Inteligencia artificial y aprendizaje automático en el marco de la 5G - Conclusiones del Concurso de la UIT
←
→
Transcripción del contenido de la página
Si su navegador no muestra la página correctamente, lea el contenido de la página a continuación
Núm. 5, 2020 Inteligencia artificial y aprendizaje automático en el marco de la 5G Conclusiones del Concurso de la UIT
Manténgase al día//
// Manténgase informado
Actualidades de la UIT se ha trasladado
a una nueva plataforma.
Descubra MyITU
Su puerta de entrada a los contenidos
pertinentes de la UIT, sobre la base
de sus intereses
Manténgase informado con las últimas
Actualidades de la UIT
Para recibir el nuevo boletín semanal de la UIT,
suscríbase ¡hoy!
Artículos de Suscríbase Revista
Actualidades de Actualidades
la UIT de la UIT
Únase a las comunidades en línea de la UIT en su canal favorito
Editorial ITU News MAGAZINE Núm. 5, 2020 1
La inteligencia artificial y el
aprendizaje automático en el marco
de la 5G – Concurso de la UIT, 2020
By Houlin Zhao, Secretario General de la UIT
J La UIT puso en marcha en la Recomendación del Sector de
febrero de este año su primer Radiocomunicaciones de la UIT
Concurso sobre inteligencia artificial (UIT-R) “Especificaciones detalla-
y aprendizaje automático en el das de las interfaces radioeléctri-
marco de la 5G, competición a escala cas de las IMT-2020”.
mundial que concluirá con una
ceremonia de entrega de premios Las especificaciones de las IMT-
en línea del 15 al 17 de diciembre de 2020 relativas a la quinta genera-
2020. ción de comunicaciones móviles (5G)
constituirán el elemento fundamental
Dicho Concurso tiene por objeto de la economía digital del futuro, y
alentar y respaldar la labor de la contribuirán a fomentar la automati-
comunidad, cada vez mayor, que zación y la inteligencia automatizada El Concurso de
propicia la integración de la inteli- en el sector industrial y en la socie- la UIT tiene por
gencia artificial (IA) y del aprendizaje
automático (ML) en las redes, al
dad, con objeto de mejorar la vida
de las personas de un modo que no
objeto facilitar
tiempo que promueve la actividad de tiene precedentes. el desarrollo de
normalización de la UIT en materia la comunidad
En el presente número de la Revista
que propicia la
de IA/ML.
de la UIT se proporciona informa-
El Concurso de la UIT fomenta la cul- ción exhaustiva en relación con el integración de
tura de colaboración necesaria para
mejorar el funcionamiento de redes
Concurso de la UIT sobre inteligencia
artificial y aprendizaje automático
la inteligencia
nuevas o futuras, en particular las en el marco de la 5G, y se presen- artificial y del
redes 5G, y brinda nuevas oportuni- tan amplios artículos de opinión de aprendizaje
dades a los sectores industrial y aca-
démico para contribuir a la evolución
representantes de los sectores indus-
trial y académico.
automático
de las normas de la UIT. en las redes.
La Gran Final del Concurso con-
En calidad de organismo especia- tará con alocuciones del Profesor
lizado de las Naciones Unidas en Vincent Poor, de la Universidad de Houlin Zhao
materia de TIC, la UIT desempeña Princeton (Estados Unidos), Chih-
un papel primordial para facilitar Lin I, del Instituto de Estudios sobre
el despliegue de esas redes, de Comunicaciones Móviles de China, y
conformidad con las normas de Wojciech Samek, de Fraunhofer HHI
calidad pertinentes. Recientemente, (Alemania). Por otro lado, se presen-
anunciamos que nuestros 193 tará la edición del Concurso de 2021.
Estados Miembros habían aprobado Esperamos que sea de su interés!
Índice ITU News MAGAZINE Núm. 5, 2020 2
Inteligencia artificial y aprendizaje
automático en el marco de la 5G
Conclusiones del Concurso de la UIT
Editorial
1 La inteligencia artificial y el aprendizaje automático en el
marco de la 5G – Concurso de la UIT, 2020
Foto de cubierta: Shutterstock
By Houlin Zhao, Secretario General de la UIT
5 La UIT agradece la colaboración de los patrocinadores de la edición
de 2020 del Concurso sobre inteligencia artificial y aprendizaje
automático en el marco de la 5G
ISSN 1020–4148
itunews.itu.int \
6 números al año
Concurso de la UIT sobre inteligencia artificial y aprendizaje Copyright: © UIT 2020
automático en el marco de la 5G Coordinadora editorial y redactora:
Nicole Harper
Diseñadora artística: Christine Vanoli
6 Fomento del trabajo en comunidad y de la confianza a través Auxiliar de edición: Angela Smith
de la plataforma de la UIT
La revista Actualidades de la UIT News abordó con Chaesub Lee, Traducción y maquetación:
Director de la Oficina de Normalización de las Telecomunicaciones Departamento de Conferencias y Publicaciones
de la UIT, el contexto del Concurso de la UIT sobre inteligencia
artificial (AI) y aprendizaje automático (ML) en el marco de la 5G , Departamento editorial/Publicidad:
así como su relación con las prioridades estratégicas de la UIT. Tel.: +41 22 730 5723/5683
E‑mail: itunews@itu.int
9 Mensaje de los organizadores Dirección postal:
Thomas Basikolo, AI/ML Consultor especializado en IA/ML Unión Internacional de Telecomunicaciones
Place des Nations
CH—1211 Ginebra 20 (Suiza)
12 Sigue el Desafío de la ITU AI/ML en 5G
Cláusula liberatoria:
13 Exposiciones de problemas
la UIT declina toda responsabilidad por las opin‑
14 La Gran Final del Desafío – Martes, 15 de diciembre de 2020 iones vertidas que reflejan exclusivamente los
puntos de vista personales de los autores. Las
15 Gran Final del Desafío – Miércoles, 16 de diciembre de 2020 designaciones empleadas en la presente publi‑
cación y la forma en que aparezcan presentados
16 La Gran Final del Desafío – Jueves, 17 de diciembre de 2020
los datos que contiene, incluidos los mapas,
17 Premios y certificados para los ganadores no implican, por parte de la UIT, juicio alguno
sobre la condición jurídica de países, territorios,
ciudades o zonas, ni respecto de la delimitación
18 Guía sobre los retos a la IA/ML para los CTx de la próxima de sus fronteras o límites. La mención de deter‑
generación minadas empresas o productos no implica en
modo alguno que la UIT los apoye o recomiende
Por Vishnu Ram OV, Consultor investigador independiente
en lugar de otros de carácter similar que no se
mencionen.
23 Una ronda de normas sobre redes autónomas Todas las fotos por la UIT, salvo indicación en
Xiaojia SONG, Investigador, Xi CAO, Investigador senior, Lingli contrario.
