2020年9月23日，以“共創(chuàng)行業(yè)新價(jià)值”為主題的華為全聯(lián)接2020在上海隆重舉辦。25日在大會(huì)媒體圓桌現(xiàn)場(chǎng)，華為正式發(fā)布了《華為網(wǎng)絡(luò)人工智能引擎 iMaster NAIE 白皮書(shū)》，使能自動(dòng)駕駛網(wǎng)絡(luò)。自2019年4月上線華為云以來(lái)，iMaster NAIE 網(wǎng)絡(luò)人工智能引擎（簡(jiǎn)稱(chēng)NAIE）在電信行業(yè)得到了豐富的實(shí)踐機(jī)會(huì)，此次白皮書(shū)的發(fā)布，是華為在網(wǎng)絡(luò)全云化基礎(chǔ)上將AI 技術(shù)引入到電信網(wǎng)絡(luò)中的一次實(shí)力展示，也是華為幫助電信領(lǐng)域提升網(wǎng)絡(luò)效率，降低運(yùn)營(yíng)成本，向自動(dòng)駕駛網(wǎng)絡(luò)演進(jìn)過(guò)程中邁下的扎實(shí)一步。

運(yùn)營(yíng)商AI特性規(guī)模應(yīng)用挑戰(zhàn)重重

在本次發(fā)布的白皮書(shū)中，有一部分內(nèi)容引起了電信運(yùn)營(yíng)商的特別關(guān)注，那就是華為云地協(xié)同解決方案，它解決了AI應(yīng)用在規(guī)模復(fù)制過(guò)程中碰到的關(guān)鍵問(wèn)題。

眾所周知，電信行業(yè)一直是AI應(yīng)用的前沿陣地。實(shí)踐也證明了，AI技術(shù)在運(yùn)維效率、能耗效率、網(wǎng)絡(luò)資源利用率以及用戶(hù)業(yè)務(wù)體驗(yàn)提升等方面確實(shí)能夠帶來(lái)明顯價(jià)值。但在電信行業(yè)智能化升級(jí)過(guò)程中，網(wǎng)絡(luò) AI 的規(guī)模化工程應(yīng)用仍然存在很多挑戰(zhàn)，例如模型泛化能力差、模型重訓(xùn)練占用資源多、模型版本升級(jí)管理難度大、本地樣本少并且模型精度不夠等問(wèn)題。

以AI模型版本升級(jí)管理為例，很多場(chǎng)景的AI模型都是一站一模型，例如無(wú)線流量預(yù)測(cè)、無(wú)線基站智能節(jié)能等場(chǎng)景，各站點(diǎn)的模型都根據(jù)本地化數(shù)據(jù)進(jìn)行定制化訓(xùn)練。但由于各局點(diǎn)模型版本不同，升級(jí)頻度也不同，成千上萬(wàn)的站點(diǎn)模型導(dǎo)致管理難度很大。電信運(yùn)營(yíng)商迫切需要有一個(gè)統(tǒng)一的平臺(tái)，高效實(shí)現(xiàn)模型狀態(tài)的監(jiān)控和版本升級(jí)策略等管理任務(wù)。

在站點(diǎn)模型數(shù)量眾多的同時(shí)，部分場(chǎng)景又面臨著樣本量太少不足以支撐模型訓(xùn)練的問(wèn)題。例如核心網(wǎng)KPI異常檢測(cè)，單局點(diǎn)發(fā)生異常頻率很少，訓(xùn)練需要的樣本量根本不夠。這時(shí)電信運(yùn)營(yíng)商又需要能夠匯聚所有局點(diǎn)的全量樣本信息，同時(shí)輔以聯(lián)邦學(xué)習(xí)等技術(shù)，才能訓(xùn)練得到滿(mǎn)足業(yè)務(wù)精度要求的AI 模型。除此之外，還面臨AI模型訓(xùn)練占用資源多有可能會(huì)影響設(shè)備性能的隱患。

面對(duì)這樣的挑戰(zhàn)，華為創(chuàng)新地推出了云地協(xié)同解決方案，可以實(shí)現(xiàn)AI特性規(guī)模應(yīng)用，這也是助力運(yùn)營(yíng)商邁向自動(dòng)駕駛網(wǎng)絡(luò)的關(guān)鍵。其中云端是指部署在公有云、合營(yíng)云或 HCS 上的 NAIE 云端智能，地端則是指集成在網(wǎng)絡(luò)管控單元的網(wǎng)絡(luò) AI、以及網(wǎng)元設(shè)備中的網(wǎng)元 AI。

云地協(xié)同加速 AI 特性規(guī)模應(yīng)用

華為的云地協(xié)同是指在運(yùn)行態(tài)下，云端、地端協(xié)同完成數(shù)據(jù)樣本上云、模型狀態(tài)管理、模型重訓(xùn)練、模型/知識(shí)下發(fā)、擇優(yōu)更新等系列AI模型任務(wù)。不僅如此，在云端還可以將匯聚全局的網(wǎng)絡(luò)知識(shí)經(jīng)驗(yàn)，以及通過(guò)全量數(shù)據(jù)訓(xùn)練得到的高精度模型，再以協(xié)同形式持續(xù)注入地端，支撐電信網(wǎng)絡(luò)智能迭代，讓網(wǎng)絡(luò)越來(lái)越“聰明”。

云地協(xié)同實(shí)現(xiàn)架構(gòu)

