步帮助专家规划他们的AI原生旅程。 AI原生概念的出现 在过去的十年中，人工智能和机器学习（ML）技术的开发和使用呈爆炸式增长，特别关注人工智能领域的机器学习方面，其中ML通常被视为人工智能的一个子领域。这也是本文中这些术语的使用方式。使用AI一词时，人们将理解AI讨论的很大一部分都围绕着ML的子领域，但AI并不完全是ML，并且在AI的其他方面仍有大量工作要做，例如机器推理。 目前，人工智能技术已经成熟，现在被认为是稳定的，最先进的技术被用于解决许多类型的难题。人工智能技术 在存在固有随机性和非确定性的情况下表现出色，并且在可用数据中捕获模式和相关性的复杂性（有时基于非常复杂的输入）需要大量的努力才能被人类专业知识驯服。在这些情况下，可以在可用数据上训练人工智能技术，然后学习表示和预测数据中的固有行为。 在电信领域，人工智能在几个用例中的相关性已经存在了好几年。在电信行业中采用基于AI的解决方案有多种驱动因素，这种相关性也通过标准化来捕获，但不仅限于标准化，例如，5G和5GAdvanced的3GPP规范，其中基于AI的解决方案越来越多地用于提高网络性能并实现智能网络自动化[5]。 这些事实加在一起，正在将人工智能转变为电信行业的普遍技术，也产生了人工智能原生一词，该术语已开始出现在学术和行业讨论中[14]。 随着人工智能的作用越来越大，它将对电信系统的设计和处理产生更主要的影响。另一方面，到目前为止，尚不清楚AI原生的多方面对电信运营商或通信服务提供商（CSP）意味着什么，以及他们应该如何规划其网络的演进。也缺乏明确的定义，有助于锚定AI原生概念并创建一个 对AI原生的含义以及为什么它对整个行业很重要的共识。 AI本地定义 为了解决人工智能原生一词缺乏明确定义的问题，首先有必要澄清该术语的使用方式。AI原生通常用作实体（如系统、函数或实现）的前缀，例如，更具体的实体（如特定函数或接口）。无论前缀用于哪个实体，都可以说AI原生的高级概念保持不变，它包括在实体的所有子组件中普遍使用AI和所需的随附数据基础设施，而不是将基于AI的组件添加到现有的非基于AI的实体中。 术语AI原生实现用于在最广泛意义上讨论该概念时消除语言的歧义。谈论系统、功能（可以是一般意义上的功能，也可以是网络功能）或应用程序会令人困惑，因为所有这些都可以是AI原生的。取而代之的是，将使用通用术语实现，该术语将包含上述所有内容以及可被视为AI原生的任何其他可以想象的实体。 从实现的角度来看，向系统添加AI功能有不同的方法。 将现有组件替换为基于 AI的组件 添加一个新的基于ai组件 AI原生是所有组件都可能相互使用AI的地方 添加基于ai控制遗留组件(年代) 图1:添加人工智能系统的方法 上图可视化了几种不同的方法。 第一种方法是使用AI技术替换，实现或增强现有功能[10]。这在爱立信产品中已经发生了很长一段时间，例如用于ML辅助寻呼的移动管理实体（SGSN-MME）产品[11]，以及RAN功能，如增强MIMO睡眠[9]和AI驱动的下行链路自适应[12]。 第二种方法是添加一个全新的基于AI的组件，该组件没有任何相应的遗留实现。一些现有的例子包括人工智能驱动的能源优化器[13]和5G感知交通管理[8][11]。 第一种方法和第一种方法都需要与现有系统实现向后兼容，即与第一种方法中的遗留接口和第二种方法中新引入的（或预先存在的）接口的兼容性。 第三种方法是添加一个基于AI的组件，作为旧组件的控件。基于AI的控制在传统功能之上提供自动化、优化和/或额外功能，如AI驱动的高级单元监控[13]。 简单地使用AI来替换现有功能或添加一个、多个或所有组件中的新功能，并不能使实现AI原生。