【技術實現步驟摘要】
本申請涉及無線通信，特別是涉及一種模型生命周期管理方法、裝置、通信設備、存儲介質和計算機程序產品。
技術介紹
1、隨著無線通信技術的發展，出現了人工智能內生（artificial?intelligencenative，ai?native）設計。人工智能（artificial?intelligence，ai）與通信技術的融合將影響著關鍵績效指標（key?performance?indicator，kpi）能力指標體系中的相關能力指標。例如，ai內生能夠提高頻譜效率、用戶體驗速率和定位精度，減小時延，提升安全隱私保護，優化ai相關指標。ai內生在未來移動通信系統中是滿足和提升多種能力指標的必要和重要技術特征。
2、因此，亟需一種在無線接入網（radio?access?network，ran）側部署人工智能模型的模型生命周期管理方法。
技術實現思路
1、本申請實施例提供一種模型生命周期管理方法、裝置、通信設備、存儲介質和計算機程序產品，可以在無線接入網側部署人工智能模型。
2、一種模型生命周期管理方法，所述方法應用于第一網絡設備，所述方法包括：
3、接收第二網絡設備發送的信令；其中，所述信令至少包含模型配置信息；
4、根據所述模型配置信息，執行人工智能模型訓練和/或數據采集過程；
5、基于所述人工智能模型訓練和/或數據采集過程的執行結果，向所述第二網絡設備發送模型配置響應消息。
6、在其中一個實施例中，所述模型配置信
7、在其中一個實施例中，所述存儲空間信息表征所述人工智能模型訓練和/或數據采集過程所需的存儲空間；所述算力信息表征所述人工智能模型訓練和/或數據采集過程所需的算力。
8、在其中一個實施例中，所述模型結構配置信息包含預訓練指示信息、模型類型和模型結構參數中的至少一項；所述預訓練指示信息表征是否為預訓練模型。
9、在其中一個實施例中，所述訓練參數信息包括數據集大小、損失函數類型、訓練周期、部署條件、最大模型訓練次數和訓練間隔中的至少一項。
10、在其中一個實施例中，所述數據采集配置信息包括數據集編號、數據集類型、數據集功能、數據采集導頻信號配置、數據采集周期、數據采集樣本類型、數據采集精度和數據采集量中的至少一項。
11、在其中一個實施例中，在所述模型配置信息包含數據采集配置信息的情況下，所述根據所述模型配置信息，執行人工智能模型訓練和/或數據采集過程，包括如下至少一項：
12、基于所述數據采集配置信息執行數據采集過程；以及，
13、獲取訓練樣本數據，并基于所述訓練樣本數據和所述模型配置信息，訓練人工智能模型；所述訓練樣本數據包含采集到的樣本數據和/或預先存儲的樣本數據中的至少一項。
14、在其中一個實施例中，所述獲取訓練樣本數據，包括如下至少一項：
15、若預先存儲的樣本數據的數據量小于預設的數據量閾值，則獲取采集到的樣本數據，并在所述采集到的樣本數據和所述預先存儲的樣本數據的總數據量達到所述數據量閾值時，執行所述基于所述訓練樣本數據和所述模型配置信息，訓練人工智能模型步驟；
16、若預先存儲的樣本數據的數據量大于或等于所述預設的數據量閾值，則將所述預先存儲的樣本數據作為所述訓練樣本數據。
17、在其中一個實施例中，所述獲取訓練樣本數據，包括：
18、在數據采集完成后，將采集到的樣本數據作為訓練樣本數據。
19、在其中一個實施例中，所述基于所述人工智能模型訓練和/或數據采集過程的執行結果，向所述第二網絡設備發送模型配置響應消息，包括如下至少一項：
20、若所述人工智能模型訓練或者所述數據采集過程啟動失敗，則向所述第二網絡設備發送啟動失敗響應消息；
21、若所述人工智能模型訓練啟動成功，則向所述第二網絡設備發送模型訓練啟動響應消息；
22、若所述人工智能模型訓練完成，則向所述第二網絡設備發送模型訓練完成消息。
23、在其中一個實施例中，在所述向所述第二網絡設備發送模型訓練完成消息之后，所述方法還包括如下至少一項：
24、對訓練后的所述人工智能模型執行模型部署過程；
25、接收所述第二網絡設備發送的模型部署消息，對訓練后的所述人工智能模型執行模型部署過程。
26、在其中一個實施例中，所述方法還包括：
27、當所述人工智能模型訓練失敗時，確定所述人工智能模型的累計模型訓練次數。
28、在其中一個實施例中，所述方法還包括如下至少一項：