DENG, Director técnico, Li YU, Investigador jefe, y Junlan
FENG, Jefe científico, China Mobile Research Institute
Índice ITU News MAGAZINE Núm. 5, 2020 3
30 Webinarios del Desafío de IA/Aprendizaje automático en 5G de la UIT
Perspectiva del sector privado
32 Evaluación de capacidades y acumulación de inteligencia
artificial en las redes futuras
Por Jun Liao, Director del Sector de inteligencia artificial,
Tengfei Liu, Yameng Li, Jiaxin Wei, Ingenieros especializados en
inteligencia artificial, Instituto de Investigación de China Unicom
35 Acelerar la inferencia del aprendizaje profundo gracias al
conjunto de herramientas de código abierto Adlik
Por Liya Yuan, Ingeniero especializado en soluciones
de código abierto y normalización, ZTE
38 Desafíos y oportunidades inherentes a la aplicación de la
inteligencia artificial y el aprendizaje automático para los
proveedores de servicios de comunicación
Por Salih Ergüt, Experto principal en I+D 5G, Turkcell
42 Redes autónomas: adaptación a lo desconocido
Por Paul Harvey, Jefe de investigación, Estudio de Innovación, Rakuten
Mobile y Prakaiwan Vajrabhaya, Jefe de promoción y divulgación
de la investigación, Estudio de Innovación, Rakuten Mobile
46 Pruebas de calidad percibida en redes móviles
Por Arnd Sibila, Technology Marketing Manager,
Mobile Network Testing, Rohde & Schwarz
50 Perspectiva de un operador de red sobre el papel de
la inteligencia artificial en las futuras redes de acceso
radioeléctrico
Por Chih-Lin I, Científica Jefe, y Qi Sun, Investigadora principal, Servicio
de tecnologías inalámbricas, Instituto de investigación de China Mobile
55 IA e interfaces abiertas: habilitadores clave para las redes de
campus
Por Günther Bräutigam, Director Gerente, Airpuls; Renato L.G.
Cavalcante, becario de investigación, Fraunhofer HHI; Martin Kasparick,
investigador asociado, Fraunhofer HHI; Alexander Keller, Director de
investigación, NVIDIA; y Slawomir Stanczak, Jefe del departamento
de redes y comunicaciones inalámbricas, Fraunhofer HHI, Alemania.
Índice ITU News MAGAZINE Núm. 5, 2020 4
58 Citas de los anfitriones de las declaraciones de problemas del
Concurso de la UIT sobre IA/aprendizaje automático en 5G
61 Citas de participantes en el Concurso de la UIT sobre IA/aprendizaje
automático en 5G
Perspectivas de las Instituciones Académicas
62 AI/Aprendizaje automático para una comunicación de baja
latencia ultrafiable
Por Andrey Koucheryavy, Profesor titular, Departamento de Redes de
telecomunicaciones y transmisión de datos, SPbSUT, Investigador
jefe, NIIR y Presidente de la CE11 del UIT-T; Ammar Muthanna, Jefe
adjunto, Ciencias, Departamento de Redes de telecomunicaciones
y transmisión de datos, SPbSUT y Jefe del laboratorio SDN; Artem
Volkov, Investigador y estudiante de doctorado, Departamento de
Redes de telecomunicaciones y transmisión de datos, SPbSUT, Rusia
66 Inteligencia artificial y aprendizaje automático para la
creación de redes autónomas – Una nueva dirección para las
telecomunicaciones de próxima generación
Por Akihiro Nakao, profesor, Universidad de Tokio
70 Realistic simulations in Raymobtime to design the physical
layer of AI‑based wireless systems
Por Aldebaro Klautau, Profesor, Universidad Federal de
Pará, Brasil, y Nuria González-Prelcic, Profesora asociada,
Universidad Estatal de Carolina del Norte, Estados Unidos
74 Afianzar la fiabilidad y la confianza con simuladores de red y
normas
Por Francesc Wilhelmi, Investigador postdoctoral, Centre
Tecnològic de Telecomunicacions de Catalunya (CTTC), España
78 Proyectos de investigación en favor de la educación y el
reconocimiento vocal en Nigeria
Por James Agajo, Profesor asociado y Jefe del Grupo de
Investigación WINEST, Departamento de Ingeniería Informática,
Abdullahi Sani Shuaibu y Blessed Guda, Estudiantes,
Universidad Federal de Tecnología de Minna, Nigeria
82 Por qué necesitamos nuevas asociaciones para obtener
nuevos datos
Por Ignacio Rodriguez Larrad, Postdoctorando, Redes de
comunicación inalámbrica, Universidad de Aalborg, Dinamarca
86 Orquestación de funciones de aprendizaje automático para la
futura generación de redes de comunicación
Por Shagufta Henna, Conferenciante especializada en
informática, Instituto de Tecnología de Letterkenny, Irlanda
88 Oportunidades de patrocinio para 2021
La UIT agradece la colaboración de
los patrocinadores de la edición
de 2020 del Concurso sobre
inteligencia artificial y aprendizaje
automático en el marco de la 5G
Patrocinador de la categoría “oro”
Autoridad Reguladora de las
Telecomunicaciones (TRA),
Emiratos Árabes Unidos
TRA
Patrocinadores de la categoría “bronce”
Cisco Systems y ZTE
CISCO ZTE
Concurso de la UIT sobre inteligencia artificial y aprendizaje
ITU News MAGAZINE Núm. 5, 2020 6
automático en el marco de la 5G
Fomento del trabajo en comunidad
y de la confianza a través de
la plataforma de la UIT
La revista Actualidades de la UIT News abordó con Chaesub Lee,
Director de la Oficina de Normalización de las Telecomunicaciones
de la UIT, el contexto del Concurso de la UIT sobre inteligencia
artificial (AI) y aprendizaje automático (ML) en el marco de la 5G,
así como su relación con las prioridades estratégicas de la UIT.
En este número de la revista se ¿En qué medida se ajusta el
evoca la experiencia relativa
a la celebración del Concurso
Concurso de la UIT a las prioridades
estratégicas de la UIT?
El Concurso de
de la UIT. ¿Qué objetivos tiene la UIT puso a
dicho Concurso? ^ El fomento del trabajo en comu- disposición de
^ El Concurso de la UIT puso
nidad y de la confianza constituye
el elemento primordial de nuestra
los participantes
a disposición de los participan- labor en la UIT. Esta se compone de una plataforma
tes una plataforma para utilizar 193 Estados Miembros, y alrededor para utilizar
el conjunto de
el conjunto de instrumentos de de 900 empresas, universidades y
aprendizaje automático de la UIT organizaciones internacionales o
con miras a resolver problemas de regionales. Las normas de la UIT se instrumentos
índole práctica. También facilitó el
contacto de los participantes con
elaboran en el marco de una comu-
nidad, y propician el entendimiento
de aprendizaje
nuevos asociados de la comunidad mutuo que permite a la misma automático
de la UIT y brindó nuevos instru- lograr avances de forma conjunta. de la UIT.
mentos y recursos de datos para Dichas normas han marcado hitos
dar respuesta a dificultades que se significativos en la colaboración
pusieron de relieve en el marco de internacional. Representan el Chaesub Lee
los sectores industrial y académico compromiso voluntario de aplicar
Director de la Oficina
en Brasil, China, España, Estados enfoques conjuntos para facilitar el
de Normalización de las
Unidos, India, Irlanda, Japón, Rusia desarrollo y la utilización de la tec- Telecomunicaciones de la UIT
y Turquía. Por otro lado, el Concurso nología y promover las relaciones
ofreció a los participantes la posi- comerciales. La utilidad de la labor
bilidad de demostrar su talento, normativa de la UIT, al igual que la
poner a prueba sus conocimientos del Concurso de la UIT, viene dada
en materia de datos y problemas por la comunidad que contribuye
de índole práctica, y competir a establecer.
en aras de su reconocimiento a
escala mundial.
