聯通專家：5G擁抱AI當從五方面入手
5G採用了大規模天線系統和超密集組網技術，並將引入頻譜共享、D2D等複雜的無線傳輸技術，與此前移動網路技術相比，整體網路架構也更加靈活，功能更加豐富，業務趨向多樣化，這一切都使得網路的規劃、部署、管理、維護成為極具挑戰性的工作，並且5G網路天生肩負著為使用者提供智慧化的、最佳體驗的服務使命。因此，未來的5G網路必將具備高度的自治能力和充分的靈活性。
經過60多年的演進，特別是在移動網際網路、大資料、超級計算、感測網、腦科學等新理論、新技術以及經濟社會發展強烈需求的共同驅動下，人工智慧技術也正在加速發展，呈現出深度學習、跨界融合、人機協同、群智開放、自主操控等新特徵。受腦科學研究成果啟發的類腦智慧蓄勢待發，晶片化、硬體化、平臺化趨勢更加明顯，人工智慧發展進入新階段。當前，新一代人工智慧相關學科的發展、理論建模、技術創新、軟硬體升級等正在整體推進，即將引發鏈式突破，推動經濟社會各領域從數字化、網路化向智慧化加速邁進。
5G擁抱AI的五點建議
在5G時代，網路與人工智慧的結合將成為必然命題，運營商應緊緊抓住國家人工智慧發展規劃帶來的歷史性機遇，充分利用各方技術、產品、運營實力，促進通訊行業向網路智慧化、業務個性化、行業應用智慧化和管理智慧化轉型。運營商還應通過人工智慧技術，提高網路規劃、建設、維護等方面的效率，增強網路智慧組網、靈活運作、高效支撐業務等方面的能力，降低網路建設、維護和管理成本，提升自身行業、個人、家庭業務的競爭力，實現網路智慧化轉型。在這個過程中，5G網路應從以下五大方面入手，做好擁抱AI的準備。
網路資料規範化
資料的獲取和處理是AI應用於5G網路的一大挑戰。行動通訊資料維度高、資料型別多、資料量大、缺失資料多、不同裝置廠家資料格式不統一等，導致無線資料獲取和處理難。
針對AI應用於5G網路的資料獲取和處理問題，整個通訊行業需要聯動起來。首先要形成統一資料標準，針對無線網路資料，由權威協會、聯盟或國家部門制定統一的資料標準，涵蓋資料格式、引數定義、計算方式等多個方面，降低資料處理的複雜度;其次是提取高價值資料，減少資料儲存和計算所需的硬體資源;再次是資料脫敏，對於含有使用者隱私或涉及資訊保安的資料加密編碼，這將有效保護個人隱私，並且不影響AI演算法對資料的分析;最後需要加強分散式並行處理，對於大體量的無線資料集，建立分散式系統，並行處理資料，提高處理效率。
能力開放融合
運營商在AI技術方面的積累比較薄弱，存在硬體部署、軟體開發、人才短缺、成本不足等問題。面對這些問題，運營商需要結合AI產業界的力量，一方面發揮自身在“雲、管、端”和大資料應用等方面的優勢，另一方面積極與網際網路行業、AI產品公司等具有深厚技術積累的外界夥伴合作，不斷積累AI技術知識，學習網際網路行業在AI應用方面的經驗，以便更快、更好地將人工智慧應用於5G網路，推動網路向智慧化方向發展。
如果能將網路相關能力開放，並引入AI技術進行融合，形成網路+AI的能力開放平臺，那麼AI與網路將非常好地契合。網路開放出來的資料、傳輸、資訊等能力和資源，可以使AI技術快速地融入網路，為運營商提升AI服務能力打下重要基礎，也是AI技術上補短板行之有效的方法。採用合作分享、“借兵打仗”的辦法，可以提升AI服務能力，同時建設電信行業自己的AI隊伍。
例如，當前中國聯通網路技術研究院正在與AI“獨角獸”——第四正規化進行合作，藉助第四正規化AutoML產品“升維”的特徵處理思想，將用於網際網路行業的AI演算法引入到運營商的網路平臺中，同時將網路傳輸、排程、路由等能力以及經過脫敏的網路、使用者和業務資料通過能力開放平臺輸送給AI引擎，實現了通過“升維”演算法找到網路和使用者的個體特徵、組合特徵與目標結果的潛在聯絡，從而提升網路發展、使用者體驗和業務需求等方面預測結果的準確度。借鑑“升維”的思想，還可以解決網路質量、使用者體驗評估、網路故障定位、問題溯源等方面的難題。通過模擬測試，相比傳統行動通訊網路中使用的決策樹、專家系統等經典機器學習演算法，“升維”這種網際網路行業所採用的新演算法帶來了超出預期的效果，分析結果準確性從66%提升到79%，突破了傳統方法的準確性瓶頸。
引入技術的創新化
