Y.3172

Y.3172 es una Recomendación de la UIT-T que especifica una arquitectura para el aprendizaje automático en futuras redes, incluyendo 5G (IMT-2020). ^{[ 1 ]} La arquitectura describe una canalización de aprendizaje automático en el contexto de las redes de telecomunicaciones que implica el entrenamiento de modelos de aprendizaje automático, y también el despliegue utilizando métodos como contenedores y orquestación . ^{[ 2 ]}

Se presenta un conjunto de requisitos arquitectónicos y componentes arquitectónicos específicos necesarios para satisfacerlos. Esto incluye la arquitectura de la información (IA), la canalización de aprendizaje automático, así como las funcionalidades de gestión y orquestación del aprendizaje automático. Además, el estándar describe la integración de dichos componentes en futuras redes, incluyendo IMT-2020, así como directrices para aplicar este marco arquitectónico en diversas redes subyacentes específicas de cada tecnología. ^{[ 3 ]}

La Recomendación Y.3173 se basa en la Y.3172 al especificar un marco para evaluar los niveles de inteligencia de las redes futuras. ^{[ 4 ]}

• 'SRC' (origen): Este nodo es la fuente de datos que se pueden utilizar como entrada para el proceso de aprendizaje automático.
• 'C' (recolector): Este nodo es responsable de recopilar datos de uno o más nodos SRC.
• 'PP' (preprocesador): Este nodo es responsable de limpiar los datos, agregarlos o realizar cualquier otro preprocesamiento necesario para que los datos estén en un formato adecuado para que el modelo de aprendizaje automático pueda utilizarlos.
• 'M' (modelo): Se trata de un modelo de aprendizaje automático, en un formato que puede utilizarse en un proceso de aprendizaje automático.
• 'P' (política): Este nodo permite la aplicación de políticas a la salida del nodo del modelo.
• 'D' (distribuidor): Este nodo es responsable de identificar los SINK y distribuir la salida del nodo M a los nodos SINK correspondientes.
• 'SINK': Este nodo es el objetivo de la salida de ML sobre la cual toma medidas.

En la cumbre AI for Good de 2017 surgió la idea de un Grupo de Enfoque sobre Aprendizaje Automático para 5G (FG-ML5G), de forma similar a como la cumbre dio origen al Grupo de Enfoque de la UIT-OMS sobre Inteligencia Artificial para la Salud . El Grupo de Enfoque finalizó el estándar en mayo de 2019 y lo presentó al Grupo de Estudio 13 de la UIT-T (su organismo matriz) para su adopción como Recomendación de la UIT-T, lo que ocurrió en junio de 2019. ^{[ 1 ]}

Basándose en Y.3172, la UIT lanzó un desafío de IA/ML para 5G sobre la implementación de esta arquitectura. ^{[ 5 ]}

• Recomendación Y.3172 de la UIT-T
• Grupo de trabajo de la UIT-T sobre aprendizaje automático en 5G
• Revista de noticias de la UIT
• Desafío de IA/ML 5G
• canalización de aprendizaje automático