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 la
Concurso 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 2020
Exposiciones 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 4/5G
La 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 red
Concurso 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 el
Concurso 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 referencia
También puede leer