Y.3181

Y.3181 es una Recomendación de la UIT-T que especifica un marco arquitectónico para un entorno aislado de aprendizaje automático en redes futuras (por ejemplo, 5G , IMT-2020). ^{[ 1 ]} La norma describe los requisitos y la arquitectura para un entorno aislado de aprendizaje automático (seguridad informática) en redes futuras, incluido IMT-2020 .

La integración de IA / ML se ha identificado como una de las características clave de las redes futuras. Sin embargo, los operadores de red se enfrentan al reto de mantener el rendimiento operativo y los indicadores clave de rendimiento asociados durante o después de esta integración. Además, la introducción de técnicas de aprendizaje automático (ML) en las redes de quinta generación ( 5G ) puede generar inquietudes con respecto a la transparencia, la fiabilidad y la disponibilidad de los métodos, las técnicas y los datos de ML. A menudo, los métodos de ML se consideran cajas negras (especialmente en el aprendizaje profundo, el funcionamiento interno del modelo es desconocido porque es demasiado complejo o incluso está oculto) que pueden aprender patrones complejos a partir de conjuntos de datos de entrenamiento. ^{[ 2 ]}

Sin embargo, estos conjuntos de datos pueden ser limitados y/o demasiado complejos, lo que plantea dudas sobre la precisión de la salida del mecanismo de aprendizaje automático. En particular, la principal preocupación al aplicar cualquier tipo de enfoque de aprendizaje supervisado (SL), es reducir el error de generalización, que puede ser elevado incluso si el error de prueba se mantiene bajo (este fenómeno se conoce comúnmente como sobreajuste). ^{[ 3 ]} Además de los métodos SL, otras ramas del aprendizaje automático, como el aprendizaje no supervisado (UL) y el aprendizaje por refuerzo (RL), abordan la incertidumbre de una u otra forma. Dicha incertidumbre puede implicar la aplicación de cambios en la red que conduzcan a un rendimiento inaceptable. ^{[ 4 ]}

Por un lado, el aprendizaje no supervisado busca encontrar patrones en los datos sin ninguna guía (datos sin etiquetar) y, por lo tanto, carece de validación. Por otro lado, el aprendizaje por refuerzo (RL) se basa en el paradigma del aprendizaje por experiencia. Se ha demostrado que el RL es de gran utilidad para enfoques de un solo agente en escenarios controlados; sin embargo, pueden aparecer efectos adversos notables como resultado de la competencia generada por múltiples sistemas que comparten los mismos recursos (por ejemplo, al proporcionar servicios heterogéneos utilizando recursos de red comunes). Además, cuando múltiples sistemas compiten por el mismo mercado de usuarios, la exploración puede perjudicar la reputación de un sistema a corto plazo, con efectos competitivos adversos. ^{[ 5 ]}

• Grupo de Enfoque de la UIT sobre Redes Autónomas (FG-AN)