AI本机实现由AI感知控制组件管理，这些组件本身可以使用 AI技术，包括用于管理基于AI的组件生命周期的功能。在此基础上，现在可以引入AI原生概念的定义。 AI本地定义 AI原生概念可以定义如下: “AI原生是具有内在可信赖AI功能的概念，其中AI在设计，部署，操作和维护方面是功能的自然组成部分。 人工智能原生实施利用数据驱动和基于知识的生态系统，其中数据/知识被消费和产生，以实现新的基于人工智能的功能，或在需要时用学习和自适应人工智能增强和取代静态的、基于规则的机制。 AI在电信本地上下文 为了使AI原生有意义，需要额外的支持和条件。为了正确看待AI原生，AI原生的上下文根据下图进行可视化： 认知 通过观察积极整合自己的知 识，通过随着时间的推移学习知识来制定策略以实现意 敏锐的图 充分了解环境条件并采取相应 的行为，能够以数字方式表示网络现实 AI本地 互动 与邻居交互，生成和公开数据/ 知识，确保可信度、公平性和可解释性，实现协作智能 客观的基于数据的消费, 实现目标 AI本机系统 图2:AI本地电信上下文 目的 启用 通过联合认知网络和采用实现自 治网络愿景 AI的原生结构 这是给定的AI本机实现的任务要实现的目标。这通常是一个问题，即使具有深厚的领域知识，也需要使用非AI实现的非常复杂的解决方案，但其中有数据表示可用于训练基于AI的解决方案的系统行为。例如，利用AI实现零接触操作视觉，在RAN、核心或管理域中进行各种功能增强和优化，或其他类型的非功能优化，例如能效、延迟和吞吐量优化等。 环境 环境代表AI原生系统的周围环境。AI原生实现需要了解环境条件是什么，并能够利用它们来实现自己的目的，以便能够检测和适应任何变化，这可能会对其自身执行目的的能力产生影响。这可以是 检测它与哪些类型的数据库和协议交互，它在哪种类型的硬件平台上执行，或者它位于哪种类型的无线电环境中。 情报 智力代表通过适应变化的环境（例如，在环境中）并通过新获得的理解扩展其知识库，以及最终通过随着时间的推移学习新知识来实现目标的战略和措施，从而积极地将自己的基本知识与新的观察相结合的能力。 系统 该系统处理基于AI的功能的所有生命周期管理，它代表了AI原生实现与其邻居交互并以AI/分析友好的方式生成和公开数据和知识的能力。系统确保所有操作的可信度、公平性和可解释性，并实施AI安全和AI控制机制。整个系统可实现跨网络的协作智能。 结果 最后，人工智能原生实现的结果代表了增值功能的实现，例如认知自主网络视觉、基于派生知识和推理的自主行动，以及采用当前和未来以人工智能为中心的架构。 AI本地建筑 AI原生环境中的一个重要目标是以AI为中心的架构。但什么是AI原生架构？鉴于上述AI原生概念的定义，可以得出结论，它是一种AI在整个架构中无处不在的架构。这可以通过从一开始就规划AI原生架构在新产品中实现。对于遗留产品，可以考虑将具有商业意义的现有系统发展为AI原生系统，因为某些方面得到了适当的解决 。 但是AI原生将在建筑中如何展示？这很难回答，因为它取决于架构的类型。例如，与部署架构相比，AI原生性在功能架构中会有所不同，它捕获要支持哪些功能以及这些功能如何交互，部署架构捕获在哪里执行功能和运行AI模型，以及放置此类AI模型和相应功能的物理位置之间存在哪些交互。 数据驱动的基础设施(跨域) 为了回答这个问题，本文介绍了与AI原生架构相关的以下方面：1）无处不在的智能;2）分布式数据基础设施;3）零接触;4）人工智能。 无处不在的智能方面涵盖了这样的要求，即根据成本效益分析，可以在任何有意义的地方执行人工智能工作负载。