Concurso de la UIT sobre inteligencia artificial y aprendizaje
ITU News MAGAZINE Núm. 5, 2020 7
automático en el marco de la 5G
Las redes 5G constituyen
¿Qué relación guarda la labor un avance fundamental muy útiles para facilitar la integra-
normativa de la Unión con el para satisfacer las ción AI/ML en consonancia con la
Concurso de la UIT y cómo cabe evolución de las redes. Las normas
necesidades de un amplio
esperar que evolucione esa de la UIT abarcan asimismo varios
relación? conjunto de aplicaciones “conjuntos de instrumentos” norma-
en todos los sectores lizados, diseñados para adaptarse a
^ Las nuevas normas de la UIT industriales en materia de la evolución de las necesidades de
sobre AI/ML proporcionan conjun- los usuarios y a una gran variedad
redes de comunicaciones.
tos de herramientas para facilitar de casos de utilización, en particu-
la integración de la inteligencia lar, en las esferas de los multime-
artificial y del aprendizaje auto- dios, la seguridad, las cadenas de
Chaesub Lee
mático en las redes 5G y las redes bloques y la tecnología de informa-
futuras, a tenor de la evolución de ción cuántica.
las mismas. La arquitectura UIT-T
Y.3172, basada en el estudio de El sector de las TIC evoluciona a un
los casos de utilización publicados ritmo muy rápido. ¿En qué medida
en el Suplemento 55 de la serie han repercutido sus avances de los
Y de la UIT, facilitó los conjuntos últimos años en la labor normativa
¿Por qué la inteligencia artificial y el
de instrumentos fundamentales de la UIT?
aprendizaje automático, incluidas
relativos a la red subyacente, en
las normas subyacentes, revisten
particular, el conducto ML para la ^ IA lo largo de los últimos
importancia para las redes 5G y las
mejora y aplicación de modelos; cuatro años ha aumentado sustan-
redes futuras?
el entorno ML destinado a mode- cialmente la cantidad de nuevos
los de prueba antes de la fase de miembros que participan en la
^ La labor de innovación de las
implantación y el coordinador fun- labor normativa de la UIT (UIT-T), y
empresas que prestan servicios de
cional ML (MLFO) de control de la el año pasado rebasó los cincuenta
red comprende la inteligencia arti-
integración AI/ML. Las normas UIT-T miembros. Si bien abordamos
ficial y el aprendizaje automático,
Y.3173 (evaluación de la inteligen- nuevos temas de gran interés, la
con el fin de mejorar el funciona-
cia de red), UIT-T Y.3174 (proce- principal función de la UIT, a saber,
miento de las redes y aumentar su
samiento de datos) y UIT-T Y.3176 fomentar el trabajo en comunidad y
eficiencia energética y rentabilidad.
(integración comercial) se rigen la confianza para propiciar avances
Las redes 5G constituyen un avance
íntegramente por la arquitectura en las TIC a escala mundial, no ha
fundamental para satisfacer las
UIT-T Y.3172. El Concurso de la UIT variado desde hace más de 150
necesidades de un amplio conjunto
tuvo por objeto demostrar y validar años. La plataforma de normaliza-
de aplicaciones en todos los secto-
esas normas de la UIT y facilitar su ción de la UIT, cuya labor fue pri-
res industriales en materia de redes
evolución a través de nuevas opor- mordial durante muchos años para
de comunicaciones. El grado de
tunidades de colaboración con los fomentar el entendimiento mutuo
sofisticación y complejidad de las
sectores industrial y académico. en el sector de las TIC, contribuye
redes es cada vez mayor. La inteli-
actualmente a que el sector de las
gencia artificial (AI) y el aprendizaje
TIC facilite el entendimiento mutuo
automático (ML) serán primordiales
con una gran cantidad de nuevos
para gestionar esa complejidad.
asociados. Estos contribuyen a
Las normas UIT-T Y.317x propor-
la labor normativa de la UIT para
cionan conjuntos de herramientas
lograr avances de forma conjunta
Concurso de la UIT sobre inteligencia artificial y aprendizaje
ITU News MAGAZINE Núm. 5, 2020 8
automático en el marco de la 5G
en diversas esferas, en particular, las ¿En qué esferas de la labor
ciudades inteligentes, la energía, la normativa de la UIT se hace más
El concepto de red
atención sanitaria, la economía, las hincapié en la inteligencia artificial
finanzas, el sector automovilístico, y el aprendizaje automático y qué
plenamente autónoma
la inteligencia artificial y el aprendi- posibilidades de colaboración con arreglo al nivel 5 de
zaje automático. existen en ellas? inteligencia establecido
en el marco de la norma
¿Qué enfoque ha adoptado la UIT ^ La inteligencia artificial y el
UIT-T Y.3173 ha suscitado
con respecto a la necesidad de pro- aprendizaje automático desempe-
mover un conjunto de aplicaciones ñan un papel fundamental en la un gran debate en la UIT.
de TIC más amplio? labor normativa de la UIT, en par-
^ Pese a que la función de la ticular respecto de la organización
UIT para fomentar el trabajo en y gestión de redes, la codificación Chaesub Lee
comunidad y la confianza no se ha de multimedios, la evaluación de la
visto alterada, hemos comenzado calidad de servicio, la sanidad digi-
una nueva etapa normativa que tal, la eficacia medioambiental y la
requiere nuevos enfoques para conducción autónoma. El concepto
seguir llevando a cabo esa función. de red plenamente autónoma con
Durante muchos años, hemos arreglo al nivel 5 de inteligencia
facilitado la colaboración de los establecido en el marco de la
encargados de la adopción de norma UIT-T Y.3173 ha suscitado un
decisiones en materia de TIC con gran debate en la UIT. Alentamos la
sus homólogos en otros sectores. colaboración en esa esfera. La ITU
Ese diálogo inclusivo nos ha per- es cada vez más inclusiva.
mitido establecer las condiciones
necesarias para elaborar normas Este año ha comenzado a ofrecerse
eficaces en diversas esferas de la a empresas de nueva creación
innovación que han dado lugar a y a PYMES una menor cuota de
nuevas asociaciones, en particular adhesión en calidad de miembro.
la sanidad y economía digitales, los La Academia se beneficia de una
sistemas de transporte inteligentes, menor cuota de participación
la inteligencia artificial y el aprendi- desde 2011. Las empresas, con
zaje automático. A tal efecto, cabe independencia de su tamaño, de
destacar la utilidad de platafor- países en desarrollo de “bajos
mas abiertas como los Grupos ingresos” pueden beneficiarse
Temáticos de la UIT o la Cumbre asimismo de una cuota de adhe-
Mundial “IA para el bien”. Esas sión reducida.
