CN118283645A - 模型信息传输方法、装置及设备 - Google Patents
模型信息传输方法、装置及设备 Download PDFInfo
- Publication number
- CN118283645A CN118283645A CN202211726738.7A CN202211726738A CN118283645A CN 118283645 A CN118283645 A CN 118283645A CN 202211726738 A CN202211726738 A CN 202211726738A CN 118283645 A CN118283645 A CN 118283645A
- Authority
- CN
- China
- Prior art keywords
- model
- information
- data
- capability
- configuration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 168
- 230000005540 biological transmission Effects 0.000 title claims abstract description 45
- 230000006854 communication Effects 0.000 claims abstract description 79
- 238000004891 communication Methods 0.000 claims abstract description 78
- 230000006870 function Effects 0.000 claims description 140
- 238000011156 evaluation Methods 0.000 claims description 101
- 238000012545 processing Methods 0.000 claims description 95
- 238000012549 training Methods 0.000 claims description 78
- 238000013480 data collection Methods 0.000 claims description 70
- 238000012805 post-processing Methods 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 15
- 230000003213 activating effect Effects 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 18
- 230000001976 improved effect Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 208000035475 disorder Diseases 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000009849 deactivation Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008093 supporting effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
- H04W8/24—Transfer of terminal data
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
- Communication Control (AREA)
Abstract
本申请公开了一种模型信息传输方法、装置及设备,属于通信技术领域,本申请实施例的模型信息传输方法包括:第一设备向第二设备发送第一信息,所述第一信息包括如下至少一项:AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
Description
技术领域
本申请属于通信技术领域,具体涉及一种模型信息传输方法、装置及设备。
背景技术
一些通信***引入了人工智能(Artificial Intelligence,AI)模型进行通信相关操作,例如:在物理层有基于AI模型的信道状态信息(channel state information,CSI)反馈压缩,基于AI模型的信道估计,基于AI模型的波束管理,基于AI模型的定位等。但在使用AI模型进行通信相关操作时,往往会涉及到多个设备。目前设备之间的AI模型相关信息彼此是不知道的,这样导致设备之间对于AI模型相关信息理解不一致,影响设备之间的通信性能。
发明内容
本申请实施例提供一种模型信息传输方法、装置及设备,能够解决设备之间的通信性能比较差的问题。
第一方面,提供了一种模型信息传输方法,包括:
第一设备向第二设备发送第一信息,所述第一信息包括如下至少一项:
人工智能AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
第二方面,提供了一种模型信息传输方法,包括:
第二设备接收第一设备发送的第一信息,所述第一信息包括如下至少一项:
人工智能AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
第三方面,提供了一种模型信息传输装置,包括:
发送模块,用于向第二设备发送第一信息,所述第一信息包括如下至少一项:
人工智能AI模型描述信息,所述AI模型描述信息用于描述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
第四方面,提供了一种模型信息传输装置,包括:
接收模块,用于接收第一设备发送的第一信息,所述第一信息包括如下至少一项:
人工智能AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
第五方面,提供了一种通信设备,所述通信设备为第一设备,该通信设备包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如本申请实施例提供的第一设备侧的模型信息传输方法的步骤。
第六方面,提供了一种通信设备,所述通信设备为第一设备,包括处理器及通信接口,其中,所述通信接口用于向第二设备发送第一信息,所述第一信息包括如下至少一项:人工智能AI模型描述信息,所述AI模型描述信息用于描述第一设备对应的AI模型;与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
第七方面,提供了一种通信设备,所述通信设备为第二设备,该通信设备包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如本申请实施例提供的第二设备侧的模型信息传输方法的步骤。
第八方面,提供了一种通信设备,所述通信设备为第二设备,包括处理器及通信接口,其中,所述通信接口用于接收第一设备发送的第一信息,所述第一信息包括如下至少一项:人工智能AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
第九方面,提供了一种模型信息传输***,包括:第一设备及第二设备,所述第一设备可用于执行如本申请实施例提供的第一设备侧的模型信息传输方法的步骤,所述第二设备可用于执行如本申请实施例提供的第二设备侧的模型信息传输方法的步骤。
第十方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如本申请实施例提供的第一设备侧的模型信息传输方法的步骤,或者实现如本申请实施例提供的第二设备侧的模型信息传输方法的步骤。
第十一方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如本申请实施例提供的第一设备侧的模型信息传输方法,或实现如本申请实施例提供的第二设备侧的模型信息传输方法。
第十一方面,提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如本申请实施例提供的第一设备侧的模型信息传输方法的步骤,或者,所述计算机程序/程序产品被至少一个处理器执行以实现如本申请实施例提供的第二设备侧的模型信息传输方法的步骤。
在本申请实施例中,第一设备向第二设备发送第一信息,所述第一信息包括如下至少一项:AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。通过发送上述第一信息可以使得第一设备和第二设备之间对第一模型对应的AI模型更加容易理解一致,有利用提高第一设备和第二设备之间的通信性能。
附图说明
图1是本申请实施例可应用的一种无线通信***的框图;
图2是本申请实施例提供的一种模型信息传输方法的流程图;
图3是本申请实施例提供的另一种模型信息传输方法的流程图;
图4是本申请实施例提供的一种模型信息传输方法的示意图;
图5是本申请实施例提供的另一种模型信息传输方法的示意图;
图6是本申请实施例提供的另一种模型信息传输方法的示意图;
图7是本申请实施例提供的另一种模型信息传输方法的示意图;
图8是本申请实施例提供的另一种模型信息传输方法的示意图;
图9是本申请实施例提供的另一种模型信息传输方法的示意图;
图10是本申请实施例提供的另一种模型信息传输方法的示意图;
图11是本申请实施例提供的另一种模型信息传输方法的示意图;
图12是本申请实施例提供的另一种模型信息传输方法的示意图;
图13是本申请实施例提供的一种模型信息传输装置的结构图;
图14是本申请实施例提供的另一种模型信息传输装置的结构图;
图15是本申请实施例提供的一种通信设备的结构图;
图16是本申请实施例提供的另一种通信设备的结构图;
图17是本申请实施例提供的另一种通信设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
本申请的说明书和权利要求书中的术语“指示”既可以是一个明确的指示,也可以是一个隐含的指示。其中,明确的指示可以理解为,发送方在发送的指示中明确告知了接收方需要执行的操作或请求结果;隐含的指示可以理解为,接收方根据发送方发送的指示进行判断,根据判断结果确定需要执行的操作或请求结果。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)***,还可用于其他无线通信***,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access,SC-FDMA)和其他***。本申请实施例中的术语“***”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的***和无线电技术,也可用于其他***和无线电技术。以下描述出于示例目的描述了新空口(New Radio,NR)***,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR***应用以外的应用,如第6代(6th Generation,6G)通信***。
