Я.3181
| Архитектурная основа для машинного обучения в будущих сетях, включая IMT-2020 | |
 | |
| Статус | Действующий |
|---|---|
| Год начался | 2022 |
| Последняя версия | (07/22) июль 2022 г. |
| Организация | ЭТО Т |
| Базовые стандарты | Я.3172 , Я.3173 , Я.3176 |
| Домен | машинное обучение , 5G |
| Лицензия | Свободно доступен |
| Веб-сайт | www |
Y.3181 — это рекомендация ITU-T, определяющая архитектурную основу для «песочницы» машинного обучения в будущих сетях (например, 5G , IMT-2020). [1] Стандарт описывает требования и архитектуру изолированной программной среды машинного обучения (компьютерная безопасность) в будущих сетях, включая IMT-2020 .
ML в трудностях 5G
[ редактировать ]Интеграция AI / ML была определена как одна из ключевых особенностей будущих сетей. Однако сетевые операторы сталкиваются с проблемой поддержания эксплуатационных показателей и связанных с ними ключевых показателей эффективности во время или после этой интеграции. Кроме того, внедрение методов машинного обучения (ML) в сетях пятого поколения ( 5G ) может вызвать обеспокоенность по поводу прозрачности, надежности и доступности методов, методов и данных ML. Часто методы МО рассматриваются как черные ящики (особенно для глубокого обучения, внутренняя работа модели неизвестна, поскольку она слишком сложна или даже скрыта), которые могут изучать сложные закономерности из наборов обучающих данных. [2]
Контролируемое и неконтролируемое обучение
[ редактировать ]Однако такие наборы данных могут быть ограниченными и/или слишком сложными, поэтому возникают вопросы относительно точности выходных данных механизма ML. В частности, уменьшение ошибки обобщения является основной проблемой при применении любого подхода контролируемого обучения (SL), которая может быть высокой, даже если ошибка теста остается низкой (это явление широко известно как переобучение). [3] Помимо методов SL, другие ветви ML, такие как обучение без учителя (UL) и обучение с подкреплением (RL), так или иначе имеют дело с неопределенностью. Такая неопределенность может повлечь за собой применение изменений в сети, приводящих к неприемлемой производительности. [4]
С одной стороны, обучение без учителя направлено на поиск закономерностей в данных без какого-либо руководства (немаркированные данные) и, следовательно, не требует проверки. С другой стороны, RL основан на парадигме обучения на основе опыта. Было показано, что RL очень полезен для одноагентных подходов в контролируемых сценариях, однако заметные негативные последствия могут возникнуть в результате конкуренции, возникающей из-за того, что несколько систем используют одни и те же ресурсы (например, при предоставлении гетерогенных услуг с использованием общих сетевых ресурсов). . Более того, когда несколько систем конкурируют за один и тот же рынок пользователей, исследование может нанести вред репутации системы в ближайшем будущем, что приведет к неблагоприятным последствиям для конкуренции. [5]
Внешние ссылки
[ редактировать ]Ссылки
[ редактировать ]- ^ МСЭ (20 августа 2019 г.). «Новый стандарт ITU по внедрению машинного обучения в сети 5G» . Новости МСЭ . Архивировано из оригинала 07 апреля 2021 г. Проверено 7 апреля 2021 г.
- ^ «[ML5G-I-238] Песочница машинного обучения для будущих сетей, включая IMT-2020: требования и структура архитектуры» . Франческ Вильгельми / Персональный сайт . 2020-06-02. Архивировано из оригинала 16 июля 2022 г. Проверено 16 июля 2022 г.
- ^ «Оперативная группа МСЭ по автономным сетям (FG-AN)» . МСЭ . Архивировано из оригинала 16 июля 2022 г. Проверено 16 июля 2022 г.
- ^ «ML для архивов IMT 2020» . Технологический блог . Архивировано из оригинала 16 июля 2022 г. Проверено 16 июля 2022 г.
- ^ «Деятельность по стандартизации будущих сетей в ИК13 МСЭ-Т | Технический обзор NTT» . www.ntt-review.jp . Архивировано из оригинала 16 июля 2022 г. Проверено 16 июля 2022 г.
 | о телекоммуникациях незавершена . Эта статья Вы можете помочь Википедии, расширив ее . |