plataformas abiertas contribuyen a
fomentar el trabajo en comunidad
y la confianza. También proporcio-
nan información sobre las contri-
buciones que cabe esperar de las
partes interesadas, en particular en
relación con la labor normativa de
la UIT.Concurso de la UIT sobre inteligencia artificial y aprendizaje
ITU News MAGAZINE Núm. 5, 2020 9
automático en el marco de la 5G
Concurso
de la UIT
sobre IA/ML
en el marco de la 5G
Utilización del aprendizaje automático
en las redes de
comunicaciones
ai5gchallenge@itu.int
Mensaje de los organizadores
Thomas Basikolo, AI/ML Consultor especializado en IA/ML
J El Concurso de la UIT sobre IA/ML en el marco de la 5G reunió a
alumnos y profesionales de todo el mundo con intereses afines para
estudiar la utilización de la inteligencia artificial (AI) y del aprendizaje El Concurso de la UIT
automático en redes incipientes, así como en las futuras. Dicho Concurso sobre IA/ML en el
fue el primero de esas características que organiza la UIT, y habida cuenta
marco de la 5G reunió a
de sus útiles resultados, cabe esperar que sea el primero de una larga
serie. alumnos y profesionales
de todo el mundo con
El Concurso contó con más de 1 300 participantes de 62 países, consti- intereses afines.
tuidos en 911 equipos, y se espera con interés la Gran Final, que tendrá
lugar del 15 al 17 de diciembre en línea, en la que destacados equi-
pos competirán por una cuota del fondo para premios, cuya cuantía Thomas Basikolo
es 20 000 francos suizos (CHF), entre otros galardones de reconoci-
miento mundial.
Las asociaciones facilitaron la organización del Concurso de la UIT y con-
tribuyeron al nombre de la competición.Concurso de la UIT sobre inteligencia artificial y aprendizaje
ITU News MAGAZINE Núm. 5, 2020 10
automático en el marco de la 5G
Autoridad de Reglamentación de La exposición de los retos en este
las Telecomunicaciones (TRA) de primer Concurso de la UIT brindó la
El Concurso contó con
Emiratos Árabes Unidos, y a los posibilidad de aplicar las tecnolo-
más de 1 300 participantes patrocinadores de la categoría gías Y.317x de la UIT, y en relación
de 62 países, constituidos “Bronce”, Cisco y ZTE.. con un reto específico se demostró
en 911 equipos. la funcionalidad MLFO mediante
implantaciones de referencia.
Conformidad de las
Thomas Basikolo soluciones con las normas Para próximas ediciones del
de la UIT Concurso de la UIT se ha pre-
visto establecer un canal ML de
Las nuevas normas de la UIT sobre referencia de extremo a extremo,
IA/ML proporcionan conjuntos de de conformidad con la norma
herramientas cuya integración per- Y.3172 de la UIT. Ello podría incluir
mite establecer un canal de comu- asimismo la utilización de computa-
nicación de extremo a extremo que doras a los efectos de codificación
facilita la utilización de IA/ML en las e integración ML, herramientas
El Concurso de la UIT permitió a
redes. El objetivo del Concurso de de procesamiento y gestión de
los participantes relacionarse con
la UIT fue demostrar y validar esas datos, e instrumentos de selección,
nuevos asociados en los sectores
normas de la UIT. La conformidad formación, mejora y verificación de
industrial y académico con objeto
de las soluciones del Concurso de modelos ML.
de abordar problemas reales
la UIT con dichas normas contri-
mediante IA/ML, sobre la base de la
buye al desarrollo de la comunidad Por otro lado, se ha previsto ofrecer
utilización de nuevas herramientas
para facilitar la evolución ininte- acceso a conjuntos de herramien-
y recursos de datos, así como poner
rrumpida de las normas de la UIT. tas con arreglo a las normas de la
de manifiesto su talento y adquirir
UIT para facilitar la organización
experiencia. Representantes de
La arquitectura UIT-T Y.3172, de eventos de interoperabilidad
dichos sectores industrial y aca-
basada en el estudio de los casos técnica y maratones informáticos,
démico de Brasil, China, España,
de utilización que figuran en el entre otras iniciativas, y fomentar
Estados Unidos, India, Irlanda,
Suplemento 55 de la Serie Y de la la colaboración en proyectos de
Japón, Rusia y Turquía expusieron
UIT, facilitó conjuntos de instrumen- código abierto y los trabajos de
veintitrés retos, y los “anfitriones
tos fundamentales relativos a la red normalización.
regionales” facilitaron recursos
subyacente, en particular, el canal
y orientación especializada para
ML, para la mejora y aplicación de
ayudar a los participantes a afrontar
sus respectivos retos..
modelos; el entorno ML, destinado Experiencia útil para todos
a modelos de prueba antes de la
fase de implantación; y el coordi- La disponibilidad de datos es un
Deseamos dar las gracias a la
nador funcional ML (MLFO), para el aspecto clave que ha de abordarse
comunidad que facilitó la puesta en
control de la integración AI/ML. Las para facilitar la colaboración de la
marcha del Concurso, a nuestros
normas UIT-T Y.3173 (evaluación de comunidad mundial en actividades
participantes y a los anfitriones
la inteligencia de red), UIT-T Y.3174 de innovación basadas en IA/ML.
regionales, así como a nuestros
(procesamiento de datos) y UIT-T
asociados para las actividades de
Y.3176 (integración comercial) se Se formularon quince retos a todos
promoción LF AI & Data, NGMN
rigen íntegramente por la arquitec- los participantes. Con respecto a
y SGInnovate, a nuestro patroci-
tura UIT-T Y.3172. ocho de esos retos fue necesario
nador de la categoría “Oro”, a laConcurso de la UIT sobre inteligencia artificial y aprendizaje
ITU News MAGAZINE Núm. 5, 2020 11
automático en el marco de la 5G
observar las condiciones estableci- En el marco de nuestra labor para
das por sus organizadores. Catorce ofrecer a los participantes condi-
Los preparativos para
se encuentran aún “en fase de ciones en pie de igualdad, la UIT y
desarrollo”, por falta de herramien- nuestros asociados establecieron
el Concurso 2.0 de la
tas o recursos de datos necesarios flujos de trabajo adecuados para UIT están en marcha,
relativos para primer Concurso brindar a los participantes del sobre la base de un
de la UIT. Se espera contar con la Concurso una experiencia exclusiva equipo constituido
colaboración de nuevos asociados y personalizada.
principalmente por
para abordar esos catorce retos en
futuras ediciones del Concurso de La UIT propició la colaboración miembros de la junta
la UIT. de los participantes en mesas directiva, integrantes del
redondas técnicas y en seminarios jurado, asociados para las
Las directrices sobre intercambio web para proporcionar orienta-
actividades de promoción
de datos en el marco del Concurso ción especializada en relación con
de la UIT se basan en aportaciones los retos planteados y la utilidad y patrocinadores.