图1示出本申请实施例可应用的一种无线通信***的框图。无线通信***包括终端11和网络侧设备12。其中,终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、移动上网装置(Mobile Internet Device,MID)、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备,如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer,PC)、柜员机或者自助机等终端侧设备,可穿戴式设备包括:智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备,其中,接入网设备也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备可以包括基站、WLAN接入点或WiFi节点等,基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(BasicService Set,BSS)、扩展服务集(Extended Service Set,ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR***中的基站为例进行介绍,并不限定基站的具体类型。核心网设备可以包含但不限于如下至少一项:核心网节点、核心网功能、移动管理实体(Mobility ManagementEntity,MME)、接入移动管理功能(Access and Mobility Management Function,AMF)、会话管理功能(Session Management Function,SMF)、用户平面功能(User Plane Function,UPF)、策略控制功能(Policy Control Function,PCF)、策略与计费规则功能单元(Policyand Charging Rules Function,PCRF)、边缘应用服务发现功能(Edge ApplicationServer Discovery Function,EASDF)、统一数据管理(Unified Data Management,UDM),统一数据仓储(Unified Data Repository,UDR)、归属用户服务器(Home SubscriberServer,HSS)、集中式网络配置(Centralized network configuration,CNC)、网络存储功能(Network Repository Function,NRF),网络开放功能(Network Exposure Function,NEF)、本地NEF(Local NEF,或L-NEF)、绑定支持功能(Binding Support Function,BSF)、应用功能(Application Function,AF)等。需要说明的是,在本申请实施例中仅以NR***中的核心网设备为例进行介绍,并不限定核心网设备的具体类型。
在一些实施例中,通信设备在物理层可以基于AI模型进行信道状态信息(channelstate information,CSI)反馈压缩,可以基于AI模型进行波束管理,可以基于AI模型进行定位等更多的结合AI模型的用例在移动通信***中出现。
在一些实施例中,AI模型注册可以包括如下情况:
情况一、AI模型提供商生产模型后,注册到网络中,再由终端去下载模型;
情况二、AI模型已经部署到终端,需要网络对AI模型的生命周期进行管理,例如对模型性能进行监视,控制模型激活,去激活等;
情况三、AI模型部署到终端,并且已经激活,网络使用模型输出结果;
情况四、AI模型部署到终端,需要网络收集数据,对部署模型进行训练更新。
下面结合附图,通过一些实施例及其应用场景对本申请实施例提供的一种模型信息传输方法、装置及设备进行详细地说明。
请参见图2,图2是本申请实施例提供的一种模型信息传输方法的流程图,如图2所示,包括以下步骤:
步骤201、第一设备向第二设备发送第一信息,所述第一信息包括如下至少一项:
AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
其中,上述第一设备可以是终端,上述第二设备可以是接入网设备或者核心网设备。
上述第一设备对应的AI模型可以是,第一设备部署的AI模型,或者第一设备请求部署或者请求注册的AI模型,或者第一设备选择的AI模型。
另外,上述第一设备对应的AI模型的推理结果可以是被上述第一设备或者被上述第二设备使用。
上述AI模型描述信息可以用于表示AI模型的信息,也可以是用于描述上述AI模型的使用信息,也可以是表示上述AI的功能信息等。
上述第一能力信息可以是用于表示上述第一设备针对AI模型的能力信息。
在本申请实施例中,通过上述步骤可以实现发送上述第一信息以使得第一设备和第二设备之间对第一模型对应的AI模型更加容易理解一致,有利用提高第一设备和第二设备之间的通信性能。
在一些实施方式中,上述第一信息可以应用于模型注册过程,通过上述第一信息可以实现在模型注册过程中定义针对不同注册目的的信息,使得网络可以使用模型输出,为模型部署设备提供生命周期管理。再通过上述第一能力信息上报或者注册信息广播,可以使得网络或终端选择匹配终端能力的模型。例如:
在AI模型提供商生产模型后,注册到网络中,再由终端去下载模型的情况下,通过上述第一信息可以使得网络可以为第一设备选择匹配的模型;
在AI模型已经部署到终端用户,需要网络对AI模型的生命周期进行管理的情况下,通过上述第一信息可以使能网络进行模型激活,模型监视等模型生命周期管理;
在AI模型部署到终端,并且已经激活,网络使用模型输出结果的情况下,通过上述第一信息可以能使得网络可以判断结果有效性,并确定AI模型输出对应的物理含义。
在一种可选的实施方式中,所述AI模型描述信息包括如下至少一项:
AI模型功能、AI模型使用条件、AI模型标识信息。
其中,上述AI模型功能用于表示上述AI模型的具体功能,上述AI模型使用条件可以表示上述AI模型推理的使用条件,也可以表示上述AI模型的推理结果的使用条件,也可以表示AI模型的配置条件或者场景条件等。
该实施方式中,通过上述AI模型功能、AI模型使用条件、AI模型标识信息中的至少一项可以使得第一设备和第二设备之间对于第一设备对应AI的功能、使用条件和标识理解一致,有利于第一设备和第二设备之间的通信性能。
可选的,所述AI模型使用条件包括如下至少一项:
AI模型配置条件、AI模型场景条件、AI模型数据条件。
其中,上述AI模型配置条件可以是指需求的配置与实际配置相匹配。例如需求的配置是基站8个发送波束,而实际的基站配置为8个发送波束,则配置有效,否则无效,有配置有效的情况下,使用上述AI模型,而无效的情况下不使用上述AI模型。
其中,在上述AI模型配置条件中,第二设备的配置可以是明文指示,或者通过用户组标识或配置标识隐式指示。其中,明文的第二设备的配置可以包括如下至少一项:
第二设备天线配置信息;
第二设备波束配置信息;
第二设备波束个数信息;
第二设备高度信息;
第二设备站间距信息。
这样可以实现在上述配置情况下,第二设备才使用上述AI模型的推理结果。
另外,在上述AI模型配置条件可以包括第一设备的配置,第一设备的配置可以是明文指示,或者通过用户组标识或配置标识隐式指示。其中,明文的第一设备的配置可以包括如下至少之一
终端天线配置;
终端波束配置;
终端波束个数;
终端天线面板个数。
这样可以实现在上述配置情况下,第一设备才使用上述AI模型。
上述其中,AI模型场景条件可以是指需求的场景与实际场景相匹配。如果匹配,则使用上述AI模型,反之,不使用上述AI模型。
其中,在上述AI模型场景条件中,第二设备的场景可以包括如下至少一项:
视距场景信息;
非视距场景信息;
室外场景信息;
室内场景信息;
用户密集场景信息;
用户稀疏场景信息;
不同降雨量场景信息。
这样可以实现在上述场景下,第二设备才使用上述AI模型的推理结果。
在一些实施方式中,上述AI模型数据条件可以是,AI模型数据收集条件,如可以是指示上述AI模型对应的推理数据收集条件,或者可以是指示上述AI模型的推理数据配置条件,可以是指示上述AI模型的数据处理条件等。
在一些实施方式中,上述AI模型数据条件可以是,该AI模型在训练、推理或者输出使用的数据条件,例如:上述AI模型数据条件可以是AI模型数据收集条件,该数据收集条件可以是推理输入数据相关的收集条件。
在一些实施方式中,上述AI模型数据条件可以包括如下至少一项:
网络辅助信息,所述网络辅助信息用于指示:所述第二设备提供所述第一设备的AI模型的辅助信息;
网络辅助配置,所述网络辅助配置用于指示:所述第二设备为所述第一设备的AI模型进行相关配置;
网络数据处理指示,所述网络数据处理指示用于指示如下至少一项:对所述第一设备的AI模的输入数据执行数据处理的方式、对第一设备的AI模的输出数据执行数据处理的方式;
拆分推理信息,所述拆分推理信息件为所述第一设备和所述第二设备进行模型拆分推理的信息。
上述AI模型数据条件可以是推理数据收集条件,具体可以是,收集推理数据时需要匹配或者满足的条件,上述监视数据收集条件可以是,收集监视数据时需要匹配或者满足的条件。
其中,网络辅助信息可以是指示第二设备提供一些信息作为上述AI模型的部分输入,例如:上述网络辅助信息可以包括如下至少之一:
第二设备的发送波束信息,例如波束指向,波束码本,波束宽度;
第二设备的天线架构信息,例如,面板朝向,天线个数,天线间距;
第二设备的位置信息。
上述网络辅助配置可以是为上述AI模型提供对应的配置,例如:第一设备进行推理时,第二设备进行相应的特殊配置,以协助第一设备推理。例如,第一设备基于AI模型进行接收波束预测时,第二设备发送波束辅助配置为固定,以协助第一设备的接收波束都基于相同的发送波束接收,因此,可以更好地进行接收波束预测。第一设备基于AI模型进行信道预测时,第二设备调整到与模型匹配的信道状态信息参考信号(channel stateinformation reference signal,CSI-RS)资源个数,以使能第二设备侧的信道预测。
上述网络数据处理指示可以是预处理指示、后处理指示,例如:对所述第一设备的AI模的输入数据执行预处理,对第一设备的AI模的输出数据执行后处理。
在一些实施方式中,上述网络数据处理指示也可以由一个用户组标识指示,相同的用户组使用相同的数据处理指示。
在一些实施方式中,网络数据处理指示可以用于确定指定的数据处理方式,其中,该数据处理方式可以包括如下至少一项:
数据偏置处理;
数据缩放处理;
函数变换处理;
多维映射处理;
乱序处理;
独热码编处理;
数据归一化处理;
数据正则化处理;
数据标准化处理。
其中,上述独热码编处理可以是,通过独热码编码字典配置用于将相同物理含义的数据映射到相同的独热码。
其中,上述数据偏置处理可以是对数据做偏置,示例地,原始数值为10,数据偏置处理的偏置值为100,则数据偏置处理后的数值为10-100=-90。
上述数据缩放处理可以是对数据进行缩放,示例地,原始数值为100,数据缩放处理的缩小值为0.1,则数据缩放处理后的数值为100*0.1=10。
上述函数变换处理可以是对数据进行多项式函数变换,示例地,原始数值为10,函数变换处理的变换函数为f(x)=2x^3+5,则函数变换处理后的数值为2*10^3+5=2005。