这意味着，在每个网络域中，在堆栈的每一层，从中央站点到边缘站点的每个物理站点上，甚至可能在移动设备上。这也意味着AI执行环境需要随处可用，如果需要，AI训练环境可以放在一起。 下图说明了这个想法。今天，已经有几种AI模型投入生产。预计AI模型的数量将会增长。最终，这个数字将如此之大，以至于模型生命周期管理不能再仅通过部分自动化支持来完成。相反，它需要通过业务逻辑完全自动化，该逻辑决定使用哪个模型版本执行以及在何时何地执行模型（重新）训练。可以组合具有相似输入特征的模型。模型可能需要跨越多个层甚至多个域的数据，这可能意味着层和域边界模糊。换句话说，模型生命周期管理的目的是使AI原生架构具有协调和可信的智能，不断改进和跟踪数据变化，以实现系统范围的端到端收益 数据驱动的基础设施(跨域) 。 域X 层一 层b 层…… 层z AI/毫升模型 今天 域X 层z AI/毫升模型 AI/毫升 模型 层…… AI/毫升 模型 进化 层bAI/毫升 模型 AI/毫升 AI/毫升模型 模型 层一 AI/毫升模型 模型生命周期域X管 理 (跨域) 层…… AI/毫升 模型 进化 层一 目标 AI/毫升 模型 AI/毫升 层b AI/毫升模型 层z AI/毫升 模型 图3：整个架构中无处不在的智能 无处不在的智能方面与分布式数据基础架构方面相互关联。只有在数据和必要的计算资源（例如GPU）随处可用的情况下，才能在任何地方执行和（在需要时）训练AI模型。 如果数据随处可用，它还将支持跨越当今层和域边界的模型。换句话说，AI原生将对数据基础设施有很强的要求。 数据可能有此日期前最佳或法律限制。庞大的数据量可能会设置限制。这将限制可以使用数据的时间和位置。可能需要处理数据流，或者可能需要组合多个数据流。数据可观测性需要灵活，以适应数据使用者的要求以及数据生产者和传输基础设施的可用资源。所有这些都意味着数据基础结构和模型业务流程协调程序需要交互;有时数据可以传输到情报，有时使情报更接近数据更有效，例如当对数据的时间有硬性要求时，数据在一定时间后就无用了。数据摄取体系结构[6]中提供了更详细的描述。我们希望此体系结构会随着时间的推移而进一步发展。 上面提到的两个方面意味着需要制定许多功能。示例包括数据可观测性、数据预处理、特征工程、模型训练、模型存储库、模型服务、模型偏移检测、执行监视等。所有这些功能都将在AI原生网络架构中可用，允许对AI工件（即模型、管道、特征、数据集等）进行生命周期管理。这方面通常称为AIOps或MLOps。 综上所述，很明显，无处不在的智能意味着人工智能技术可以在整个架构中以横切的方式使用，并且不仅限于架构的一层。数据基础设施也是如此;数据和知识需要跨层共享，人工智能技术可以应用于每一层，甚至跨层 。 智慧无处不在 数据/知识基础设施 运输 云基础设施 现代化道路 y,网络,并 访问,Mobilit tization chestration,局部激素 管理,或 皱纹 美联社 图4:通用AI原生架构 管理上述情报和数据基础设施使人类操作员的任务更加复杂。需要自动化人工智能和数据管理。而不是引入新的手动操作（人类决定做什么和如何做）或自动化操作（人类设计工作流程执行），目标应该是完全自主的操作。人类仍然可以通过向系统表达需求并监督这些需求得到满足来控制， 而不是指示系统采取什么行动。我们称这方面为零接触。引入零接触来管理人工智能和数据甚至可能是完全自治网络的推动者，其中自治网络是具有自我*（自我配置、自我修复、自我优化、自我保护）功能的网络。这实现了认知网络[2]，即自治网络的AI原生实现。[7]中提供了创建自治网络的更详细的描述。