muy diversas de representantes de las nuevas normas de la UIT
de los sectores industrial y acadé- a tal efecto. En colaboración con
mico sobre acceso a datos de red nuestros anfitriones regionales, Thomas Basikolo
reales, sintéticos o abiertos. Dichas se fomentó la colaboración en
directrices abarcan medidas para idiomas locales de participantes y
facilitar el intercambio de datos con mentores, así como la organización
miras a formular varias clasificacio- de debates interactivos en nuestro
nes de conjuntos de datos, etapas canal Slack.
de procesamiento previo (incluido Esperamos contar con nuevos
el establecimiento de anonimato) y asociados y exposiciones de retos,
almacenamiento seguro de datos. ¿Hasta la edición 2021 así como con nuevas herramientas
del Concurso? y recursos de datos. Brindaremos
También se puso de manifiesto que nuevas oportunidades para que
una estrecha colaboración permite Los preparativos para el Concurso los sectores industrial y académico
obtener mejores resultados. El 2.0 de la UIT están en marcha, trabajen de consuno, así como
Concurso demostró que la formu- sobre la base de un equipo para colaborar en la elaboración
lación de retos es más eficaz si se constituido principalmente por y aplicación de normas de la UIT.
basa no solo en los instrumentos y miembros de la junta directiva, Póngase en contacto con nosotros
los recursos de datos necesarios, integrantes del jurado, asociados para tomar parte en el proceso
sino también en una estrecha cola- para las actividades de promoción de identificación de soluciones,
boración entre los participantes y y patrocinadores. evaluar propuestas de interés, pro-
los organizadores regionales. mover el Concurso, patrocinar un
Seguiremos alentando el estableci- premio o asesorar a alumnos.
Nuestra prioridad fue crear valor miento de nuevas asociaciones de
para la comunidad en la esfera de IA/ML y formularemos los princi- Les agradecemos su apoyo y espe-
la IA/ML. pios rectores para el intercambio ramos verles en el Concurso 2.0
de las herramientas y los recursos en breve.
de datos necesarios a tal efecto.Sigue el Desafío de la
ITU AI/ML en 5G
26 socios
(operadores de Ver el sitio web
telecomunicaciones, vendedores e del Desafío
instituciones académicas) Se recibieron
23 exposiciones de problemas
Más de 1300+ participantes de
Más de 60+ países de 6 regiones No te pierdas los
45% industria — 55% instituciones académicas anuncios de los
ganadores de la
26 seminarios web Gran Final del
4 líneas técnicas: Redes, Factores habilitadores, Desafío
Verticales, Bienestar social 15-17 de
20 000 CHF en premios en efectivo
diciembre
de 2020 en
Certificados — 5 categorías línea aquí
Cronología
Convocatoria
mundial para la Comienza la Avance de La gran final
presentación de ronda global los mejores del desafío en
candidaturas al equipos línea
desafío
Selección de las
exposiciones de problemas Ponencias
Lanzamiento del conjunto Presentaciones de los
de datos ganadores
Fase de Finaliza la
calentamiento ronda global
Inscripción Entrega de Premios
Febrero de 2020 a junio de 2020 Julio de 2020 Noviembre de 2020 15-17 de diciembre de 2020Exposiciones de problemas
Título Host entity
Selección de haces ML5G-PHY: Aprendizaje automático aplicado a la capa física
Universidad Federal de Pará (UFPA), Brasil
de los sistemas MIMO en ondas milimétricas
Mejorar la capacidad de las WLAN IEEE 802.11 mediante el aprendizaje
Universidad Pompeu Fabra (UPF), España
automático
Centro de Redes Neurales de Barcelona (BNN-UPC),
Desafío de constitución de redes neuronales gráficas 2020
España
Compresión de modelos de aprendizaje profundo ZTE
5G+IA (transporte inteligente) Universidad Jawaharlal Nehru (JNU), India
Mejorar la experiencia y aumentar la inmersividad de la videoconferencia y la
Dview
colaboración
5G+ML/IA (acceso al espectro dinámico) Instituto Indio de Tecnología de Delhi (IITD)
Preservación de la privacidad de la IA/ML en las redes 5G para aplicaciones de
Centro para el Desarrollo de la Telemática (C-DOT)
atención de la salud
Experiencia compartida usando 5G+IA (3D aumentado + realidad virtual) Caminata, India
Demostración de las capacidades de MLFO mediante implementaciones de
Instituto de Tecnología de Letterkenny (LYIT), Irlanda
referencia
Estimación del canal ML5G-PHY: Aprendizaje automático aplicado a la capa
Universidad Estatal de Carolina del Norte, Estados
física de los sistemas MIMO en ondas milimétricas en la Universidad Estatal de
Unidos
Carolina del Norte
Estimación del estado de la red mediante el análisis de los datos de vídeo en NEC, RISING Committee, Comité de Tecnología de las
bruto Telecomunicaciones (TTC)
Análisis del fallo de información en ruta en las redes centrales de IP por medio KDDI, RISING Committee, Comité de Tecnología de las
de un entorno de prueba basado en NFV Telecomunicaciones (TTC)
Usando la información meteorológica para la predicción de fallos en los
Turkcell
radioenlaces (RLF)
Reconocimiento del tráfico y previsión del tráfico a largo plazo basada en Universidad Estatal de Telecomunicaciones de San
algoritmos y metadatos de la IA para 5G/IMT-2020 y más allá Petersburgo (SPbSUT)
5G+IA+AR China Unicom (División de Zhejiang)
Localización de fallos de dispositivos de red de bucle basados en la plataforma
China Unicom, (División de Guangdong)
MEC
Construcción del conocimiento de la configuración gráfica de los dispositivos
China Unicom, (División de Guangdong)
de red de bucle basados en la arquitectura MEC
Alarma y prevención para emergencias de salud pública basadas en datos de
China Unicom, (División de Beijing)
telecomunicaciones
Predicción de ahorro de energía de las células de la estación base en la red de
China Unicom, (División de Shanghái)
comunicaciones móviles
Detección de anomalías en el índice IFR de la red central China Unicom, (División de Shanghái)
Optimización de la topología de red China Mobile
Predicción de alarma de fuera de servicio (OoS) de la estación base de la red
China Mobile
4/5GLa Gran Final del Desafío –
Martes, 15 de diciembre de 2020
Tiempo
Título del desafío Miembros del equipo Afiliación
CET
12:15 5G+AI+AR Jiawang Liu - Jiaping Jiang CITC y China Unicom
Análisis del fallo de información en ruta en las redes
12:30 centrales de IP por medio de un entorno de prueba Fei Xia - Aerman Tuerxun - Jiaxing Lu - Ping Du Universidad de Tokio
basado en NFV
Análisis del fallo de información en ruta en las redes Instituto de Ciencia y
12:45 centrales de IP por medio de un entorno de prueba Takanori Hara - Kentaro Fujita Tecnología de Nara,
basado en NFV Japón
Análisis del fallo de información en ruta en las redes
Ryoma Kondo - Takashi Ubukata - Kentaro Matsuura
13:00 centrales de IP por medio de un entorno de prueba Universidad de Tokio
- Hirofumi Ohzeki
basado en NFV
Localización de fallos de dispositivos de red basados Guochuang Software
13:15 Zhang Qi - Lin Xueqin
en la plataforma MEC Co. Ltd
Han Zengfu - Wang Zhiguo - Zhang Yiwei
13:30 Optimización de la topología de red China Mobile Shandong
- Wu Desheng - Li Sicong
Gang Zhouwei - Rao Qianyin - Feng Zezhong
13:45 Optimización de la topología de red China Mobile Guizhou
- Xi Lin - Guo Lin
14:00 Pausa Pausa Pausa
Predicción de ahorro de energía de las células de la
14:15 Wei Jiang - Shiyi Zhu - Xu Xu AsiaInfo Technologies Ltd
estación base en la red de comunicaciones móviles
Predicción de alarma de fuera de servicio (OoS) de la
14:30 Zhou Chao - Zheng Tianyu - Jiang Meijun Universidad de Nankai
estación base de la red 4/5G
Demostración de las capacidades de MLFO mediante Universidad Técnica de
14:45 Abhishek Dandekar
implementaciones de referencia Berlín
Selección de haces ML5G-PHY: Aprendizaje
Mahdi Boloursaz Mashhadi - Tze‑Yang Tung Colegio Imperial de
15:00 automático aplicado a la capa física de los sistemas
- Mikolaj Jankowski - Szymon Kobus Londres
MIMO en ondas milimétricas.