上述多维映射处理可以是对单个数据进行多维映射,示例地,原始数值为10,多维映射处理的映射方式为(0.1x+2,0.5x+6),则多维映射处理后的数值为:(0.1*10+2,0.5*10+6),即(3,11)。
上述乱序处理可以是对一组数据进行乱序操作,示例地,原始数据组为(-70,-20,20,70,22.5,112.5,22.5,112.5),原始数据组的物理含义如表2所示:
表2:
乱序处理的参数为(4 3 1 5 6 7 8 2),即乱序处理后的第一个数据为原始数据组的第4个数据,乱序处理后的第二个数据为原始数据组的第3个数据,乱序处理后的第三个数据为原始数据组的第1个数据,依次类推。对原始数据组进行乱序操作后,得到的乱序处理后的数据组为(70,20,-70,22.5,112.5,22.5,112.5,-20)。乱序处理后的数据组的物理含义如表3所示:
表3:
No | 乱序后物理含义 | 乱序后数值 |
1 | 测量beam4的水平方向指向 | 70 |
2 | 测量beam3的水平方向指向 | 20 |
3 | 测量beam1的水平方向指向 | -70 |
4 | 测量beam1的垂直方向指向 | 22.5 |
5 | 测量beam2的垂直方向指向 | 112.5 |
6 | 测量beam3的垂直方向指向 | 22.5 |
7 | 测量beam4的垂直方向指向 | 112.5 |
8 | 测量beam2的水平方向指向 | -20 |
在一些实施方式中,可以根据标识来指示数据处理方式,如基于标识,确定使用了数据偏置处理和乱序处理,数据偏置处理的偏置值为100,乱序处理的参数为(4 3 1 5 6 78 2)。
上述拆分推理信息可以指示上述第一设备和第二设备对上述AI模型进行模型拆分推理。
在一些实施方式中,上述第一设备和所述第二设备进行模型拆分推理可以包括:
所述第一设备作为AI模型的辅助推理,所述第二设备作为AI模型的联合推理;或者
所述第一设备作为AI模型的联合推理,所述第二设备作为AI模型的辅助推理。
上述第一设备作为AI模型的辅助推理,所述第二设备作为AI模型的联合推理可以是,第一设备的AI模型的输出用于辅助第二设备的联合推理,如第一设备的AI模型的输出作为第二设备的联合推理的输入。其中,第二设备的联合推理可以是将第一设备的AI模型的输出和第二设备获取的信息作为联合推理模型的输入进行联合推理,第二设备获取的信息可以是第二设备通过其他AI模型获取的信息,也可以是第二设备直接获取的信息。
上述第一设备作为AI模型的联合推理,所述第二设备作为AI模型的辅助推理可以是,第二设备的AI模型的输出用于辅助第一设备的联合推理,如第二设备的AI模型的输出作为第一设备的联合推理的输入。其中,第一设备的联合推理可以是将第二设备的AI模型的输出和第一设备获取的信息作为联合推理模型的输入进行联合推理,第一设备获取的信息可以是第一设备通过其他AI模型获取的信息,也可以是第一设备直接获取的信息。
可选的,所述拆分推理信息可以包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第二设备的AI模型的标识信息;
所述第一设备的AI模型的版本信息;
所述第二设备的AI模型的版本信息;
所述第一设备的AI模型的输出数据长度;
所述第一设备的AI模型的输出使用信息。
通过上述第一设备和第二设备的AI模型的标识信息中的至少一项,使得第一设备和第二设备对同一个AI模型进行模型拆分推理。
在一些实施方式中,所述第一设备的AI模型的输出使用信息包括如下至少一项:
在所述第二设备联合推理的情况下的位置信息,所述位置信息用于表示:所述第一设备的AI模型的输出在联合推理输入中所处的位置;
指示信息,所述指示信息用于指示:所述第一设备的AI模型的输出与所述第二设备的AI模型输入的联合计算。
上述第二设备联合推理可以是,第二设备基于第二设备的AI模型的输入或输出与上述第一设备的AI模型的输出进行联合推理,而上述第一设备的AI模型的输出在联合推理输入中所处的位置可以是,在联合推理时第一设备的AI模型的输出作为联合推理AI模型的输入时,所处的位置。另外,上述第二设备可以是有一个私有模型和一个联合推理AI模型,或者第二设备只有联合推理AI模型。
上述联合计算可以是联合推理,如AI模型联合推理,在一些实施方式也可以协议约定的其他联合计算,对此不作限定。
通过上述输出数据长度和输出使用信息中的至少一项,可以使得第一设备和第二设备对同一个AI模型的输出理解一致,以避免第一设备和第二设备对AI模型的输出存在不匹配的数据,进而提高模型拆分推理的推理性能。另外,在拆分推理场景,第二设备可以不用理解第一设备AI模型输出的具体含义,只要匹配好第一设备AI模型输出和联合模型的输入这个接口就行。
作为一种可选的实施方式中,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第一设备的AI模型的预定义的输出格式指示;
所述第一设备的AI模型的灵活的输出格式指示;
第一原因信息,所述第一原因信息:网络侧使用所述终端的AI模型的推理结果;
所述第一设备的AI模型的历史测评信息或预测评信息。
上述灵活的输出格式指示可以是上述AI模型的输出格式可以根据实际需求进行灵活调整。
在一些实施方式中,上述输出格式指示可以表示,AI模型输出每个维度代表的物理含义,其中,AI模型输出数据可以包括数据项,以及还包括如下至少一项
空域维度、频域维度、时域维度、小区维度、后处理指示;
其中,空域维度可以包括如下至少一项
所有发送波束、所有收发波束对、所有接收波束、所有收发天线端口;
上述频域维度可以包括如下至少一项
所有频带、资源块(Resource Block,RB)指示、子带指示;
上述时间维度可以包括如下至少一项:
时间间隔和预测数目。
上述小区维度指示了输出对应的物理小区标识。
在一些实施方式中,上述输出格式指示对应的输出数据模板可以如下表1所示:
表1:
上述历史测评信息可以是,上述AI模型的历史推理的测评信息,上述预测评信息可以是,上述AI模型当前推理的测评信息。
在一些实施方式中,所述历史测评信息或预测评信息包括如下至少一项:
测评指标、评估结果。
其中,上述测评指标可以包括如下至少一项
***吞吐量增益;
波束预测准确率;
预测信道与真实信道的余弦相似度;
切换失败率;
乒乓切换率;
短时停留率。
另外,测评指标可以是历史或者预先测评指标,上述评估结果可以是历史或者预先评估结果,这样通过上述评估结果可以使得第二设备可以基于该评估结果决定在通信过程是否使用上述AI模型的推理结果。
上述第一原因信息可以指示AI模型注册的原因。
上述实施方式中,通过上述AI模型描述信息可以实现第一设备和第二设备之间对于上述AI的标识信息、输出格式和历史测评信息或预测评信息理解一致,以使得第二设备可以更好地使用上述AI模型的推理结果。
在上述实施方式中,上述第一设备可以是终端,第二设备可以是接入网设备。
作为一种可选的实施方式中,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待激活AI模型的功能、所述第一设备已部署AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备待激活AI模型的标识信息;
所述第一设备已部署AI模型的标识信息。
其中,上述第一设备待激活AI模型的标识信息可以是,待激活AI模型列表,上述已部署AI模型的标识信息可以是,已部署AI模型列表。
该实施方式中,可以实现通过上述AI模型描述信息让第二设备获取第一设备的待激活或已部署的AI模型的相关信息,进而可以根据需求激活第一设备的AI模型,以实现第一设备和第二设备对第一设备待激活的AI模型理解一致,并实现第二设备对第一设备AI模型的激活控制。
在上述实施方式中,上述第一设备可以是终端,第二设备可以是接入网设备,AI模型的激活控制在第二设备。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的第一标识信息,所述第一标识信息为包括如下至少一项:所述第一设备待激活模型的标识信息;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的生命周期控制权限;
第二原因信息,所述第二原因信息用于指示所述第一信息的触发原因为:激活所述第一设备的AI模型。
上述第二原因信息可以指示AI模型注册原因。
AI模型的生命周期可以是,AI模型的激活时间周期,或者AI模型运行或工作的时间周期。
其中,上述生命周期控制权限可以包括如下至少一项:
所述第一设备对所述第一设备的AI模型的生命周期控制权限;
所述第二设备对所述第一设备的AI模型的生命周期控制权限。
这样可以实现支持第一设备和第二设备中的至少一项对第一设备的AI模型的生命周期进行控制,以提高AI模型生命周期控制的灵活性。
一些实施方式中,生命周期控制权限可以包括如下至少一项:
模型激活控制权;
模型去激活控制权;
模型切换控制权;
模型回退控制权;
模型监视控制权。
这样可以实现对AI模型的激活控制权、去激活控制权、切换控制权、回退控制权、监视控制权中的至少一项进行灵活控制,以提高AI模型的生命周期控制的灵活性。
作为一种可选的实施方式,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待监视AI模型的功能、所述第一设备的AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备的待监视AI模型的标识信息;
所述第一设备的非待监视AI模型的标识信息。
上述第一设备的AI模型的功能可以是,第一设备的非待监视AI模型的功能。
其中,待监视AI模型包括已激活AI模型,和/或未激活的待监视AI模型,上述第一设备的待监视AI模型的标识信息可以是,待监视AI模型列表,上述非待监视AI模型的标识信息可以是,非待监视AI模型列表。
上述待监视AI模型可以是由第二设备对第一设备对应的AI模型进行监视。
该实施方式中,通过上述AI模型描述信息可以使得第二设备对第一设备对应的AI模型进行监视,以提高AI模型的监视效果。
在上述实施方式中,上述第一设备可以是终端,第二设备可以是接入网设备或者核心网设备,AI模型的监视在第二设备。
其中,上述第一设备的待监视AI模型可以包括如下至少一项:
所述第一设备的已激活AI模型;
所述第一设备的未激活待监视AI模型。
这样可以实现对已激活AI模型或未激活AI模型进行监视。
在一些实施方式中,所述AI模型描述信息还可以包括如下至少一项:
所述第一设备的AI模型的关联性能指标;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的状态信息;
第一AI模型数据收集条件,所述第一AI模型数据收集条件包括监视数据收集条件中的至少一项;
第三原因信息,所述第三原因信息用于指示所述第一信息的触发原因为:监听所述第一设备的AI模型。
上述AI模型的关联性能指标可以是,模型激活后,可能会对网络造成影响的性能指标,如AI模型功能的关联性能指标或者AI模型本身的关联性能指标。这样通过发送AI模型的关联性能指标,有助于网络进行重点监视,以避免对网络造成负面影响。另外,上述AI模型的关联性能指标可以作为网络监视模型性能的参考指标。
通过上述AI模型的历史测评信息或预测评信息可以使得,第二设备可以根据需求和历史测评信息或预测评信息灵活选择第一设备对应的信息,如历史测评信息或预测评信息比较差的情况下,第二设备获取第一设备通过实际测量的信息,而不采用AI模型预测的信息,如历史测评信息或预测评信息比较好的情况下,第二设备采用AI模型预测的信息。
