隨著人類社會的數(shù)字化進程不斷深入，“聯(lián)網(wǎng)”在今天已經(jīng)是如“衣食住行”般的基礎需求，業(yè)務、運維、聯(lián)接的復雜度也與日俱增。通過引入AI，打造一張基于用戶體驗的智能化、全自動的網(wǎng)絡，成為電信行業(yè)的共同追求。

而在硬幣的另一面，一些問題也隨之浮出了水面。比如AI特性的規(guī)模應用面臨著模型泛化能力差、模型易老化、本地樣本少等諸多挑戰(zhàn)，從而拖慢了AI在電信網(wǎng)絡中的整體普及速度。作為網(wǎng)絡轉型先驅者的華為，對此給出了“云地協(xié)同”這個答案。

“在將AI能力注入電信網(wǎng)絡的旅程中我們發(fā)現(xiàn)，僅僅討論算法問題、考慮如何用數(shù)學解決業(yè)務問題是不夠的，還需要克服很多難點。比如一個模型如果不做管理和控制，半年時間精度就會下滑到原先的60%左右。我們希望‘把困難留給自己，把方便帶給客戶’，通過不斷創(chuàng)新來推動AI在電信行業(yè)的快速規(guī)模部署，這也是此次提出云地協(xié)同解決方案的初衷?！痹谌A為全聯(lián)接大會2020期間的一場媒體圓桌上，華為網(wǎng)絡人工智能（NAIE）產(chǎn)品部總經(jīng)理韓雨發(fā)表示，云端與地端的聯(lián)動，將使AI模型越用越準確。

活動上，他還發(fā)布了《AI使能自動駕駛網(wǎng)絡——華為iMaster NAIE網(wǎng)絡人工智能引擎技術白皮書》，該白皮書結合電信網(wǎng)絡智能化的市場趨勢大背景，闡述了華為在該領域的實踐落地，包括華為自動駕駛網(wǎng)絡解讀、NAIE網(wǎng)絡人工智能引擎以及典型應用場景探索等。

大勢所趨：將AI引入電信行業(yè)

從18世紀至今300余年間，世界通過三次工業(yè)革命，完成了機械化、電氣化、信息化的改造，每一次變革都驅動人類社會邁向新的發(fā)展紀元。如果說在21世紀還有哪一種技術可以和歷次工業(yè)革命中的先導科技相提并論的話，那一定是AI技術。

作為一項通用目的技術，AI在上世紀七十年代便與空間技術、能源技術一起被譽為“世界三大尖端技術”，同時亦與基因工程、納米科學一起被認為是“21世紀三大尖端技術”。經(jīng)歷了60余年起起伏伏，近年來AI技術步入成熟增長期，越來越多地與現(xiàn)實世界產(chǎn)生了碰撞，并迅速成為適用于大部分經(jīng)濟活動的基本生產(chǎn)力。

AI在電信行業(yè)同樣廣受青睞，產(chǎn)業(yè)上下游紛紛圍繞于此展開布局。在國內，中國移動發(fā)布了九天人工智能平臺，匯聚內外部優(yōu)秀AI能力，支撐移動各領域AI應用；中國電信致力于打造智能化“隨愿網(wǎng)絡”，通過AI賦能平臺和傳統(tǒng)設備的AI升級，改善用戶體驗、提升使用效率；中國聯(lián)通發(fā)布了網(wǎng)絡AI平臺Cube-AI智立方，以提升網(wǎng)絡智能水平、降本增效為目標。

在海外，西班牙電信發(fā)布了網(wǎng)絡AI架構與Fast OSS架構，逐步建立自身的AI用例開發(fā)及運維能力；法國電信以AI/數(shù)據(jù)為核心推動網(wǎng)絡智能化、重塑用戶體驗，作為2025戰(zhàn)略的關鍵目標；德國電信則利用AI/ML建立了逐漸演進、開源、非集中化、以自治網(wǎng)絡為目標的AI Program。

從ALL IP、ALL Cloud到ALL Intelligence，華為在電信網(wǎng)絡架構創(chuàng)新上的探索實踐從未停止。早在全云化戰(zhàn)略實施過程中便嘗試引入AI，以推動網(wǎng)絡的自動、自優(yōu)、自愈、自治。2018年9月，正式提出自動駕駛網(wǎng)絡（AND）和5級定義，將AI嵌入到底層網(wǎng)元、中間層網(wǎng)絡和上層云端乃至網(wǎng)絡的整個生命周期中，以此來實現(xiàn)網(wǎng)絡的“無人駕駛、永無故障”。2019年4月，正式發(fā)布iMaster NAIE網(wǎng)絡AI云服務，成為邁向自動駕駛網(wǎng)絡過程中的重要里程碑。