29、若所述累計模型訓練次數小于最大模型訓練次數，則對所述人工智能模型重新進行訓練，并更新所述累計模型訓練次數；
30、若所述累計模型訓練次數大于或者等于所述最大模型訓練次數，則停止所述人工智能模型的模型訓練，啟動模型訓練定時器，并在所述模型訓練定時器的定時時長大于或者等于訓練間隔時，對所述人工智能模型重新進行訓練。
31、在其中一個實施例中，所述對所述人工智能模型重新進行訓練之前，所述方法還包括：
32、根據預設的模型更新策略，更新所述人工智能模型。
33、在其中一個實施例中，所述根據預設的模型更新策略，更新所述人工智能模型，包括如下至少一項：
34、根據預設的模型更新策略，變更所述人工智能模型的模型結構；
35、根據預設的模型更新策略，變更所述人工智能模型的沖激函數或損失函數；
36、根據預設的模型更新策略，變換所述人工智能模型的模型類型。
37、在其中一個實施例中，所述對所述人工智能模型重新進行訓練之前，所述方法還包括：
38、根據預設的訓練樣本數據更新策略，變更所述訓練樣本數據。
39、在其中一個實施例中，所述第一網絡設備包括終端、基站、主控板卡、智算板卡、算力板卡、基帶板和無線接入網絡網元中的至少一項。
40、在其中一個實施例中，所述信令包括用戶面信令、智能面信令、數據面信令、計算面信令、無線資源控制信令、媒體訪問控制-控制元素、數據中心互聯、管理面信令、控制面信令、系統消息、非接入層信令、接入層信令和專用配置信令中的至少一種。
41、一種模型生命周期管理方法，所述方法應用于第二網絡設備，所述方法包括：
42、向第一網絡設備發送信令；其中，所述信令至少包含模型配置信息，所述模型配置信息指示所述第一網絡設備執行人工智能模型訓練和/或數據采集過程；
43、接收所述第一網絡設備發送的模型配置響應消息；所述模型配置響應消息基于所述人工智能模型訓練和/或數據采集過程本文檔來自技高網...
【技術保護點】
1.一種模型生命周期管理方法，其特征在于，所述方法應用于第一網絡設備，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述模型配置信息至少包含指示信息和訓練配置信息中的一項；所述指示信息用于指示是否進行人工智能模型訓練；所述訓練配置信息包括模型構建地理范圍、存儲空間信息、算力信息、模型結構配置信息、訓練參數信息和數據采集配置信息中的至少一項。
3.根據權利要求2所述的方法，其特征在于，所述存儲空間信息表征所述人工智能模型訓練和/或數據采集過程所需的存儲空間；所述算力信息表征所述人工智能模型訓練和/或數據采集過程所需的算力。
4.根據權利要求2所述的方法，其特征在于，所述模型結構配置信息包含預訓練指示信息、模型類型和模型結構參數中的至少一項；所述預訓練指示信息表征是否為預訓練模型。
5.根據權利要求2所述的方法，其特征在于，所述訓練參數信息包括數據集大小、損失函數類型、訓練周期、部署條件、最大模型訓練次數和訓練間隔中的至少一項。
6.根據權利要求2所述的方法，其特征在于，所述數據采集配置信息包括數據集編號、數據集
7.根據權利要求1或2所述的方法，其特征在于，在所述模型配置信息包含數據采集配置信息的情況下，所述根據所述模型配置信息，執行人工智能模型訓練和/或數據采集過程，包括如下至少一項：
8.根據權利要求7所述的方法，其特征在于，所述獲取訓練樣本數據，包括如下至少一項：
9.根據權利要求7所述的方法，其特征在于，所述獲取訓練樣本數據，包括：
10.根據權利要求1所述的方法，其特征在于，所述基于所述人工智能模型訓練和/或數據采集過程的執行結果，向所述第二網絡設備發送模型配置響應消息，包括如下至少一項：
11.根據權利要求10所述的方法，其特征在于，在所述向所述第二網絡設備發送模型訓練完成消息之后，所述方法還包括如下至少一項：
12.根據權利要求1所述的方法，其特征在于，所述方法還包括：
13.根據權利要求12所述的方法，其特征在于，所述方法還包括如下至少一項：
14.根據權利要求13所述的方法，其特征在于，所述對所述人工智能模型重新進行訓練之前，所述方法還包括：
15.根據權利要求14所述的方法，其特征在于，所述根據預設的模型更新策略，更新所述人工智能模型，包括如下至少一項：
16.根據權利要求13所述的方法，其特征在于，所述對所述人工智能模型重新進行訓練之前，所述方法還包括：