上述AI模型的状态信息可以是,AI模型的激活状态,如激活或者未激活。另外,AI模型的状态信息可以是以单个模型为描述主体,即针对每个AI模型指示状态,也可以是以待激活或者激活AI模型列表方式表示。
通过上述AI模型的状态使得第二设备可以获知第一设备AI模型的状态,或者根据需求对模型进行监视,例如,针对激活的AI模型,进行重点监视,以避免对网络造成恶劣影响,针对未激活的模型,因为不会对网络造成直接影响,监视可以放松;或者根据需求灵活控制第一设备的AI模型的状态。
通过上述第一AI模型数据收集条件可以收集与上述AI模型更加匹配的数据,从而提高AI模型的预测性能,以及更准确地评估模型推理性能。
上述第三原因信息可以指示AI模型注册原因,通过上述第三原因可以使得第二设备获知第一设备发送上述第一信息的原因,进而根据该原因执行相应处理。
作为一种可选的实施方式,所述AI模型描述信息还包括如下至少一项:
第二AI模型数据收集条件,所述第二AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
第四原因信息,所述第四原因信息用于指示所述第一信息的触发原因为:网络侧辅助所述第一设备收集所述第一设备的AI模型的训练数据。
其中,上述第二AI模型数据收集条件可以是,第二设备为第一设备的AI模型辅助收集训练数据的收集条件,这样通过上述第二AI模型数据收集条件可以使得第二设备为第一设备收集更利于学习到输入与标签关系的数据集,进而提高训练后AI模型的预测性能。
上述四原因信息可以指示注册原因,通过上述第四原因可以使得网络侧辅助所述第一设备收集所述第一设备的AI模型的训练数据,进而通过训练提高AI模型的预测性能。且这里的收集可以是由网络侧收集该AI模型的部分训练数据,另一部分训练数据由第一设备收集,最后由第一设备获得完整的数据集。
上述实施方式中,第一设备可以是终端,第二设备可以是接入网设备,接入网设备辅助终端进行模型更新数据收集。
作为一种可选的实施方式,所述AI模型描述信息还包括如下至少一项:
第三AI模型数据收集条件,所述第三AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
AI模型训练数据配置信息;
第五原因信息,所述第五原因信息用于指示所述第一信息的触发原因为:网络侧收集所述第一设备的AI模型的训练数据。
其中,上述第三AI模型数据收集条件可以是,第二设备为第一设备的AI模型收集训练数据的收集条件,这样通过上述第三AI模型数据收集条件可以使得第二设备为第一设备的AI模型收集训练所需的输入和标签数据,进而通过训练提高AI模型的预测性能。
上述第五原因信息可以指示注册原因,通过上述第五原因可以使得网络侧收集所述第一设备的AI模型的训练数据,进而通过训练提高AI模型的预测性能。且这里的收集可以是由网络侧收集该AI模型的全部训练数据。
上述实施方式中,第一设备可以是终端,第二设备可以是接入网设备,接入网设备进行模型更新数据收集。
可选的,所述AI模型训练数据配置信息包括如下至少一项:
AI模型的输入数据项;
AI模型的标签数据项;
AI模型的输入数据格式;
AI模型的输出数据格式;
AI模型的样本数;
AI模型的数据存储需求;
AI模型的第三方训练配置。
其中,上述输入数据项可以是指AI模型输入的数据项,上述标签数据项可以是AI模型训练样本的标签的数据项。
上述输入数据项和标签数据项可以包括如下至少一项:
波束信道的参考信号接收功率(Reference Signal Receiving Power,RSRP);
波束信道的参考信号接收质量(Reference Signal Receiving Quality,RSRQ);
波束信道的信号与干扰加噪声比(Signal to Interference plus Noise Ratio,SINR);
小区信道的RSRP;
小区信道的RSRQ;
小区信道的SINR;
小区信道的接收信号强度指示(Received Signal Strength Indicator,RSSI);
小区信道冲激响应;
信道特征矩阵;
预编码矩阵指示(Precoding Matrix Indicator,PMI);
秩指示(rank indication,RI);
信道质量指示(Channel Quality Indication,CQI)。
通过上述AI模型的输入数据项、AI模型的标签数据项、AI模型的输入数据格式、AI模型的输出数据格式中的至少一项,可以使得第二设备可以收集到训练所需的输入和标签数据,进而通过模型训练提高AI模型的预测性能。
上述AI模型的数据存储需求可以是,第二设备存储所需训练数据的存储需求。
上述AI模型的第三方训练配置可以包括第三方标识,如目标IP地址。上述第三方配置可以是,例如第三方服务器信息,第三方应用程序编程接口(ApplicationProgramming Interface,API)接口。
可选的,所述第一设备向第二设备发送第一信息之前,所述方法还包括:
所述第一设备接收所述第二设备发送的第一请求,所述第一请求用于请求待收集的数据集。
其中,上述第一请求可以用于请求第二设备收集上述数据集。
该实施方式中,通过上述第二请求可以使得第二设备向第一设备提供第一设备需求的数据,不需要第一设备进行收集,进而节约第一设备的功耗。
作为一种可选的实施方式,所述第一设备向第二设备发送第一信息之前,所述方法还包括:
所述第一设备接收所述第二设备发送的第二请求,所述第二请求用于请求获取所述第一信息。
该实施方式中,通过上述第二请求可以请求第一设备及时向第二设备提供上述第一信息,进而第二设备可以基于上述第一信息确定对应的AI模型,以实现第一信息按需发送,过时而节约传输资源。
需要说明的是,上述第一信息也可以是第一设备按照协议约定或者预先配置进行发送的。
作为一种可选的实施方式,所述第一设备向第二设备发送第一信息之前,所述方法还包括:
所述第一设备接收第二信息,所述第二信息包括至少一个AI模型的信息;
所述AI模型描述信息包括:
所述第一设备基于所述第二信息选择的AI模型的描述信息。
其中,上述第一设备可以是AI模型部署设备,上述第二设备可以是接入网设备或者核心网设备,具体可以是模型注册中心,或模型标识中心。该实施方式中,模型选择在第一设备,如终端选择模型。
上述第二信息可以是接收接入网设备或者核心网设备发送的第二信息,例如:在上述第二设备为接入网设备的情况下,第一设备可以接收接入网设备或者核心网设备发送的第二信息。
上述实施方式中,可以实现如下:
第一设备从核心网设备接收第二信息,之后,第一设备向接入网设备发送第一信息,以向接入网设备注册AI模型;或者
第一设备从接入网设备接收第二信息,之后,第一设备向接入网设备发送第一信息,以向接入网设备注册AI模型;或者
第一设备从第一接入网设备接收第二信息,之后,第一设备向第二接入网设备发送第一信息,以向第二接入网设备注册AI模型。
例如:第一设备可能通过3GPP无感知的方式部署了AI模型,然后向基站注册,对应原因可以包括上述第一原因至上述第五原因;或者
第一设备也可能是通过接收第二信息,确定了部署模型,然后向基站注册,对应原因可以包括上述第一原因至上述第五原因。
该实施方式中,通过上述第二信息可以实现第一设备选择AI模型,从而可以使得选择的AI模型与第一设备更加匹配,进而提高第一设备的通信性能。
可选的,所述至少一个AI模型的信息包括如下至少一项:
至少一个AI模型的开发者信息;
至少一个AI模型的测评信息;
至少一个AI模型的运行条件。
其中,上述测评信息可以包括历史测评结果,性能排名和累积上线时间。
在一些实施方式中,上述至少一个AI模型的运行条件可以包括如下至少一项:
至少一个AI模型的运行范围、至少一个AI模型的连接条件、至少一个AI模型的算力条件、至少一个AI模型的算法条件、至少一个AI模型的数据条件。
其中,上述算力条件可以包括如下至少一项:
算力,例如每秒所执行的浮点运算次数(floating-point operations persecond,FLOPS)
存储;
总计算量;
耗电量。
上述算法条件可以包括如下至少一项:
支持的学习框架
支持的版本;
支持的算子;
支持的库;
支持的模型结构;
支持的开发环境。
通过上述至少一个AI模型的运行条件可以使得第一设备能够更好地选择与第一设备匹配的AI模型,进而提高第一设备的通信性能。
在一些实施方式中,所述至少一个AI模型的运行范围可以包括:
至少一个AI模型的推理结果涉及的设备数量;
在一些实施方式中,所述至少一个AI模型的连接条件可以包括如下至少一项:
至少一个AI模型的终端配置、至少一个AI模型的网络侧配置;
在一些实施方式中,所述至少一个AI模型的数据条件可以包括如下至少一项:
至少一个AI模型的数据项、至少一个AI模型的数据处理指示。
其中,上述数据处理指示可以包括如下至少一项:
预处理指示、后处理指示。
上述预处理指示可以包括:
预处理函数指示、独热码编码字典配置、数据归一化参数配置、数据正则化参数配置、数据标准化参数配置。
其中,上述独热码编码字典配置用于将相同物理含义的数据映射到相同的独热码。
上述后处理指示可以包括如下至少一项:
稀疏化配置指示;
隐私化配置指示;
对整个模型的输出进行后处理;
对模型的子模型的输出进行后处理。
上述实施方式中,通过上述运行范围、连接条件、算力条件、算法条件、数据条件中的至少一项,可以使得第一设备能够更好地选择与第一设备匹配的AI模型,进而提高第一设备的通信性能。
作为一种可选的实施方式,所述第一能力信息包括:
连接能力、算力能力、算法能力、数据能力。
其中,上述连接能力可以是第一设备的配置,如上述连接能力可以包括:所述第一设备连接网络的配置;
上述数据能力可以包括如下至少一项:
可提供的数据项、支持的数据处理指示。
其中,数据处理指示包括指定的神经网络和/或是指定的处理函数,其中,处理函数参见上述实施方式的相应说明,此处不作赘述。
上述算力能力可以包括如下至少一项:
算力,例如FLOPS
存储;
总计算量;
耗电量。
上述算法能力可以包括如下至少一项:
支持的学习框架;
支持的版本;
支持的算子;
支持的库;
支持的模型结构;
支持的开发环境。
该实施方式中,通过上述连接能力、算力能力、算法能力、数据能力可以使得第二设备选择与第一设备更加匹配的AI模型,进而提高第一设备的通信性能。
在一种实施方式中,所述第一设备向第二设备发送第一信息之后,所述方法还包括:
所述第一设备接收所述第二设备发送的第三信息,所述第三信息包括:所述第二设备基于所述第一信息选择的AI模型或者AI模型功能的信息。
其中,上述AI模型或者AI模型功能的信息可以是第二设备基于上述能力信息选择的与第一设备的能力匹配的AI模型,进而提高第一设备的通信性能。
该实施方式中,上述第一设备可以是模型部署设备,如终端,上述第二设备可以是模型注册中心,或模型标识中心,如接入网设备或者核心网设备,该实施方式中,AI模型选择由第二设备选择。
在另一种实施方式中,所述第一设备向第二设备发送第一信息之前,所述方法还包括:
所述第一设备接收所述第二设备发送的第四信息,所述第四信息包括至少一个AI模型的信息;
所述第一设备基于所述第四信息,确定AI模型和AI模型功能中的至少一项。
