蝉鸣报告（原爱报告知识星球）
近日，NGMN联盟发布了一份名为《MLOps for Highly Autonomous Networks》的行业研究报告。这份报告详细描述了为高度自动化网络提供的使能技术指南和要求，重点关注了一般MLOps（机器学习运维）流程，并探讨了适用于自动化网络的MLOps，特别是在自动化水平较高的情况下，对MLOps过程、要求、架构以及端到端部署和标准化建议进行了深入分析。报告中不仅涵盖了MLOps的五个主要阶段，还详细列出了15个专业功能，旨在支持ML模型的全生命周期管理。此外，报告还提出了针对标准化的建议，强调了在不同网络领域和组织之间建立通用MLOps规范的迫切需求。这份报告无疑是通信网络自动化和人工智能应用领域的重要文献，为行业提供了宝贵的指导和深入的洞见。
在通信网络领域，自主性和智能化正成为未来发展的关键。《MLOps for Highly Autonomous Networks》这份报告，由NGMN联盟发布，深入探讨了机器学习（ML）在自动化网络中的应用，以及如何通过MLOps——结合机器学习和DevOps的一套流程和系统——来管理这些智能模型的全生命周期。
报告指出，随着智能网络应用的大规模部署，ML模型的复杂性不断增加，带来了一系列挑战。MLOps通过连接算法、交付和运维团队，提高了ML模型生命周期管理的效率，推动了其大规模应用。MLOps的核心在于数据工程、模型开发、模型交付和模型运维，这四个阶段构成了ML模型生命周期的闭环反馈管道，确保模型持续优化和适应环境变化。
在数据工程阶段，原始数据被转换成适合ML模型训练的格式。这一步骤至关重要，因为数据的质量直接影响模型的准确性。模型开发阶段包括模型训练和测试，确保输出模型优化并准备好交付。模型交付阶段涉及将开发的ML模型与配置、代码和脚本一起打包，生成可部署到生产环境的交付物。最后，模型运维阶段包括监控部署在生产环境中的ML模型，并进行操作维护。
报告中强调了端到端部署和标准化推荐的重要性。MLOps架构包括模型提供者的开发环境、模型运营商的开发环境和模型运营商的生产环境。这种架构支持从模型开发到部署的全过程，确保了模型的可追溯性和可控制性。
在部署选项方面，报告讨论了四种不同的部署场景：嵌入式网络元素部署、集成单域部署、实时单域部署和跨域部署。每种部署场景都有其特定的应用场景和优势。例如，实时单域部署适用于需要实时数据收集和模型更新的场景，而跨域部署则适用于需要在不同地理位置进行模型推理和监控的场景。
标准化推荐方面，报告指出，尽管多个标准发展组织（SDO）正在开发与MLOps相关的标准，但仍缺乏全面的、普遍适用的标准。ITU-T被建议发起一个端到端和跨域的通用MLOps框架的整体促进考虑，以指导相关领域的标准化工作，促进行业协作发展。
报告还提到了大型模型（如大型语言模型LLMs）和小模型（如小型语言模型LSMs）在生成性AI（Gen AI）中的应用，这是向B5G和6G网络发展的关键方向。这些考虑对于标准化工作至关重要，有助于所有相关SDO整合LLMOps，从而促进智能架构在网络基础框架中的无缝集成。
通过MLOps，运营商可以更有效地管理ML模型，提高网络的自主性和智能化水平。报告的数据和分析表明，MLOps不仅能够解决实际操作中的问题，还能够推动通信网络向更高层次的自动化发展。随着技术的不断进步，我们可以预见，MLOps将在未来的网络管理和优化中扮演越来越重要的角色。
这篇文章的灵感来自于NGMN联盟发布的《MLOps for Highly Autonomous Networks》报告。除了这份报告，还有一些同类型的报告也非常有价值，推荐阅读，这些报告我们都收录在同名星球，可以自行获取。
以上为节选样张，关注公众号【蝉鸣报告】回复领取PDF完整电子版（无广告）。
【蝉鸣报告】每日更新最新硬核报告，覆盖产业报告、全球化、经济报告、趋势等全领域。