不妨以電信領(lǐng)域中實(shí)際發(fā)生的流程為例來(lái)見(jiàn)證一下云地協(xié)同的魅力。當(dāng)某電信局點(diǎn) DC PUE 模型三個(gè)月不更新后，模型精度開(kāi)始劣化，下降到 70%。此時(shí)地端會(huì)在本地進(jìn)行重訓(xùn)練，但由于樣本少，資源有限，優(yōu)化效果可能并不明顯。而云端由于匯聚多個(gè)局點(diǎn)的樣本數(shù)據(jù)，經(jīng)過(guò)專(zhuān)家經(jīng)驗(yàn)處理，會(huì)形成高質(zhì)量的模型，于是云端的模型倉(cāng)庫(kù)就會(huì)把訓(xùn)練或優(yōu)化的新模型包推送到地端。地端接收以后，就可以進(jìn)行實(shí)際對(duì)比和評(píng)估，擇優(yōu)升級(jí)。

值得一提的是，目前 NAIE 還可以構(gòu)建 DC 節(jié)能和無(wú)線網(wǎng)絡(luò)優(yōu)化等仿真場(chǎng)景。傳統(tǒng)電信網(wǎng)絡(luò)優(yōu)化工作必須要先經(jīng)過(guò)仿真系統(tǒng)驗(yàn)證，但是往往需要一周才能拿到優(yōu)化參數(shù)，效率并不高。而如今通過(guò)華為云端的仿真系統(tǒng)來(lái)驗(yàn)證，既不會(huì)影響現(xiàn)實(shí)中網(wǎng)絡(luò)性能，又可以迅速反饋，僅需一天就能反饋優(yōu)化的最佳參數(shù)，大大提升了網(wǎng)絡(luò)優(yōu)化的工作效率。

概括而言，云地協(xié)同實(shí)現(xiàn)了“一點(diǎn)生效，多點(diǎn)復(fù)制”——當(dāng)AI的特性在一個(gè)局點(diǎn)成功實(shí)施后，可以快速地形成知識(shí)和經(jīng)驗(yàn)，并在其他局點(diǎn)進(jìn)行復(fù)制，從而實(shí)現(xiàn)在全網(wǎng)規(guī)模應(yīng)用。

云地協(xié)同三個(gè)發(fā)展階段匹配不同AI場(chǎng)景

據(jù)了解，云地協(xié)同在實(shí)際應(yīng)用部署時(shí)有三個(gè)階段，電信運(yùn)營(yíng)商可以針對(duì)不同場(chǎng)景選擇自己適合的階段，從而大幅提高網(wǎng)絡(luò)的資源效率。模型相對(duì)簡(jiǎn)單、算法結(jié)構(gòu)穩(wěn)定，僅需要根據(jù)本地?cái)?shù)據(jù)進(jìn)行模型參數(shù)優(yōu)化調(diào)整的場(chǎng)景，例如想實(shí)現(xiàn)核心網(wǎng)變更在線機(jī)器值守，就更適合“云端訓(xùn)練初始模型+地端重訓(xùn)練”這一階段;而模型相對(duì)復(fù)雜，需要華為持續(xù)進(jìn)行模型算法結(jié)構(gòu)優(yōu)化的場(chǎng)景，例如無(wú)線KPI異常檢測(cè)選擇“云端模型分發(fā)+地端重訓(xùn)練”這個(gè)階段效果更好;而如果模型復(fù)雜，還需要華為在云端高質(zhì)量標(biāo)注數(shù)據(jù)，并利用知識(shí)圖譜以及仿真等知識(shí)能力進(jìn)行模型優(yōu)化的場(chǎng)景，就建議選擇“云地實(shí)時(shí)協(xié)同、模型自動(dòng)化演進(jìn)”這個(gè)階段了，例如 IP RAN/PTN 智能告警， DC PUE 優(yōu)化等。

那么擁有強(qiáng)大的云地協(xié)同能力的iMaster NAIE究竟能給電信運(yùn)營(yíng)商帶來(lái)哪些價(jià)值呢？在國(guó)內(nèi)某運(yùn)營(yíng)商省級(jí)公司，多網(wǎng)元故障的占比接近 20%，對(duì)現(xiàn)網(wǎng)業(yè)務(wù)的影響是單網(wǎng)元故障的 9 倍以上，但是跨界的故障定位難造成運(yùn)維成本居高不下。華為云地協(xié)同解決方案先通過(guò)地端上傳現(xiàn)網(wǎng)告警、拓?fù)?、配置等相關(guān)數(shù)據(jù)到云端，在云端再訓(xùn)練出故障聚合模型下發(fā)給地端，地端執(zhí)行后，再通過(guò)網(wǎng)絡(luò)知識(shí)庫(kù)建立的故障傳播圖，對(duì)故障進(jìn)行定界，快速找出故障根因，最終完成修復(fù)。部署之后，該運(yùn)營(yíng)商的故障工單壓縮率提升比例 10%以上，不僅運(yùn)維人員的派單效率顯著提升，并且還提高問(wèn)題定位效率。

作為華為自動(dòng)駕駛網(wǎng)絡(luò)解決方案中的重要智能化部件，iMaster NAIE一直在幫助運(yùn)營(yíng)商盡快實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型。而云地協(xié)同只是NAIE眾多創(chuàng)新“黑科技”之一，NAIE還提供一站式網(wǎng)絡(luò)AI云服務(wù)，讓網(wǎng)絡(luò)AI開(kāi)發(fā)簡(jiǎn)單高效，并通過(guò)豐富的NAIE培訓(xùn)服務(wù)，助力運(yùn)營(yíng)商人才轉(zhuǎn)型。目前，NAIE已經(jīng)在多個(gè)運(yùn)營(yíng)商落地，我們相信，不遠(yuǎn)的未來(lái)，自動(dòng)駕駛網(wǎng)絡(luò)必將給電信運(yùn)營(yíng)商帶來(lái)更大的驚喜。
責(zé)編AJX