其中,上述至少一个AI模型的信息可以是第二设备基于上述能力信息选择的与第一设备的能力匹配的AI模型,第一设备再在这至少一个模型中选择AI模型,进而使得选择的AI与第一设备更加匹配,以提高第一设备的通信性能。
该实施方式中,上述第一设备可以是模型部署设备,如终端,上述第二设备可以是模型注册中心,或模型标识中心,如接入网设备或者核心网设备,该实施方式中,AI模型选择由第一设备选择。
在本申请实施例中,第一设备向第二设备发送第一信息,所述第一信息包括如下至少一项:AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。通过发送上述第一信息可以使得第一设备和第二设备之间对第一模型对应的AI模型更加容易理解一致,有利用提高第一设备和第二设备之间的通信性能。
请参见图3,图3是本申请实施例提供的一种模型信息传输方法的流程图,如图3所示,包括以下步骤:
步骤301、第二设备接收第一设备发送的第一信息,所述第一信息包括如下至少一项:
AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
可选的,所述AI模型描述信息包括如下至少一项:
AI模型功能、AI模型使用条件、AI模型标识信息。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第一设备的AI模型的预定义的输出格式指示;
所述第一设备的AI模型的灵活的输出格式指示;
第一原因信息,所述第一原因信息用于指示所述第一信息的触发原因为:网络侧使用所述终端的AI模型的推理结果;
所述第一设备的AI模型的历史测评信息或预测评信息。
可选的,所述历史测评信息或预测评信息包括如下至少一项:
测评指标、评估结果。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待激活AI模型的功能、所述第一设备已部署AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备待激活AI模型的标识信息;
所述第一设备已部署AI模型的标识信息。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的第一标识信息,所述第一标识信息为包括如下至少一项:所述第一设备待激活模型的标识信息;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的生命周期控制权限;
第二原因信息,所述第二原因信息用于指示所述第一信息的触发原因为:激活所述第一设备的AI模型。
可选的,所述生命周期控制权限包括如下至少一项:
所述第一设备对所述第一设备的AI模型的生命周期控制权限;
所述第二设备对所述第一设备的AI模型的生命周期控制权限。
可选的,所述生命周期控制权限包括如下至少一项:
模型激活控制权;
模型去激活控制权;
模型切换控制权;
模型回退控制权;
模型监视控制权。
可选的,所述AI模型使用条件包括如下至少一项:
AI模型配置条件、AI模型场景条件、AI模型数据条件。
可选的,所述AI模型数据条件包括如下至少一项:
网络辅助信息,所述网络辅助信息用于指示:所述第二设备提供所述第一设备的AI模型的辅助信息;
网络辅助配置,所述网络辅助配置用于指示:所述第二设备为所述第一设备的AI模型进行相关配置;
网络数据处理指示,所述网络数据处理指示用于指示如下至少一项:对所述第一设备的AI模的输入数据执行数据处理的方式、对第一设备的AI模的输出数据执行数据处理的方式;
拆分推理信息,所述拆分推理信息件为所述第一设备和所述第二设备进行模型拆分推理的信息。
可选的,所述第一设备和所述第二设备进行模型拆分推理包括:
所述第一设备作为AI模型的辅助推理,所述第二设备作为AI模型的联合推理;或者
所述第一设备作为AI模型的联合推理,所述第二设备作为AI模型的辅助推理。
可选的,所述拆分推理信息包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第二设备的AI模型的标识信息;
所述第一设备的AI模型的版本信息;
所述第二设备的AI模型的版本信息;
所述第一设备的AI模型的输出数据长度;
所述第一设备的AI模型的输出使用信息。
可选的,所述第一设备的AI模型的输出使用信息包括如下至少一项:
在所述第二设备联合推理的情况下的位置信息,所述位置信息用于表示:所述第一设备的AI模型的输出在联合推理输入中所处的位置;
指示信息,所述指示信息用于指示:所述第一设备的AI模型的输出与所述第二设备的AI模型输入的联合计算。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待监视AI模型的功能、所述第一设备的AI模型的功能;
所述AI模型描述信息还包括:
所述终端的待监视AI模型的标识信息;
所述终端的非待监视AI模型的标识信息。
可选的,所述第一设备的待监视AI模型包括如下至少一项:
所述第一设备的已激活AI模型;
所述第一设备的未激活待监视AI模型。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的关联性能指标;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的状态信息;
第一AI模型数据收集条件,所述第一AI模型数据收集条件包括监视数据收集条件中的至少一项;
第三原因信息,所述第三原因信息用于指示所述第一信息的触发原因为:监听所述第一设备的AI模型。
可选的,所述AI模型描述信息还包括如下至少一项:
第二AI模型数据收集条件,所述第二AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
第四原因信息,所述第四原因信息用于指示所述第一信息的触发原因为:网络侧辅助所述第一设备收集所述第一设备的AI模型的训练数据。
可选的,所述AI模型描述信息还包括如下至少一项:
第三AI模型数据收集条件,所述第三AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
AI模型训练数据配置信息;
第五原因信息,所述第五原因信息用于指示所述第一信息的触发原因为:网络侧收集所述第一设备的AI模型的训练数据。
可选的,所述AI模型训练数据配置信息包括如下至少一项:
AI模型的输入数据项;
AI模型的标签数据项;
AI模型的输入数据格式;
AI模型的输出数据格式;
AI模型的样本数;
AI模型的数据存储需求;
AI模型的第三方训练配置。
可选的,所述第二设备接收第一设备发送的第一信息之前,所述方法还包括:
所述第二设备向所述第一设备发送第一请求,所述第一请求用于请求待收集的数据集。
可选的,所述第二设备接收第一设备发送的第一信息之前,所述方法还包括:
所述第二设备向所述第一设备发送第二请求,所述第二请求用于请求获取所述第一信息。
可选的,所述第二设备接收第一设备发送的第一信息之前,所述方法还包括:
所述第二设备向所述第一设备发送第二信息,所述第二信息包括至少一个AI模型的信息;
所述AI模型描述信息包括:
所述第一设备基于所述第二信息选择的AI模型的描述信息。
可选的,所述至少一个AI模型的信息包括如下至少一项:
至少一个AI模型的开发者信息;
至少一个AI模型的测评信息;
至少一个AI模型的运行条件。
可选的,所述至少一个AI模型的运行条件包括如下至少一项:
至少一个AI模型的运行范围、至少一个AI模型的连接条件、至少一个AI模型的算力条件、至少一个AI模型的算法条件、至少一个AI模型的数据条件。
可选的,所述至少一个AI模型的运行范围包括:
至少一个AI模型的推理结果涉及的设备数量;
和/或,所述至少一个AI模型的连接条件包括如下至少一项:
至少一个AI模型的终端配置、至少一个AI模型的网络侧配置;
和/或,所述至少一个AI模型的数据条件包括如下至少一项:
至少一个AI模型的数据项、至少一个AI模型的数据处理指示。
可选的,所述数据处理指示包括如下至少一项:
预处理指示、后处理指示。
可选的,所述预处理指示包括:
预处理函数指示、独热码编码字典配置、数据归一化参数配置、数据正则化参数配置、数据标准化参数配置;
所述后处理指示包括如下至少一项:
稀疏化配置指示;
隐私化配置指示;
对整个模型的输出进行后处理;
对模型的子模型的输出进行后处理。
可选的,所述第二设备向所述第一设备发送第二信息之前,所述方法还包括:
所述第二设备根据运行条件、所述第二设备的信息和所述第一设备的信息中的至少一项,确定所述至少一个AI模型。
可选的,所述第二设备根据运行条件、所述第二设备的信息和所述第一设备的信息中的至少一项,确定所述至少一个AI模型之前,所述方法还包括:
所述第二设备接收第三设备发送的第五信息,所述第五信息包括:AI模型描述信息。
可选的,所述第一能力信息包括:
连接能力、算力能力、算法能力、数据能力。
所述连接能力包括:所述第一设备连接网络的配置;
和/或,所述数据能力包括如下至少一项:
可提供的数据项、支持的数据处理指示。
可选的,所述第二设备接收第一设备发送的第一信息之后,所述方法还包括:
所述第二设备向所述第一设备发送第三信息,所述第三信息包括:所述第二设备基于所述第一信息选择的AI模型或者AI模型功能的信息。
可选的,所述第二设备接收第一设备发送的第一信息之前,所述方法还包括:
所述第二设备向所述第一设备发送第四信息,所述第四信息包括至少一个AI模型的信息。
需要说明的是,本实施例作为与图2所示的实施例中对应的第二设备的实施方式,其具体的实施方式可以参见图2所示的实施例的相关说明,以为避免重复说明,本实施例不再赘述。
下面通过多个实施例对本申请实施例提供的模型信息传输方法进行举例说明:
其中,在下面多个实施例中以下场景进行举例:
第一设备为模型部署设备,第二设备为模型注册中心,或模型标识中心,第三设备为模型生产设备。
在下面多个实施例可以包括表1所示的多个场景:
表1:
实施例1(场景3b):推理结果使用在基站,第一设备是终端,第二设备是基站
该实施例中,如图4所示,包括如下步骤:
第一设备向第二设备发送第一信息。
其中,第一信息包括模型功能和模型使用条件,还可以包括如下至少一项
第一设备的模型监视结果;
模型标识;
预定义的输出格式指示;
灵活的输出格式指示;
注册原因。
其中,本场景对应的注册原因为网络使用模型推理结果,模型使用条件包括了第二设备的配置和场景条件。
可选的,在第一设备向第二设备发送第一信息之前,第二设备向第一设备请求已激活的AI模型或功能。
实施例2(场景2):激活控制在基站,第一设备是终端,第二设备是基站
该实施例,如图5所示,包括如下步骤:
第一设备向第二设备发送第一信息。
其中,第一信息包括模型功能,第一列表和模型使用条件,还包括如下至少一项
模型标识;
第一能力,第一能力可以包括连接能力、算力能力、算法能力和数据能力中的至少一项;
历史测评信息或预测评信息;
AI模型生命周期控制权限;
注册原因。
其中,第一列表包括如下至少一项
所述第一设备待激活AI模型的标识信息;
所述第一设备已部署AI模型的标识信息;
其中,上述第一设备待激活AI模型的标识信息可以是,待激活AI模型列表,上述已部署AI模型的标识信息可以是,已部署AI模型列表。
该实施例中如图5所示,还包括:
第一设备接收第二设备发送的第二列表。
其中,第二列表是第二设备指示激活模型或功能列表。
上述AI生命周期控制权限指示了第一设备具有控制权限的操作和/或第二设备具有控制权限的操作。