17.根據權利要求1所述的方法，其特征在于，所述第一網絡設備包括終端、基站、主控板卡、智算板卡、算力板卡、基帶板和無線接入網絡網元中的至少一項。
18.根據權利要求1所述的方法，其特征在于，所述信令包括用戶面信令、智能面信令、數據面信令、計算面信令、無線資源控制信令、媒體訪問控制控制元素、數據中心互聯、管理面信令、控制面信令、系統消息、非接入層信令、接入層信令和專用配置信令中的至少一種。
19.一種模型生命周期管理方法，其特征在于，所述方法應用于第二網絡設備，所述方法包括：
20.根據權利要求19所述的方法，其特征在于，所述接收所述第一網絡設備發送的模型配置響應消息，包括如下至少一項：
21.根據權利要求20所述的方法，其特征在于，在所述接收所述第一網絡設備發送的模型訓練完成消息之后，所述方法還包括：
22.根據權利要求19所述的方法，其特征在于，所述第二網絡設備包括基站、核心網網元和網管操作維護管理中的至少一項。
23.一種模型生命周期管理裝置，其特征在于，所述裝置應用于第一網絡設備，所述裝置包括：
24.一種模型生命周期管理裝置，其特征在于，所述裝置應用于第二網絡設備，所述裝置包括：
25.一種通信設備，其特征在于，包括：接收器、處理器和發送器；
26.一種通信設備，其特征在于，包括：發送器和接收器；
27.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至22中任一項所述的方法的步驟。
28.一種芯片，其特征在于，所述芯片包括可編程邏輯電路和/或程序指令，當所述芯片運行時實現權利要求1至22中任一項所述的方法的步驟。
29.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1至22中任一項所述的方法的步驟。<...
【技術特征摘要】
1.一種模型生命周期管理方法，其特征在于，所述方法應用于第一網絡設備，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述模型配置信息至少包含指示信息和訓練配置信息中的一項；所述指示信息用于指示是否進行人工智能模型訓練；所述訓練配置信息包括模型構建地理范圍、存儲空間信息、算力信息、模型結構配置信息、訓練參數信息和數據采集配置信息中的至少一項。
3.根據權利要求2所述的方法，其特征在于，所述存儲空間信息表征所述人工智能模型訓練和/或數據采集過程所需的存儲空間；所述算力信息表征所述人工智能模型訓練和/或數據采集過程所需的算力。
4.根據權利要求2所述的方法，其特征在于，所述模型結構配置信息包含預訓練指示信息、模型類型和模型結構參數中的至少一項；所述預訓練指示信息表征是否為預訓練模型。
5.根據權利要求2所述的方法，其特征在于，所述訓練參數信息包括數據集大小、損失函數類型、訓練周期、部署條件、最大模型訓練次數和訓練間隔中的至少一項。
6.根據權利要求2所述的方法，其特征在于，所述數據采集配置信息包括數據集編號、數據集類型、數據集功能、數據采集導頻信號配置、數據采集周期、數據采集樣本類型、數據采集精度和數據采集量中的至少一項。
7.根據權利要求1或2所述的方法，其特征在于，在所述模型配置信息包含數據采集配置信息的情況下，所述根據所述模型配置信息，執行人工智能模型訓練和/或數據采集過程，包括如下至少一項：
8.根據權利要求7所述的方法，其特征在于，所述獲取訓練樣本數據，包括如下至少一項：
9.根據權利要求7所述的方法，其特征在于，所述獲取訓練樣本數據，包括：
10.根據權利要求1所述的方法，其特征在于，所述基于所述人工智能模型訓練和/或數據采集過程的執行結果，向所述第二網絡設備發送模型配置響應消息，包括如下至少一項：
11.根據權利要求10所述的方法，其特征在于，在所述向所述第二網絡設備發送模型訓練完成消息之后，所述方法還包括如下至少一項：
12.根據權利要求1所述的方法，其特征在于，所述方法還包括：
13.根據權利要求12所述的方法，其特征在于，所述方法還包括如下至少一項：
14.根據權利要求13所述的方法...
【專利技術屬性】
技術研發人員：楊蓓，章勛，李威，王靖壹，王越，
申請(專利權)人：中國電信股份有限公司技術創新中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。