Selección de haces ML5G-PHY: Aprendizaje
Batool Salehihikouei - Debashri Roy Universidad del Noreste,
15:15 automático aplicado a la capa física de los sistemas
- Guillem Reus Muns - Zifeng Wang - Tong Jian Brasil
MIMO en ondas milimétricas
Selección de haces ML5G-PHY: Aprendizaje
15:30 automático aplicado a la capa física de los sistemas Zecchin Matteo Eurecom, Brasil
MIMO en ondas milimétricas
Mejorar la capacidad de las WLAN IEEE 802.11 Universidad Pompeu
15:45 Ramon Vallès
mediante el aprendizaje automático Fabra, España
Mejorar la capacidad de las WLAN IEEE 802.11 Paola Soto - David Goez - Miguel Camelo Universidad de Amberes,
16:00
mediante el aprendizaje automático - Natalia Gaviria Bélgica
Mohammad Abid - Ayman M. Alosha - Faisal Alomar
Mejorar la capacidad de las WLAN IEEE 802.11
16:15 - Mohammad Alfaifi - Abdulrahman Algunayyah Saudi Telecom
mediante el aprendizaje automático
- Khaled M. Sahari
Nota: Los equipos arriba mencionados han sido seleccionados para hacer presentaciones en la Gran Final del Desafío (Conferencia Final).
(Cada equipo tiene 8 minutos para su presentación, seguido de 7 minutos de preguntas y respuestas con los jueces y el público).
Echa un vistazo a la lista de los mejores ¡No te pierdas la Conferencia Final!
equipos Registrarse aquí.Gran Final del Desafío – Miércoles,
16 de diciembre de 2020
Tiempo
Título del desafío Miembros del equipo Afiliación
CET
Estimación del estado de la red mediante el análisis Universidad de la Prefectura
12:00 Yuusuke Hashimoto - Yuya Seki - Daishi Kondo
de los datos de vídeo en bruto de Osaka, Japón
Escuela de Estudios
Estimación del estado de la red mediante el análisis
12:15 Yimeng Sun - Badr Mochizuki Superiores de Informática
de los datos de vídeo en bruto
de Kyoto, Japón
Instituto Nacional de
Estimación del estado de la red mediante el análisis Fuyuki Higa - Gen Utidomari - Ryuma Kinjyo
12:30 Tecnología, Colegio de
de los datos de vídeo en bruto - Nao Uehara
Okinawa, Japón
Instituto de Tecnología
12:45 Compresión de modelos de aprendizaje profundo Yuwei Wang - Sheng Sun Informática Academia de
Ciencias de China
Satheesh Kumar Perepu - Saravanan Mohan
13:00 Compresión de modelos de aprendizaje profundo Ericsson Research India
- Vidya G Thrivikram - G L Sethuraman T V
Empresa de
Atheer K. Alsaif - Nora M. Almuhanna
13:15 5G+IA (transporte inteligente) Telecomunicaciones de
- Abdulrahman Alromaih - Abdullah O. Alwashmi
Arabia Saudita
Preservación de la privacidad de la IA/ML en las Mohammad Malekzadeh - Mehmet Emre Ozfatura -
13:30 Colegio Imperial de Londres
redes 5G para aplicaciones de atención de la salud Kunal Katarya - Mital Nitish
Experiencia compartida usando 5G+IA (3D Servicios de software
13:45 Nitish Kumar Singh
aumentado + realidad virtual) Easyrewardz
14:00 Pausa Pausa Pausa
Loïck Bonniot - Christoph Neumann
14:15 Desafío de redes neuronales gráficas 2020 InterDigital; Inria/Irisa
- François Schnitzler - François Taiani
Nick Vincent Hainke - Stefan Venz
14:30 Desafío de redes neuronales gráficas 2020 Fraunhofer HHI, Alemania
- Johannes Wegener - Henrike Wissing
Martin Happ - Christian Maier - Jia Lei Du Salzburg Research
14:45 Desafío de redes neuronales gráficas 2020
- Matthias Herlich Forschungsgesellschaft
Usando la información meteorológica para la
15:00 Dheeraj Kotagiri - Anan Sawabe - Takanora Iwai Corporación NEC
predicción de fallos en los radioenlaces (RLF)
Usando la información meteorológica para la Juan Samuel Pérez - Amín Deschamps Instituto Tecnológico de
15:15
predicción de fallos en los radioenlaces (RLF) - Willmer Quiñones - Yobany Díaz Santo Domingo (INTEC)
Reconocimiento del tráfico y previsión del tráfico a Universidad Técnica Estatal
Ainaz Hamidulin - Viktor Adadurov - Denis Garaev
15:30 largo plazo basada en algoritmos y metadatos de la de Aviación de Ufa (USATU)
- Artem Andriesvky
IA para 5G/IMT-2020 y más allá Universidad, Rusia
Selección de haces ML5G-PHY: Aprendizaje
automático aplicado a la capa física de los sistemas
15:45 Dolores Garcia - Joan Palacios - Joerg Widmer Redes IMDEA
MIMO en ondas milimétricas en la Universidad
Estatal de Carolina del Norte
Selección de haces ML5G-PHY: Aprendizaje
automático aplicado a la capa física de los sistemas Emil Björnson - Pontus Giselsson Universidad de Linköping y
16:00
MIMO en ondas milimétricas en la Universidad - Mustafa Cenk Yetis - Özlem Tugfe Demir Universidad de Lund, Suecia
Estatal de Carolina del Norte
Selección de haces ML5G-PHY: Aprendizaje Eurecom, Francia,
Chandra Murthy - Christo Kurisummoottil Thomas
automático aplicado a la capa física de los sistemas Instituto Indio de Ciencia,
16:15 - Marios Kountouris - Rakesh Mundlamuri
MIMO en ondas milimétricas en la Universidad Comunicaciones de la India,
- Sai Subramanyam Thoota - Sameera Bharadwaja H
Estatal de Carolina del Norte Canadá
Nota: Los equipos arriba mencionados han sido seleccionados para hacer presentaciones en la Gran Final del Desafío (Conferencia Final).