该实施例中,注册原因是激活控制。AI生命周期控制权限指示包括如下至少一项
模型激活控制权指示;
模型去激活控制权指示;
模型切换控制权指示;
模型回退控制权指示;
模型监视控制权指示。
该实施例中,模型使用条件包括了第二设备的配置和场景条件,还可以包括数据条件。
其中,数据条件包括
网络辅助信息;
网络辅助配置;
网络数据处理指示;
拆分推理条件;
其中,网络数据处理指示确定了指定的处理函数。
上述网络数据处理指示也可以由一个用户组标识指示。相同的用户组使用相同的数据处理指示。
另外,可选的,第一设备向第二设备发送第一信息之前,在第二设备向第一设备请求待激活的AI模型或功能。
实施例3(场景3a):模型监视在第二设备,第一设备是终端,第二设备是基站或核心网实体
该实施例中如图6所示,包括如下步骤:
第一设备向第二设备发送第一信息。
其中,第一信息包括模型功能,第三列表和模型使用条件,还可以包括如下信息模型标识;
功能关联的性能指标;
历史测评信息或预测评信息;
当前状态;
数据收集条件;
注册原因。
其中,第三列表包括如下至少一项:
所述第一设备的待监视AI模型的标识信息;
所述第一设备的非待监视AI模型的标识信息。
其中,上述第一设备的待监视AI模型的标识信息可以是,待监视AI模型列表,上述非待监视AI模型的标识信息可以是,非待监视AI模型列表。
该实施例中,注册原因是模型监视。模型使用条件包括了第二设备的配置和场景条件,数据收集条件是监视数据收集条件。
模型或功能关联的性能指标可以作为网络监视模型性能的参考指标。
可选的,在第一设备向第二设备发送第一信息之前,第二设备可以向第一设备请求待监视的AI模型或功能。
实施例4(场景4a):网络辅助终端进行模型更新数据收集,第一设备是终端,第二设备是基站
该实施例中,可以是在元学习训练的模型,在模型部署之后,需要先进行模型更新,再推理。因此,终端部署了模型后,需要先收集一小部分训练数据。
如图7所示,包括如下步骤:
第一设备向第二设备发送第一信息。第一信息包括模型使用条件和数据收集条件。还可以包括注册原因。
该实施例中,注册原因是训练数据收集。模型使用条件包括了第二设备的配置和场景条件,数据收集条件是训练数据收集条件。
实施例5(场景4b):第二设备进行数据收集,第一设备是终端,第二设备是基站或核心网功能
该实施例中,如图8所示,包括如下步骤:
第一设备向第二设备发送第一信息。
其中,第一信息包括模型使用条件,数据收集条件,还可以包括如下至少一项
输入与标签的数据项;
输入数据格式和输出数据格式;
样本数目;
存储需求;
第三方训练配置;
注册原因。
其中,第三训练配置包括第三方标识,目标IP地址。
该实施例中,注册原因是网络训练数据收集,模型使用条件包括了第二设备的配置和场景条件,数据收集条件是训练数据收集条件。
在第一设备向第二设备发送第一信息之前,第二设备可以向第一设备请求待收集的数据集。
实施例6(场景1b):模型选择在终端,第一设备是终端,第二设备是基站或核心网功能,且第一设备为模型部署设备,第二设备可以模型注册中心,或模型标识中心。
该实施例,如图9所示,包括如下步骤:
第一设备接收来自第二设备的第二信息;
第一设备选择模型或功能,并反馈选择结果给第二设备。
其中,第二信息包括开发者信息,模型测评和运行条件。其中,模型测评包括历史测评结果,性能排名和累积上线时间。运行条件包括运行范围,连接条件,算力条件,算法条件和数据条件。
其中,上述运行范围包括涉及的终端和基站数,包括如下至少一项:
1个基站和1个终端;
多个基站和1个终端;
1个终端和多个基站;
多个基站和多个终端。
上述连接条件包括有效的终端配置和基站配置。
上述数据条件包括数据项和数据处理指示。其中,数据处理指示包括指定的神经网络和/或是指定的处理函数。
如图9所示,还包括:
第二设备根据运行条件,以及基站和终端的信息确定候选模型或功能。
实施例7(场景1之前):注册中心从模型生产设备获得模型,第二设备是基站或核心网功能,第三设备是核心网功能或第三方服务器,且第二设备为模型注册中心,或模型标识中心,第三设备为模型生产设备。
如图10所示,包括如下步骤:
第二设备接收第三设备发送的第五信息。
其中,第五信息包括模型功能,开发者信息,模型测评和运行条件,还可以包括模型标识和/或注册原因。
其中,模型测评包括历史测评结果,性能排名和累积上线时间。运行条件包括运行范围,连接条件,算力条件,算法条件和数据条件。
上述运行范围包括涉及的终端和基站数,包括如下至少一项:
1个基站和1个终端;
多个基站和1个终端;
1个终端和多个基站;
多个基站和多个终端;
上述连接条件包括有效的终端配置和基站配置。
上述数据条件包括数据项和数据处理指示。其中,数据处理指示包括指定的神经网络和/或是指定的处理函数。
在第二设备接收第三设备发送的第五信息之前,第二设备可以询问第三设备是否有需要注册的模型或功能。
实施例8(场景1a):模型选择在第二设备,第一设备是终端,第二设备是基站或核心网功能,其中,第一设备为模型部署设备,第二设备为模型注册中心,或模型标识中心。
如图11所示,包括如下步骤:
第一设备向第二设备发送第一信息。第一信息包括第一能力。第一能力包括了连接、算力能力、算法能力和数据能力。
其中,连接能力指终端配置。
上述数据能力包括可提供的数据项和可支持的数据处理指示,数据处理指示包括指定的神经网络和/或是指定的处理函数。
上述第二设备基于第一能力确定模型或功能,并反馈选择结果给第一设备。
当第一设备是终端,第二设备是基站或核心网功能时,第一能力可以通过能力上报信令承载。
在第一设备向第二设备发送第一信息之前,第二设备可以询问第一设备的第一能力。
实施例9(场景1c):模型选择在终端,第一设备是终端,第二设备是基站或核心网功能,其中,第一设备为模型部署设备,第二设备为模型注册中心,或模型标识中心。
如图12所示,包括如下步骤:
第一设备向第二设备发送第一信息。第一信息包括第一能力。第一能力包括了连接、算力能力、算法能力和数据能力。
第一设备接收第二设备发送的第二信息,并确定模型或功能。其中,第二信息包括开发者信息,模型测评和运行条件。其中,模型测评包括历史测评结果,性能排名和累积上线时间。运行条件包括运行范围,连接条件,算力条件,算法条件和数据条件。
其中,运行范围包括涉及的终端和基站数,如包括如下至少一项:
1个基站和1个终端;
多个基站和1个终端;
1个终端和多个基站;
多个基站和多个终端。
上述连接能力可以是指终端配置。
上述数据能力包括可提供的数据项和可支持的数据处理指示,其中,数据处理指示包括指定的神经网络和/或是指定的处理函数。
如图12所示,还包括如下步骤:
第二设备基于第一能力对模型进行筛选,确定候选模型或功能。
其中,当第一设备是终端,第二设备是基站或核心网功能时,第一能力可以通过能力上报信令承载。
在第一设备向第二设备发送第一信息之前,第二设备可以询问第一设备的第一能力。
本申请实施例提供的模型信息传输方法,执行主体可以为模型信息传输装置。本申请实施例中以模型信息传输置执行模型信息传输方法为例,说明本申请实施例提供的模型信息传输装置。
请参见图13,图13是本申请实施例提供的一种模型信息传输装置的结构图,如图13所示,模型信息传输装置1300包括:
发送模块1301,用于向第二设备发送第一信息,所述第一信息包括如下至少一项:
人工智能AI模型描述信息,所述AI模型描述信息用于描述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
可选的,所述AI模型描述信息包括如下至少一项:
AI模型功能、AI模型使用条件、AI模型标识信息。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第一设备的AI模型的预定义的输出格式指示;
所述第一设备的AI模型的灵活的输出格式指示;
第一原因信息,所述第一原因信息用于指示所述第一信息的触发原因为:网络侧使用所述终端的AI模型的推理结果;
所述第一设备的AI模型的历史测评信息或预测评信息。
可选的,所述历史测评信息或预测评信息包括如下至少一项:
测评指标、评估结果。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待激活AI模型的功能、所述第一设备已部署AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备待激活AI模型的标识信息;
所述第一设备已部署AI模型的标识信息。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的第一标识信息,所述第一标识信息为包括如下至少一项:所述第一设备待激活模型的标识信息;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的生命周期控制权限;
第二原因信息,所述第二原因信息用于指示所述第一信息的触发原因为:激活所述第一设备的AI模型。
可选的,所述生命周期控制权限包括如下至少一项:
所述第一设备对所述第一设备的AI模型的生命周期控制权限;
所述第二设备对所述第一设备的AI模型的生命周期控制权限。
可选的,所述生命周期控制权限包括如下至少一项:
模型激活控制权;
模型去激活控制权;
模型切换控制权;
模型回退控制权;
模型监视控制权。
可选的,所述AI模型使用条件包括如下至少一项:
AI模型配置条件、AI模型场景条件、AI模型数据条件。
可选的,所述AI模型数据条件包括如下至少一项:
网络辅助信息,所述网络辅助信息用于指示:所述第二设备提供所述第一设备的AI模型的辅助信息;
网络辅助配置,所述网络辅助配置用于指示:所述第二设备为所述第一设备的AI模型进行相关配置;
网络数据处理指示,所述网络数据处理指示用于指示如下至少一项:对所述第一设备的AI模的输入数据执行数据处理的方式、对第一设备的AI模的输出数据执行数据处理的方式;
拆分推理信息,所述拆分推理信息件为所述第一设备和所述第二设备进行模型拆分推理的信息。
可选的,所述第一设备和所述第二设备进行模型拆分推理包括:
所述第一设备作为AI模型的辅助推理,所述第二设备作为AI模型的联合推理;或者
所述第一设备作为AI模型的联合推理,所述第二设备作为AI模型的辅助推理。
可选的,所述拆分推理信息包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第二设备的AI模型的标识信息;
所述第一设备的AI模型的版本信息;
所述第二设备的AI模型的版本信息;
所述第一设备的AI模型的输出数据长度;
所述第一设备的AI模型的输出使用信息。
可选的,所述第一设备的AI模型的输出使用信息包括如下至少一项:
在所述第二设备联合推理的情况下的位置信息,所述位置信息用于表示:所述第一设备的AI模型的输出在联合推理输入中所处的位置;
指示信息,所述指示信息用于指示:所述第一设备的AI模型的输出与所述第二设备的AI模型输入的联合计算。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待监视AI模型的功能、所述第一设备的AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备的待监视AI模型的标识信息;
所述第一设备的非待监视AI模型的标识信息。
可选的,所述第一设备的待监视AI模型包括如下至少一项:
所述第一设备的已激活AI模型;
所述第一设备的未激活待监视AI模型。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的关联性能指标;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的状态信息;
第一AI模型数据收集条件,所述第一AI模型数据收集条件包括监视数据收集条件中的至少一项;
第三原因信息,所述第三原因信息用于指示所述第一信息的触发原因为:监听所述第一设备的AI模型。
可选的,所述AI模型描述信息还包括如下至少一项:
第二AI模型数据收集条件,所述第二AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
第四原因信息,所述第四原因信息用于指示所述第一信息的触发原因为:网络侧辅助所述第一设备收集所述第一设备的AI模型的训练数据。
可选的,所述AI模型描述信息还包括如下至少一项:
第三AI模型数据收集条件,所述第三AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
AI模型训练数据配置信息;
第五原因信息,所述第五原因信息用于指示所述第一信息的触发原因为:网络侧收集所述第一设备的AI模型的训练数据。
可选的,所述AI模型训练数据配置信息包括如下至少一项:
AI模型的输入数据项;
AI模型的标签数据项;
AI模型的输入数据格式;
AI模型的输出数据格式;
AI模型的样本数;
AI模型的数据存储需求;
AI模型的第三方训练配置。
可选的,所述装置还包括:
第一接收模块,用于接收所述第二设备发送的第一请求,所述第一请求用于请求待收集的数据集。
可选的,所述装置还包括:
第二接收模块,用于接收所述第二设备发送的第二请求,所述第二请求用于请求获取所述第一信息。
可选的,所述装置还包括:
第三接收模块,用于接收第二信息,所述第二信息包括至少一个AI模型的信息;
所述AI模型描述信息包括:
所述第一设备基于所述第二信息选择的AI模型的描述信息。
可选的,所述至少一个AI模型的信息包括如下至少一项:
至少一个AI模型的开发者信息;
至少一个AI模型的测评信息;
至少一个AI模型的运行条件。
可选的,所述至少一个AI模型的运行条件包括如下至少一项:
至少一个AI模型的运行范围、至少一个AI模型的连接条件、至少一个AI模型的算力条件、至少一个AI模型的算法条件、至少一个AI模型的数据条件。
可选的,所述至少一个AI模型的运行范围包括:
至少一个AI模型的推理结果涉及的设备数量;
和/或,所述至少一个AI模型的连接条件包括如下至少一项:
至少一个AI模型的终端配置、至少一个AI模型的网络侧配置;
和/或,所述至少一个AI模型的数据条件包括如下至少一项:
至少一个AI模型的数据项、至少一个AI模型的数据处理指示。
可选的,所述数据处理指示包括如下至少一项:
预处理指示、后处理指示。
可选的,所述预处理指示包括:
预处理函数指示、独热码编码字典配置、数据归一化参数配置、数据正则化参数配置、数据标准化参数配置;
所述后处理指示包括如下至少一项:
稀疏化配置指示;
隐私化配置指示;
对整个模型的输出进行后处理;
对模型的子模型的输出进行后处理。
可选的,所述第一能力信息包括:
连接能力、算力能力、算法能力、数据能力。
可选的,所述连接能力包括:所述第一设备连接网络的配置;
和/或,所述数据能力包括如下至少一项:
可提供的数据项、支持的数据处理指示。
可选的,所述装置还包括:
第四接收模块,用于接收所述第二设备发送的第三信息,所述第三信息包括:所述第二设备基于所述第一信息选择的AI模型或者AI模型功能的信息。
可选的,所述装置还包括:
第五接收模块,用于所述第一设备接收所述第二设备发送的第四信息,所述第四信息包括至少一个AI模型的信息;
确定模块,用于基于所述第四信息,确定AI模型和AI模型功能中的至少一项。
上述模型信息传输装置有利用提高第一设备和第二设备之间的通信性能。
本申请实施例中的模型信息传输装置可以是电子设备,例如具有操作***的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。例如:该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,终端可以包括但不限于本申请实施例所列举的终端的类型,其他设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)等,本申请实施例不作具体限定。
本申请实施例提供的模型信息传输装置能够实现图2所示的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
请参见图14,图14是本申请实施例提供的一种模型信息传输装置的结构图,如图14所示,模型信息传输装置1400包括:
接收模块1401,用于接收第一设备发送的第一信息,所述第一信息包括如下至少一项:
人工智能AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
可选的,所述AI模型描述信息包括如下至少一项:
AI模型功能、AI模型使用条件、AI模型标识信息。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第一设备的AI模型的预定义的输出格式指示;
所述第一设备的AI模型的灵活的输出格式指示;
第一原因信息,所述第一原因信息用于指示所述第一信息的触发原因为:网络侧使用所述终端的AI模型的推理结果;
所述第一设备的AI模型的历史测评信息或预测评信息。
可选的,所述历史测评信息或预测评信息包括如下至少一项:
测评指标、评估结果。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待激活AI模型的功能、所述第一设备已部署AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备待激活AI模型的标识信息;
所述第一设备已部署AI模型的标识信息。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的第一标识信息,所述第一标识信息为包括如下至少一项:所述第一设备待激活模型的标识信息;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的生命周期控制权限;
第二原因信息,所述第二原因信息用于指示所述第一信息的触发原因为:激活所述第一设备的AI模型。
可选的,所述生命周期控制权限包括如下至少一项:
所述第一设备对所述第一设备的AI模型的生命周期控制权限;
所述第二设备对所述第一设备的AI模型的生命周期控制权限。
可选的,所述生命周期控制权限包括如下至少一项:
模型激活控制权;
模型去激活控制权;
模型切换控制权;
模型回退控制权;
模型监视控制权。
可选的,所述AI模型使用条件包括如下至少一项:
AI模型配置条件、AI模型场景条件、AI模型数据条件。
可选的,所述AI模型数据条件包括如下至少一项:
网络辅助信息,所述网络辅助信息用于指示:所述第二设备提供所述第一设备的AI模型的辅助信息;
网络辅助配置,所述网络辅助配置用于指示:所述第二设备为所述第一设备的AI模型进行相关配置;
网络数据处理指示,所述网络数据处理指示用于指示如下至少一项:对所述第一设备的AI模的输入数据执行数据处理的方式、对第一设备的AI模的输出数据执行数据处理的方式;
拆分推理信息,所述拆分推理信息件为所述第一设备和所述第二设备进行模型拆分推理的信息。
可选的,所述第一设备和所述第二设备进行模型拆分推理包括:
所述第一设备作为AI模型的辅助推理,所述第二设备作为AI模型的联合推理;或者
所述第一设备作为AI模型的联合推理,所述第二设备作为AI模型的辅助推理。
可选的,所述拆分推理信息包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第二设备的AI模型的标识信息;
所述第一设备的AI模型的版本信息;
所述第二设备的AI模型的版本信息;
所述第一设备的AI模型的输出数据长度;
所述第一设备的AI模型的输出使用信息。
可选的,所述第一设备的AI模型的输出使用信息包括如下至少一项:
在所述第二设备联合推理的情况下的位置信息,所述位置信息用于表示:所述第一设备的AI模型的输出在联合推理输入中所处的位置;
指示信息,所述指示信息用于指示:所述第一设备的AI模型的输出与所述第二设备的AI模型输入的联合计算。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待监视AI模型的功能、所述第一设备的AI模型的功能;
所述AI模型描述信息还包括:
所述终端的待监视AI模型的标识信息;
所述终端的非待监视AI模型的标识信息。
可选的,所述第一设备的待监视AI模型包括如下至少一项:
所述第一设备的已激活AI模型;
所述第一设备的未激活待监视AI模型。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的关联性能指标;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的状态信息;
第一AI模型数据收集条件,所述第一AI模型数据收集条件包括监视数据收集条件中的至少一项;
第三原因信息,所述第三原因信息用于指示所述第一信息的触发原因为:监听所述第一设备的AI模型。
可选的,所述AI模型描述信息还包括如下至少一项:
第二AI模型数据收集条件,所述第二AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
第四原因信息,所述第四原因信息用于指示所述第一信息的触发原因为:网络侧辅助所述第一设备收集所述第一设备的AI模型的训练数据。
可选的,所述AI模型描述信息还包括如下至少一项:
第三AI模型数据收集条件,所述第三AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
AI模型训练数据配置信息;
第五原因信息,所述第五原因信息用于指示所述第一信息的触发原因为:网络侧收集所述第一设备的AI模型的训练数据。
可选的,所述AI模型训练数据配置信息包括如下至少一项:
AI模型的输入数据项;
AI模型的标签数据项;
AI模型的输入数据格式;
AI模型的输出数据格式;
AI模型的样本数;
AI模型的数据存储需求;
AI模型的第三方训练配置。
可选的,所述装置还包括:
第一发送模块,用于向所述第一设备发送第一请求,所述第一请求用于请求待收集的数据集。
可选的,所述装置还包括:
第二发送模块,用于向所述第一设备发送第二请求,所述第二请求用于请求获取所述第一信息。
可选的,所述装置还包括:
第三发送模块,用于向所述第一设备发送第二信息,所述第二信息包括至少一个AI模型的信息;
所述AI模型描述信息包括:
所述第一设备基于所述第二信息选择的AI模型的描述信息。
可选的,所述至少一个AI模型的信息包括如下至少一项:
至少一个AI模型的开发者信息;
至少一个AI模型的测评信息;
至少一个AI模型的运行条件。
可选的,所述至少一个AI模型的运行条件包括如下至少一项:
至少一个AI模型的运行范围、至少一个AI模型的连接条件、至少一个AI模型的算力条件、至少一个AI模型的算法条件、至少一个AI模型的数据条件。