各大電信行業(yè)組織亦已將AI的應用推廣納入議程。比如TMF于2019年5月發(fā)布了自動駕駛網(wǎng)絡白皮書，并成立自治網(wǎng)絡工作組，今年2月對自動駕駛網(wǎng)絡技術架構立項。CCSA、3GPP、GSMA、ETSI等組織也陸續(xù)發(fā)布了自動駕駛網(wǎng)絡相關的研究建議、白皮書、案例報告等。

云地協(xié)同：加速AI特性規(guī)模應用

在產(chǎn)業(yè)界各方的積極推動下，AI技術已在電信網(wǎng)絡的規(guī)劃、建設、維護、優(yōu)化等各個環(huán)節(jié)開啟了使能之旅，目前主要聚焦解決感知預測、根因分析和優(yōu)化控制等問題。典型的AI特性應用像是站點智能節(jié)能、故障識別及根因定位、Massive MIMO模式優(yōu)化，都已初見成效。

不過經(jīng)實踐發(fā)現(xiàn)，AI在網(wǎng)絡中走向規(guī)模部署的過程中尚存不少挑戰(zhàn)。韓雨發(fā)例舉道，首先是模型泛化能力差，很多場景的AI模型都是一站一模型，如無線流量預測，每個站點的模型都需要根據(jù)本地個性化的數(shù)據(jù)進行訓練，而本地資源受限，導致AI模型規(guī)模應用難。

其次，模型易老化。一些場景會發(fā)生因泛化或數(shù)據(jù)偏移而導致的模型精度下降問題，如無線流量預測、DC PUE優(yōu)化等，AI模型都需要進行重訓練。AI模型訓練一般會占用較多系統(tǒng)資源，如在網(wǎng)元或網(wǎng)管實施重訓練任務，訓練效率低，同時也可能會影響設備性能。

第三，樣本少，不出局。部分場景單局點樣本量少，不足以支撐模型訓練。以核心網(wǎng)KPI異常檢測為例，由于單局點發(fā)生異常頻率很少，訓練需要的樣本量不夠。需要能夠匯聚所有局點的全量樣本信息，可能還需輔以聯(lián)邦學習等技術，才能訓練得到滿足業(yè)務精度要求的AI模型。

最后，試錯成本高。設計的模型如果直接在真實環(huán)境上使用，可能存在較大風險。比如數(shù)據(jù)中心設計方案，一旦落地，結果基本不可逆。

針對于此，華為基于iMaster NAIE創(chuàng)造性地提出云地協(xié)同解決方案，以加速AI特性的規(guī)模應用。韓雨發(fā)介紹說，云地協(xié)同是指在運行狀態(tài)下，云端和地端一起協(xié)作完成數(shù)據(jù)樣本上云、模型狀態(tài)管理、模型重訓練、模型/知識下發(fā)、擇優(yōu)更新等一系列的閉環(huán)任務，同時把云端匯聚的全局網(wǎng)絡知識經(jīng)驗、全量數(shù)據(jù)訓練得到的高精度模型，持續(xù)注入地端，支撐電信網(wǎng)絡智能迭代升級，讓網(wǎng)絡越來越聰明。其中，云端是指部署在公有云、合營云或HCS上的NAIE云端智能；地端是指集成在網(wǎng)絡管控單元的網(wǎng)絡AI，以及網(wǎng)元設備中的網(wǎng)元AI。

他表示，云地協(xié)同在實際部署中有三個階段，針對不同場景可以選擇合適的階段，最終大幅提高網(wǎng)絡的資源效率。

階段一是云端進行初始模型的訓練，運行態(tài)由地端根據(jù)新增的樣本進行在線學習，持續(xù)保持模型的精度。這種模式主要適用于模型相對簡單、算法結構比較穩(wěn)定的場景，僅需要根據(jù)本地數(shù)據(jù)進行在線學習，優(yōu)化調整模型參數(shù)，比如核心網(wǎng)變更在線機器值守等。階段二是云端進行模型的分發(fā)，然后在地端根據(jù)新增樣本進行在線學習。一般適合模型相對復雜，華為會持續(xù)進行模型算法結構優(yōu)化的場景，比如無線KPI異常檢測等。階段三是云地實時協(xié)同，模型可以自動化演進。適用于模型復雜、需要用到華為云端高質量標注數(shù)據(jù)、知識圖譜以及仿真等知識能力進行模型優(yōu)化的場景，比如IP RAN/PTN智能告警、DC PUE優(yōu)化等。

