部署后人工智能/机器学习(AI/ML)功能性和漂移验证的制作方法

摘要: 本发明的实施方案涉及无线通信,包括用于在用户装备(ue)处补偿人工智能(ai)模型中的漂移的装置、系统和方法。相关技术描述无线通信系统的使用正在迅速增长。近年来...
部署后人工智能/机器学习(AI/ML)功能性和漂移验证的制作方法

本发明的实施方案涉及无线通信,包括用于在用户装备(ue)处补偿人工智能(ai)模型中的漂移的装置、系统和方法。相关技术描述无线通信系统的使用正在迅速增长。近年来,无线设备(诸如智能电话和平板计算机)已经变得日益复杂精密。除了支持电话呼叫以外,现在很多移动设备还提供对互联网、电子邮件、文本消息和使用全球定位系统(gps)的导航的访问,并且能够操作利用这些功能性的复杂应用。长期演进(lte)已成为全球大多数无线网络运营商的首选技术,从而为其订户群提供移动宽带数据和高速互联网接入。lte于2004年首次提出,并于2008年首次标准化。自那时起,随着无线通信系统的使用呈指数级增长,对无线网络运营商针对更高密度的移动宽带用户支持更高的容量的需求也在上升。在2015年开始对新无线电接入技术的研究,并于2017年,第五代新无线电(5g nr)的首发版本被标准化。5g-nr(也简称为nr)与lte相比,针对更高密度的移动宽带用户提供更高的容量,同时也支持设备到设备的超可靠和大规模机器类型通信,以及更低的时延和/或更低的电池消耗。此外,与当前的lte相比,nr可允许更灵活的调度。因此,在nr的持续开发中正在努力利用更高频率下可能实现的更高吞吐量。

背景技术:

技术实现思路

1.一种在用户装备(ue)处补偿人工智能(ai)模型中的漂移的方法,所述方法包括:

2.根据权利要求1所述的方法,所述方法还包括:对包括存储在所述ue处的ai模型的ue能力消息进行编码以用于发送到所述网络。

3.根据权利要求2所述的方法,其中所述ue能力消息包括与每个模型相关联的一个或多个配置或场景,包括:ue能力:模型1:{配置/场景1},{配置/场景2},……{配置/场景n};模型2:{配置/场景1},{配置/场景2},……{配置/场景n};……模型n:{配置/场景1},{配置/场景2},……{配置/场景n},其中n是正整数。

4.根据权利要求1所述的方法,其中实现新的ai模型包括在所述ue处从所述网络和服务器中的一者接收所述新的ai模型。

5.根据权利要求4所述的方法,其中所述服务器是与所述ue通信的过顶(ott)服务器。

6.根据权利要求1所述的方法,其中实现新的ai模型包括激活存储在所述ue上的所述新的ai模型以替换所述ai模型。

7.根据权利要求1所述的方法,所述方法还包括:在所述ue处对从所述网络接收的新的ai模型标识进行解码,所述新的ai模型标识指示供所述ue在所述ue处实现的所述新的ai模型。

8. 根据权利要求1所述的方法,所述方法还包括:

9. 根据权利要求8所述的方法,其中在旧式模式下操作所述ue包括:

10.一种在用户装备(ue)处微调人工智能(ai)模型以提供强化学习的方法,所述方法包括:

11.根据权利要求10所述的方法,其中所述ue被配置为当在所述ue处接收到指示所述ai模型具有大于所述漂移阈值的所述变化的所述ai模型再训练消息时,自主发起所述ai模型的再训练。

12.根据权利要求10所述的方法,所述方法还包括:在所述ue处存储所述经微调的ai模型,所述经微调的ai模型具有与新配置或经微调的配置相关联的id,以及在ue能力消息中将所述经微调的ai模型的所述id传送到所述网络。

13.根据权利要求10所述的方法,所述方法还包括:对包括存储在所述ue处的ai模型的ue能力消息进行编码以用于发送到所述网络。

14.根据权利要求13所述的方法,其中所述ue能力消息包括与每个模型相关联的一个或多个配置或场景,包括:ue能力:模型1(经微调):{配置/场景1},{配置/场景2},……{配置/场景n};模型2(经微调):{配置/场景1},{配置/场景2},……{配置/场景n};……模型n(经微调):{配置/场景1},{配置/场景2},……{配置/场景n},其中n是正整数。

15. 根据权利要求10所述的方法,所述方法还包括:当所述经微调的监测度量通过所述网络一致性测试的一个或多个阈值时,在旧式模式下操作所述ue,其中在旧式模式下操作所述ue包括:

16.一种在服务器处为用户装备(ue)微调人工智能(ai)模型以提供强化学习的方法,所述方法包括:

17.根据权利要求16所述的方法,其中所述ue被配置为当在所述ue处接收到指示所述ai模型具有大于所述漂移阈值的所述变化的所述ai模型再训练消息时,自主发起所述ai模型的再训练。

18.根据权利要求16所述的方法,所述方法还包括:在所述ue处存储所述经微调的ai模型,所述经微调的ai模型具有与新配置或经微调的配置相关联的id,以及在ue能力消息中将所述经微调的ai模型的所述id传送到所述网络。

19.根据权利要求16所述的方法,所述方法还包括:对包括存储在所述ue处的ai模型的ue能力消息进行编码以用于发送到所述网络。

20.根据权利要求19所述的方法,其中所述ue能力消息包括与每个模型相关联的一个或多个配置或场景,包括:ue能力:模型1(经微调):{配置/场景1},{配置/场景2},……{配置/场景n};模型2(经微调):{配置/场景1},{配置/场景2},……{配置/场景n};……模型n(经微调):{配置/场景1},{配置/场景2},……{配置/场景n},其中n是正整数。

21. 根据权利要求16所述的方法,所述方法还包括:当所述经微调的监测度量通过所述网络一致性测试的一个或多个阈值时,在旧式模式下操作所述ue,其中在旧式模式下操作所述ue包括:

22.一种在网络处补偿位于用户装备(ue)处的人工智能(ai)模型的漂移的方法,所述方法包括:

23.一种从网络在用户装备(ue)处微调人工智能(ai)模型以提供强化学习的方法,所述方法包括:

24.一种基带处理器,所述基带处理器被配置为使用户装备(ue)执行根据权利要求1至21所述的方法中的任一种方法。

25.一种用户装备(ue),所述用户装备(ue)被配置为执行权利要求1至21中所描述的操作中的任一种操作。

26.一种网络,所述网络被配置为执行权利要求22至23中所描述的操作中的任一种操作。

27.一种计算机程序产品,所述计算机程序产品包括计算机指令,所述计算机指令在由一个或多个处理器执行时执行本文所描述的操作中的任一种操作。