已有的AI演算法在複雜的通訊場景中不一定適用，需要根據通訊網路特點對AI演算法進行改進或創新。例如，在應用AI技術解決業務體驗評估和網路動態優化的問題方面，現有的一些AI方法可以很好地解決網際網路業務使用者體驗評估和APP功能優化，但是卻無法適應行動通訊網路的多因素關聯性和環境複雜性。
為了克服網路狀態和服務的動態特性，應對多樣化的多媒體業務挑戰，中國聯通網研院聯合清華大學AI研究團隊，將現有AI演算法進行改進創新，並且與人因工程、行動通訊網路力量相結合，提出一種基於強化學習的面向QoE的通訊和服務協同優化方法，將使用者的心理、生理感知對映到移動業務體驗，再將行動通訊的KPI與QoE建立關聯。通過強化學習及反饋學習機制建立模型來獲得高維空間中的最優解。同時，輸出端的實時網路狀態和服務質量被反饋到輸入端，從而在當前服務需求下獲得最高的網路資源利用率，使使用者體驗最佳，實現行動網路中複雜業務的動態聯合優化及提升QoE的最終目標。
AI應用的邊緣化
5G網路將面向豐富的垂直行業應用提供服務，帶來更多的邊緣服務需求。多接入邊緣計算(MEC)是5G的重要技術之一，通過在靠近移動使用者的位置上提供資訊科技服務環境和雲端計算能力，可以更好地支援5G網路中低時延和高頻寬的業務要求。同時，MEC天然具有與AI結合的基因，它更接近資料來源和基站這樣的網路神經末梢，因此可以和5G基站、邊緣大資料系統配合。AI技術在邊緣業務場景智慧化、無線網路的開放化等方面將發揮重要作用。
例如，針對通訊網路中視訊等媒體業務請求暴增、網路擁塞、現網視訊內容分發響應延遲等問題，可以將人工智慧技術應用在5G網路MEC快取決策中來提高使用者體驗質量，基於每個基站收集的網路資料智慧地確定快取記憶體裝置中的內容。基於深度學習的MEC快取方案可以增強MEC快取命中率，從而使視訊請求能夠得到快速響應。
網路環境的模型化
傳統網路的路損計算、覆蓋規劃、波束成型等都涉及到對網路環境的計算，在5G複雜網路環境的背景下，引入AI解決與網路環境相關的規劃優化等問題是必經之路，這時需要將傳統代數計算的方法進行基於AI的建模，AI演算法中的準確建模對演算法的實際應用效果至關重要。
一方面，通訊網路具有場景多的特點，針對通訊網路中的不同場景，例如導頻功率調整、邊緣吞吐率提升、M-MIMO波束調整、D-MIMO智慧簇分配、多天線特性增益等多種場景，需要分別進行精準化的建模。另一方面，通訊網路具有時變性強的特點，針對網路發射的異常行為(如被惡意攻擊)或者外部環境變化(如惡劣天氣引發的通道突變)導致的突發性變化，需要建立動態學習、持續學習的演算法模型，以應對通訊場景中的突發問題。例如，建立準確的無線通道大尺度模型對於網路設計至關重要，它可以確定小區的覆蓋大小，從而達到減少鄰區干擾、優化網路的目的。
但目前通道建模的方法主要依賴於通道測量，基於無線通道的各種統計特性建立的通道模型，具有難以針對特定環境給出準確通道響應的缺點，具有一定侷限性。利用人工智慧方法，根據無線通道資料的特點，可將大小尺度衰落預測等任務進行抽象，將其歸類於機器學習擅長解決的迴歸分類等問題，通過機器學習和資料探勘，得到更精確的通道衰落預測和模擬方法。
AI在網路中的應用尚處在起步階段
通訊網路正朝著多元化、寬頻化、綜合化、智慧化的方向發展。無線傳輸採用越來越高的頻譜、越來越大的頻寬、越來越多的天線，因此傳統的通訊方法複雜度太高且效能難以保證。同時，隨著智慧終端和各種APP的爆發，無線通訊網路行為和效能因素比過去更加動態和不可預測。低成本、高效率地運營日益複雜的無線通訊網路是當前運營商面臨的一項挑戰。另外，社交媒體的活動可以影響到使用者的網路行為，隨著網路運營與優化的焦點從網路效能轉變為使用者體驗，傳統的KPI優化方法和網路規劃優化工具已經無法滿足5G網路的需求。
網路傳輸中有大量的測量資訊，而通訊網路本身也有大量的終端、業務、使用者、網路運維、無線傳輸效能等大資料，充分利用這些通訊大資料，採用機器學習和深度學習等人工智慧方法，進行深度挖掘，並實時進行動態重配置無線網路，是提高網路效能和使用者感受，減少人力成本投入，自適應各種新型應用的核心和關鍵。
但是，人工智慧在通訊領域的應用仍處於起步階段，5G網路的智慧化演進路線中挑戰與機遇並存，運營商需要結合網路現狀、雲化轉型進度、5G技術成熟度分階段推進二者融合，並與裝置商、網際網路企業、研究機構等共築智慧新生態。