打破桎梏：云地協(xié)同關鍵價值詳解

對癥下藥、打破桎梏，為電信網(wǎng)絡鋪就一條智能升維之路，正是新方案的價值所在。在媒體圓桌上，韓雨發(fā)對此進行了詳細的解讀。

其一是借助聯(lián)邦學習，提升模型泛化能力和訓練效率。聯(lián)邦學習，即是將邊緣節(jié)點數(shù)據(jù)保留在本地，通過地端分布式訓練和云端模型匯聚的云地協(xié)同機制，獲得全量數(shù)據(jù)集中訓練方式等同的模型效果，最大的特點就是在地端數(shù)據(jù)不用出局的情況下提升模型的精度。其應用場景包括，跨運營商部署，運營商的網(wǎng)絡業(yè)務數(shù)據(jù)不允許出局；運營商內不同子網(wǎng)之間的模型共享，同樣可以解決數(shù)據(jù)不出局的問題；運營商內網(wǎng)元管理帶寬受限，不適合上傳大量數(shù)據(jù)的場景。

品質家寬是一個典型的案例。韓雨發(fā)分享道，家寬業(yè)務需要區(qū)分游戲、視頻、上網(wǎng)、應用下載等，以進行流量的精細化管理，提升用戶體驗。但當前各地樣本不同，導致新項目應用識別精準率低、上市周期長。T國某運營商在每個邊緣端的SmartONT上進行本地的模型訓練，然后上傳模型參數(shù)到聯(lián)邦學習服務器進行匯聚，生成出新的模型以后再下發(fā)給網(wǎng)絡中的終端（包括新建終端），從而在不需要上傳本地數(shù)據(jù)的前提下快速地提升模型的泛化能力，并可以提高模型訓練的效率、加快新項目的上市。部署以后，對于應用的識別準確率在95%以上，保證了用戶在使用不同應用時的體驗。

其二是構建云地協(xié)同構建網(wǎng)絡知識庫，提升故障運維輔助效率。借助知識圖譜，通過沉淀專家經(jīng)驗和產(chǎn)品知識轉化形成故障傳播關系等，形成“網(wǎng)絡知識庫”，可用于故障運維輔助、知識問答等。知識生產(chǎn)系統(tǒng)可部署在云端，包含建模、抽取、打包等，在起始階段，專業(yè)知識需要各個領域的專家編輯領域知識譜schema和推理規(guī)則（專家經(jīng)驗）。知識消費系統(tǒng)客戶端部署到現(xiàn)場，地端圖譜引擎先從云端導入對應產(chǎn)品的知識圖譜schema和推理規(guī)則，然后對接現(xiàn)網(wǎng)設備采集日志數(shù)據(jù)，根據(jù)下載的schema模型重新組織存儲數(shù)據(jù)，應用推理規(guī)則進行故障診斷，給出處理建議。

其三是建立云端仿真，模型及業(yè)務驗證安全高效。云端仿真，即通過在云端構建虛擬仿真環(huán)境，高效安全地進行模型或業(yè)務驗證，在避免現(xiàn)網(wǎng)性能或KPI受到影響的同時，支撐網(wǎng)絡問題的快速閉環(huán)。一方面仿真往往要求很多資源，云端的計算和存儲資源豐富，容易滿足仿真建立的環(huán)境要求；另一方面，在云端建立一個集中化的仿真平臺，可以供多個局點共享，而且很多仿真軟件是根據(jù)授權收費模式，集中化的云端仿真可以大幅降低經(jīng)濟成本。目前NAIE主要支持兩種場景的仿真，DC節(jié)能仿真和無線網(wǎng)絡優(yōu)化仿真。目前NAIE主要支持兩種場景的仿真，DC節(jié)能仿真和無線網(wǎng)絡優(yōu)化仿真。

其四是提升模型版本管理效率，加速AI特性更新。傳統(tǒng)網(wǎng)管版本集成升級模式需要經(jīng)過多層多次的人工動作，往往需要1個月以上的時間才能完成一個版本的更新。如果采用云地協(xié)同的自動升級模式，讓AI模型市場跟地端網(wǎng)絡AI對接，模型訓練完成后通過AI市場進行發(fā)布，啟動局點自動下載升級，整個過程僅需1個小時即可完成。

“總體來看，云地協(xié)同可以實現(xiàn)一點生效、多點復制，AI的特性在一個局點成功實施后，快速地形成知識和經(jīng)驗，在其他局點進行復制，從而實現(xiàn)全網(wǎng)規(guī)模應用。”韓雨發(fā)如是總結道。

責任編輯：gt