(Cada equipo tiene 8 minutos para su presentación, seguido de 7 minutos de preguntas y respuestas con los jueces y el público).
Echa un vistazo a la lista de ¡No te pierdas la Conferencia Final!
los mejores equipos Registrarse aquí.La Gran Final del Desafío –
Jueves, 17 de diciembre de 2020
Tiempo
Programa
CET
11:30–12:00 Únete a la sesión para probar la conexión
12:00–12:30 Ceremonia de apertura
Comentarios de bienvenida
Houlin Zhao, Secretario General de la UIT
Chaesub Lee, Director de la Oficina de Normalización de las Telecomunicaciones de la UIT
Organismo de Reglamentación de las Telecomunicaciones de los Emiratos Árabes Unidos
Visión general del Desafío 2020
Thomas Basikolo, UIT
12:30–12:55 Ponencia – Recientes avances en el aprendizaje federado para las comunicaciones
Wojciech Samek, Jefe del Grupo de Aprendizaje de Máquinas, Fraunhofer HHI
12:55–13:40 Sesión Especial: Visión para el futuro – AI/ML en la hoja de ruta 5G
Perspectiva del regulador
Organismo de Reglamentación de las Telecomunicaciones, Emiratos Árabes Unidos
Perspectiva de la industria
Cisco
Perspectiva de la industria
Wei Meng, Director de Planificación de Estándares y Código Abierto, ZTE Corporation
13:40–14:05 Ponencia – El viaje inacabado de la red de la IA
Chih-Lin I, Jefe Científico, Tecnologías Inalámbricas, Instituto de Investigación Móvil de China
14:05–14:30 Ponencia – Aprendiendo en la periferia inalámbrica
H. Vincent Poor – Profesor de Ingeniería Eléctrica, Universidad de Princeton, Estados Unidos
14:30–15:15 Presentaciones de los ganadores
15:15–15:30 Anuncios de premios:
Premios y certificados
15:30–15:35 Convocatoria de ponencias para el número especial de la Gaceta de la UIT sobre Tecnologías Futuras y en
Evolución (UIT J-FET): “Soluciones de IA/ML en 5G y Redes Futuras”
Ian Akyildiz, Editor-in-Chief, Instituto Tecnológico de Georgia, Estados Unidos
15:35–15:45 Perspectivas para el desafío 2.0 2021
Vishnu Ram, investigador independiente
15:45–16:00 Ceremonia de clausura
Observaciones finales:
Hosts of the ITU AI/ML in 5G Challenge 2020
Chaesub Lee, Director, ITU Telecommunication Standardization Bureau
¡No te pierdas la Conferencia Final!
Registrarse aquí.Premios y certificados
para los ganadores
Equipos de varias exposiciones de problemas competirán
por el título de Campeón del Desafío IA/ML en 5G
2020 de la UIT, y se entregarán varios premios a las
soluciones ganadoras en la gran final del Desafío que
tendrá lugar del 15 al 17 de diciembre de 2020.
Certificado de ganadores: Se otorga a los equipos ganadores en las
siguientes categorías:
Equipo Equipo Equipo
ganador del primer ganador del 2º ganador del 3er
premio: premio: premio:
“Campeón de oro del “Campeón de plata “Campeón de Bronce
Desafío IA/ML en 5G del Desafío IA/ML en del Desafío IA/ML en
2020 de la UIT” 5G 2020 de la UIT” 5G 2020 de la UIT”
Premio en efectivo: Premio en efectivo: Premio en efectivo:
5.000 francos suizos 3.000 francos suizos 2.000 francos suizos
Tres Finalistas recibirán 1.000 francos suizos cada uno
Certificados de los premios de los jueces: Se otorga a los ganadores
de cada exposición de problemas según lo recomendado por el
anfitrión (excluyendo los que figuran en Certificado de ganadores)
Cada ganador recibe 300 francos suizos.
Certificado de Mención de Honor.
Certificado de estímulo/premio de la comunidad: Otorgado a
equipos que se mostraron activos durante el programa de tutoría y
presentaron con éxito una solución.
Certificado de finalización: Se otorga a los equipos que completaron el
desafío presentando una solución.Concurso de la UIT sobre inteligencia artificial y aprendizaje
ITU News MAGAZINE Núm. 5, 2020 18
automático en el marco de la 5G
Shutterstock
Guía sobre los retos a la IA/ML para los
CTx de la próxima generación
Por Vishnu Ram OV, Consultor investigador independiente
J El nuevo CTx* en FutureXG de código abierto con el que
analizó los informes en la pantalla. contaba el CTx se dispersaba
en millones de direcciones. La La expectativa creada
(especificación x+1)G retar- expectativa creada en torno a las en torno a las redes
dada. Aún no se justifican los redes autónomas implica que autónomas implica
despliegues xG. La investigación cada parte de la red está traba-
que cada parte de la
y el desarrollo se pierden en un jando autónomamente por su
laberinto de acrónimos, antiguos red está trabajando
cuenta.
y nuevos. Cada pocas semanas autónomamente
se generan nuevos diagramas de ¿Logrará el CTx superar este reto? por su cuenta.
arquitectura. Se han de soportar
nuevos casos de uso en todos Las nuevas normas de la UIT des-
los mercados. La aplicación e criben conceptos que permiten la
integración de la IA/aprendizaje integración de la IA/ML en las redes
automático (ML) en la red no es 5G y futuras a medida que evolu-
cionan esas redes.
nada uniforme. El repositorio
* Las semejanzas o similitudes con los CTO reales son puramente futuristas.
Descargo de responsabilidad: Este artículo contiene información ficcional que puede denominarse declaraciones prospectivas.Concurso de la UIT sobre inteligencia artificial y aprendizaje
ITU News MAGAZINE Núm. 5, 2020 19
automático en el marco de la 5G
La arquitectura UIT-T Y.3172 arqui- de datos) y UIT-T Y.3176 (integra- conceptos descritos en las normas
tectura, derivada del estudio de ción en el mercado) se basan todas UIT-T Y.317x, aun cuando la arqui-
casos de uso publicados in UIT-T Y. ellas en la arquitectura UIT-T Y.3172. tectura de red subyacente cambie
Suplemento55, presenta conjun- de una generación a otra, seguirá
tos de herramientas básicas tales En conjunto, estas normas de la siendo posible especificar la inte-
como ML Pipeline, ML Sandbox y UIT proporcionan herramientas gración de la IA/ML utilizando la
ML Function Orchestrator (MLFO) potentes y normalizadas que per- terminología común proporcionada
en relación con la red subyacente. miten a los operadores supervisar por la UIT.
