在5G时代，网络与人工智能的结合将成为必然命题，运营商应紧紧抓住国家人工智能发展规划带来的历史性机遇，充分利用各方技术、产品、运营实力，促进通信行业向网络智能化、业务个性化、行业应用智慧化和管理智能化转型。
运营商还应通过人工智能技术，提高网络规划、建设、维护等方面的效率，增强网络智能组网、灵活运作、高效支撑业务等方面的能力，降低网络建设、维护和管理成本，提升自身行业、个人、家庭业务的竞争力，实现网络智能化转型。在这个过程中，5G网络应从以下五大方面入手，做好拥抱AI的准备。
1. 网络数据规范化
数据的获取和处理是AI应用于5G网络的一大挑战。移动通信数据维度高、数据类型多、数据量大、缺失数据多、不同设备厂家数据格式不统一等，导致无线数据获取和处理难。
针对AI应用于5G网络的数据获取和处理问题，整个通信行业需要联动起来。首先要形成统一数据标准，针对无线网络数据，由权威协会、联盟或国家部门制定统一的数据标准，涵盖数据格式、参数定义、计算方式等多个方面，降低数据处理的复杂度;
其次是提取高价值数据，减少数据存储和计算所需的硬件资源;再次是数据脱敏，对于含有用户隐私或涉及信息安全的数据加密编码，这将有效保护个人隐私，并且不影响AI算法对数据的分析;最后需要加强分布式并行处理，对于大体量的无线数据集，建立分布式系统，并行处理数据，提高处理效率。
2. 能力开放融合
运营商在AI技术方面的积累比较薄弱，存在硬件部署、软件开发、人才短缺、成本不足等问题。面对这些问题，运营商需要结合AI产业界的力量，一方面发挥自身在“云、管、端”和大数据应用等方面的优势，另一方面积极与互联网行业、AI产品公司等具有深厚技术积累的外界伙伴合作，不断积累AI技术知识，学习互联网行业在AI应用方面的经验，以便更快、更好地将人工智能应用于5G网络，推动网络向智能化方向发展。
如果能将网络相关能力开放，并引入AI技术进行融合，形成网络+AI的能力开放平台，那么AI与网络将非常好地契合。网络开放出来的数据、传输、信息等能力和资源，可以使AI技术快速地融入网络，为运营商提升AI服务能力打下重要基础，也是AI技术上补短板行之有效的方法。采用合作分享、“借兵打仗”的办法，可以提升AI服务能力，同时建设电信行业自己的AI队伍。
例如，当前中国联通网络技术研究院正在与AI“独角兽”——第四范式进行合作，借助第四范式AutoML产品“升维”的特征处理思想，将用于互联网行业的AI算法引入到运营商的网络平台中，同时将网络传输、调度、路由等能力以及经过脱敏的网络、用户和业务数据通过能力开放平台输送给AI引擎，实现了通过“升维”算法找到网络和用户的个体特征、组合特征与目标结果的潜在联系，从而提升网络发展、用户体验和业务需求等方面预测结果的准确度。借鉴“升维”的思想，还可以解决网络质量、用户体验评估、网络故障定位、问题溯源等方面的难题。通过仿真测试，相比传统移动通信网络中使用的决策树、专家系统等经典机器学习算法，“升维”这种互联网行业所采用的新算法带来了超出预期的效果，分析结果准确性从66%提升到79%，突破了传统方法的准确性瓶颈。
3. 引入技术的创新化
已有的AI算法在复杂的通信场景中不一定适用，需要根据通信网络特点对AI算法进行改进或创新。例如，在应用AI技术解决业务体验评估和网络动态优化的问题方面，现有的一些AI方法可以很好地解决互联网业务用户体验评估和APP功能优化，但是却无法适应移动通信网络的多因素关联性和环境复杂性。
为了克服网络状态和服务的动态特性，应对多样化的多媒体业务挑战，中国联通网研院联合清华大学AI研究团队，将现有AI算法进行改进创新，并且与人因工程、移动通信网络力量相结合，提出一种基于强化学习的面向QoE的通信和服务协同优化方法，将用户的心理、生理感知映射到移动业务体验，再将移动通信的KPI与QoE建立关联。通过强化学习及反馈学习机制建立模型来获得高维空间中的最优解。
同时，输出端的实时网络状态和服务质量被反馈到输入端，从而在当前服务需求下获得最高的网络资源利用率，使用户体验最佳，实现移动网络中复杂业务的动态联合优化及提升QoE的最终目标。
4. AI应用的边缘化
5G网络将面向丰富的垂直行业应用提供服务，带来更多的边缘服务需求。多接入边缘计算(MEC)是5G的重要技术之一，通过在靠近移动用户的位置上提供信息技术服务环境和云计算能力，可以更好地支持5G网络中低时延和高带宽的业务要求。
同时，MEC天然具有与AI结合的基因，它更接近数据源和基站这样的网络神经末梢，因此可以和5G基站、边缘大数据系统配合。AI技术在边缘业务场景智能化、无线网络的开放化等方面将发挥重要作用。
例如，针对通信网络中视频等媒体业务请求暴增、网络拥塞、现网视频内容分发响应延迟等问题，可以将人工智能技术应用在5G网络MEC缓存决策中来提高用户体验质量，基于每个基站收集的网络数据智能地确定高速缓存设备中的内容。基于深度学习的MEC缓存方案可以增强MEC缓存命中率，从而使视频请求能够得到快速响应。
5. 网络环境的模型化
传统网络的路损计算、覆盖规划、波束成型等都涉及到对网络环境的计算，在5G复杂网络环境的背景下，引入AI解决与网络环境相关的规划优化等问题是必经之路，这时需要将传统代数计算的方法进行基于AI的建模，AI算法中的准确建模对算法的实际应用效果至关重要。
一方面，通信网络具有场景多的特点，针对通信网络中的不同场景，例如导频功率调整、边缘吞吐率提升、M-MIMO波束调整、D-MIMO智能簇分配、多天线特性增益等多种场景，需要分别进行精准化的建模。
另一方面，通信网络具有时变性强的特点，针对网络发射的异常行为(如被恶意攻击)或者外部环境变化(如恶劣天气引发的信道突变)导致的突发性变化，需要建立动态学习、持续学习的算法模型，以应对通信场景中的突发问题。例如，建立准确的无线信道大尺度模型对于网络设计至关重要，它可以确定小区的覆盖大小，从而达到减少邻区干扰、优化网络的目的。
但目前信道建模的方法主要依赖于信道测量，基于无线信道的各种统计特性建立的信道模型，具有难以针对特定环境给出准确信道响应的缺点，具有一定局限性。
利用人工智能方法，根据无线信道数据的特点，可将大小尺度衰落预测等任务进行抽象，将其归类于机器学习擅长解决的回归分类等问题，通过机器学习和数据挖掘，得到更精确的信道衰落预测和模拟方法。
来源：大数据观察