UIT-T Y.3173 (evaluación de la inte- los cambios en la red subyacente
ligencia), UIT-T Y.3174 (tratamiento y adaptarse a ellos. Utilizando los
Arquitectura de alto nivel para la integración de IA/ML en las redes (UIT-T Y.3172)
Subsistema de Subsistema sandbox ML
gestión
6
Otras SRC C PP M P D SINK
funciones de 2 1
gestión y Redes subyacentes ML simuladas
orquestación
3
Subsistema ML pipeline
7
M P D SINK Nivel N
MLFO 8 …
5
SRC C PP Nivel 2
9
MLIntent SRC Nivel 1
ML = Aprendizaje automático
MLFO = Orquestador de funciones de aprendizaje automático 4
C = Compilador
PP = Preproducción Redes ML en curso
M = Modelo
P = Política
D = Distribuidor NF 1 … NF n NF 1 … NF n
SRC = Fuente de datos
SINK = Objetivo de salida del ML Red subyacente 1 Red subyacente 2
NF = Función de redConcurso de la UIT sobre inteligencia artificial y aprendizaje
ITU News MAGAZINE Núm. 5, 2020 20
automático en el marco de la 5G
de la red real añaden la precisión El concepto UIT-T Y.317x de ML
Pipeline y ML Sandbox gestionados
Nuevas alertas de los modelos. El CTx introduce
“[ML-usecase-1xx::status::ready]” por MLFO permite a los operadores
surgen en la pantalla desacoplar la red subyacente de la
en la message-box
del monitor MLFO. integración AI/ML.
¿Cómo? ¡Una alerta de El MLFO descrito en la UIT-T Y.3172
acutualización de la red! En el punto de referencia 7, la
es un nodo lógico que gestiona y
arquitectura UIT-T Y.3172 permite
orquesta los nodos en un conducto
el seguimiento de cambios en la
ML. En UIT-T Y.3173 (evaluación
red subyacente y la aplicación de
de la inteligencia) describe una
optimizaciones y configuraciones
hipótesis arquitectónica clave para
en el conducto ML por el MLFO. La
la evaluación de los niveles de
hipótesis arquitectónica descrita
inteligencia de la red por el MLFO.
en UIT-T Y.3173 (evaluación de la
En UIT-T Y.3174 (tratamiento de
Los detalles de un nuevo caso inteligencia) también incluye la
datos) se describen los diagramas
supervisión del nivel de inteligencia
de uso llegan a la message-box. secuenciales correspondientes a la
de cada nodo de un conducto ML
El CTx la ejecuta a través de instanciación de diversos compo-
por el MLFO.
la herramienta Intent-parser. nentes de las herramientas UIT-T
Interesante, pero, ¿cómo imple- Y.317x, sobre la base del ML Intent
El proyecto de Recomendación
entrante del operador.
mentarla?. El CTx encuentra un UIT-T Y.ML-IMT2020-MODEL-SERV
seminario web de la UIT sobre tiene por objeto proporcionar un
En combinación con MLFO, ML
orquestación MLFO para la inte- marco arquitectónico que soporte
Sandbox proporciona un entorno
gración gestionada de AI/ML. Un la optimización eficaz de modelos
gestionado donde los operadores
par de llamadas API más tarde, ML en entornos de hardware hete-
pueden entrenar, probar y validar
CTx está listo para intentar utilizar rogéneos, el despliegue flexible
los modelos ME antes de desple-
ML pipeline. de modelos ML para diferentes
garlos en la red real. El mecanismo
casos de uso e interfaces efectivas
de tratamiento de datos definido
en el conducto ML se despliega un
El CTx inicia las simulaciones en en UIT-T Y.3174 permite además
modelo de servicio.
ML sandbox mientras espera la añadir nuevas fuentes de datos y
aprobación para acceder a los otras hipótesis.
El CTx analiza un nuevo mensaje
datos de la red real. El “gemelo”
Nuevas alertas surgen en la en la message-box:
digital se pone en marcha, se
pantalla del supervisor MLFO. “[ML-usecase-
generan los datos a partir de los
¿Cómo? ¡Una alerta de actu- 1xx::Evaluate::partner.edu::-
patrones y modelos de entrenam-
alización de la red! Como de model.url]”. El trabajo de
iento de ML Sandbox, mientras
costumbre, una actualización de vanguardia sobre algoritmos real-
que la autoridad de aprobación
la función de red virtualizada no izado por una universidad asoci-
se toma su tiempo. El CTx envía
programada del fabfricante. ¿Hay ada ha dado lugar a un modelo
los resultados de los modelos de
que reconfigurar todo el con- de integración adecuado para el
prueba de ML Sandbox. Se logra
ducto ML? caso de uso. Pero la autoridad de
el efecto deseado. La aprobación
aprobación necesita una evalu-
llega a la message-box. Los datos
ación del modelo. Por suerte elConcurso de la UIT sobre inteligencia artificial y aprendizaje
ITU News MAGAZINE Núm. 5, 2020 21
automático en el marco de la 5G
mercado externo de aprendizaje UIT-T Y.3176 facilita la administra- probado y verificado para el
automático cumple lo estipulado ción de diferentes tipos de merca- nuevo caso de uso. El CTx
en UIT-T Y.3176. El CTx extrae el dos de ML, internos o externos, y la introduce «[status::ready]» en la
federación de mercados de apren-
modelo del mercado. message-box. La autoridad de
dizaje automático. Las API definidas
aprobación responde “[status::ap-
en UIT-T Y.3176 permiten a los
La integración de ML en el mercado proved]”. El CTx planifica una
mercados encontrar y seleccionar
puede ayudar a los operadores de actualización de la red.
modelos de ML en otros mercados
red a seguir la curva de innovación
y aprovechar la federación de los
de ML.
mercados. Además, permiten a los Mientras tanto, sin que lo sepa
mercados intercambiar modelos el CTx, ha llegado un lote de
Los metadatos del modelo de ML,
ML actualizados e interactuar con actualización del software CTx a
los requisitos del mercado de ML y
ML Sandbox. la message-box. Ha llegado el
los puntos de referencia de la arqui-
tectura definidos en UIT-T Y.3176 momento de la evolución y de
(integración en el mercado) per- ¡Hecho! Se trata de un nuevo que un nuevo agente CTx tome
miten el intercambio y la implan- conducto ML en ML Sandbox, las riendas.
tación eficientes de modelos ML
utilizando interfaces normalizadas.
Este método no sólo puede ayudar
a resolver problemas de interco-
nexión de redes utilizando técnicas
Arquitectura para la integración de ML
de aprendizaje automático, sino marketplace en la red (UIT-T Y.3176)
que también ofrece la posibilidad
de compartir y monetizar técnicas
de aprendizaje automático.. ML marketplace externo
Subsistema
de gestión
12 (Opcional)
Otras
funciones de 15
gestión y ML marketplace interno
orquestación
13
7
6
MLFO Subsistema ML Sandbox 14
3
5
ML Intent Subsistema ML pipeline
ML = Aprendizaje automático 4
MLFO = Orquestador de funciones de aprendizaje automático
Redes subyacentes ML
Entrada de ML intent a MLFO
Puntos de referencia reutilizados (UIT-T Y.3172)
Nuevos puntos de referenciaTambién puede leer