可选的,所述至少一个AI模型的运行范围包括:
至少一个AI模型的推理结果涉及的设备数量;
和/或,所述至少一个AI模型的连接条件包括如下至少一项:
至少一个AI模型的终端配置、至少一个AI模型的网络侧配置;
和/或,所述至少一个AI模型的数据条件包括如下至少一项:
至少一个AI模型的数据项、至少一个AI模型的数据处理指示。
可选的,所述数据处理指示包括如下至少一项:
预处理指示、后处理指示。
可选的,所述预处理指示包括:
预处理函数指示、独热码编码字典配置、数据归一化参数配置、数据正则化参数配置、数据标准化参数配置;
所述后处理指示包括如下至少一项:
稀疏化配置指示;
隐私化配置指示;
对整个模型的输出进行后处理;
对模型的子模型的输出进行后处理。
可选的,所述装置还包括:
确定模块,用于根据运行条件、所述第二设备的信息和所述第一设备的信息中的至少一项,确定所述至少一个AI模型。
可选的,所述第二设备根据运行条件、所述第二设备的信息和所述第一设备的信息中的至少一项,确定所述至少一个AI模型之前,所述方法还包括:
所述第二设备接收第三设备发送的第五信息,所述第五信息包括:AI模型描述信息。
可选的,所述第一能力信息包括:
连接能力、算力能力、算法能力、数据能力。
所述连接能力包括:所述第一设备连接网络的配置;
和/或,所述数据能力包括如下至少一项:
可提供的数据项、支持的数据处理指示。
可选的,所述第二设备接收第一设备发送的第一信息之后,所述方法还包括:
所述第二设备向所述第一设备发送第三信息,所述第三信息包括:所述第二设备基于所述第一信息选择的AI模型或者AI模型功能的信息。
可选的,所述装置还包括:
第四发送模块,用于向所述第一设备发送第四信息,所述第四信息包括至少一个AI模型的信息。
本申请实施例中的模型信息传输装置可以是电子设备,例如具有操作***的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端或网络侧设备。
本申请实施例提供的模型信息传输装置能够实现图3所示的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选的,如图15所示,本申请实施例还提供一种通信设备1500,包括处理器1501和存储器1502,存储器1502上存储有可在所述处理器1501上运行的程序或指令,例如,该通信设备1500为终端时,该程序或指令被处理器1501执行时实现上述终端侧的模型信息传输方法实施例的各个步骤,且能达到相同的技术效果。该通信设备1500为网络侧设备时,该程序或指令被处理器1501执行时实现上述网络侧的模型信息传输方法实施例的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种通信设备,包括处理器及通信接口,其中,所述通信接口用于向第二设备发送第一信息,所述第一信息包括如下至少一项:人工智能AI模型描述信息,所述AI模型描述信息用于描述第一设备对应的AI模型;与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。该通信设备实施例与上述模型信息传输方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该通信设备实施例中,且能达到相同的技术效果。
具体地,图16为实现本申请实施例的一种通信设备的硬件结构示意图,该通信设备为第一设备,该实施例中以第一设备为终端进行举例说明。
该通信设备1600包括但不限于:射频单元1601、网络模块1602、音频输出单元1603、输入单元1604、传感器1605、显示单元1606、用户输入单元1607、接口单元1608、存储器1609以及处理器1610等中的至少部分部件。
本领域技术人员可以理解,通信设备1600还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理***与处理器1610逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。图16中示出的通信设备结构并不构成对通信设备的限定,通信设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元1604可以包括图形处理单元(GraphicsProcessing Unit,GPU)16041和麦克风16042,图形处理单元16041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1606可包括显示面板16061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板16061。用户输入单元1607包括触控面板16071以及其他输入设备16072中的至少一种。触控面板16071,也称为触摸屏。触控面板16071可包括触摸检测装置和触摸控制器两个部分。其他输入设备16072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元1601接收来自网络侧设备的下行数据后,可以传输给处理器1610进行处理;另外,射频单元1601可以向网络侧设备发送上行数据。通常,射频单元1601包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器1609可用于存储软件程序或指令以及各种数据。存储器1609可主要包括存储程序或指令的第一存储区和存储数据的第二存储区,其中,第一存储区可存储操作***、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器1609可以包括易失性存储器或非易失性存储器,或者,存储器1609可以包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本申请实施例中的存储器1609包括但不限于这些和任意其它适合类型的存储器。
处理器1610可包括一个或多个处理单元;可选的,处理器1610集成应用处理器和调制解调处理器,其中,应用处理器主要处理涉及操作***、用户界面和应用程序等的操作,调制解调处理器主要处理无线通信信号,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器1610中。
其中,射频单元1601用于:向第二设备发送第一信息,所述第一信息包括如下至少一项:
AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
可选的,所述AI模型描述信息包括如下至少一项:
AI模型功能、AI模型使用条件、AI模型标识信息。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第一设备的AI模型的预定义的输出格式指示;
所述第一设备的AI模型的灵活的输出格式指示;
第一原因信息,所述第一原因信息用于指示所述第一信息的触发原因为:网络侧使用所述终端的AI模型的推理结果;
所述第一设备的AI模型的历史测评信息或预测评信息。
可选的,所述历史测评信息或预测评信息包括如下至少一项:
测评指标、评估结果。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待激活AI模型的功能、所述第一设备已部署AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备待激活AI模型的标识信息;
所述第一设备已部署AI模型的标识信息。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的第一标识信息,所述第一标识信息为包括如下至少一项:所述第一设备待激活模型的标识信息;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的生命周期控制权限;
第二原因信息,所述第二原因信息用于指示所述第一信息的触发原因为:激活所述第一设备的AI模型。
可选的,所述生命周期控制权限包括如下至少一项:
所述第一设备对所述第一设备的AI模型的生命周期控制权限;
所述第二设备对所述第一设备的AI模型的生命周期控制权限。
可选的,所述生命周期控制权限包括如下至少一项:
模型激活控制权;
模型去激活控制权;
模型切换控制权;
模型回退控制权;
模型监视控制权。
可选的,所述AI模型使用条件包括如下至少一项:
AI模型配置条件、AI模型场景条件、AI模型数据条件。
可选的,所述AI模型数据条件包括如下至少一项:
网络辅助信息,所述网络辅助信息用于指示:所述第二设备提供所述第一设备的AI模型的辅助信息;
网络辅助配置,所述网络辅助配置用于指示:所述第二设备为所述第一设备的AI模型进行相关配置;
网络数据处理指示,所述网络数据处理指示用于指示如下至少一项:对所述第一设备的AI模的输入数据执行数据处理的方式、对第一设备的AI模的输出数据执行数据处理的方式;
拆分推理信息,所述拆分推理信息件为所述第一设备和所述第二设备进行模型拆分推理的信息。
可选的,所述第一设备和所述第二设备进行模型拆分推理包括:
所述第一设备作为AI模型的辅助推理,所述第二设备作为AI模型的联合推理;或者
所述第一设备作为AI模型的联合推理,所述第二设备作为AI模型的辅助推理。
可选的,所述拆分推理信息包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第二设备的AI模型的标识信息;
所述第一设备的AI模型的版本信息;
所述第二设备的AI模型的版本信息;
所述第一设备的AI模型的输出数据长度;
所述第一设备的AI模型的输出使用信息。
可选的,所述第一设备的AI模型的输出使用信息包括如下至少一项:
在所述第二设备联合推理的情况下的位置信息,所述位置信息用于表示:所述第一设备的AI模型的输出在联合推理输入中所处的位置;
指示信息,所述指示信息用于指示:所述第一设备的AI模型的输出与所述第二设备的AI模型输入的联合计算。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待监视AI模型的功能、所述第一设备的AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备的待监视AI模型的标识信息;
所述第一设备的非待监视AI模型的标识信息。
可选的,所述第一设备的待监视AI模型包括如下至少一项:
所述第一设备的已激活AI模型;
所述第一设备的未激活待监视AI模型。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的关联性能指标;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的状态信息;
第一AI模型数据收集条件,所述第一AI模型数据收集条件包括监视数据收集条件中的至少一项;
第三原因信息,所述第三原因信息用于指示所述第一信息的触发原因为:监听所述第一设备的AI模型。
可选的,所述AI模型描述信息还包括如下至少一项:
第二AI模型数据收集条件,所述第二AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
第四原因信息,所述第四原因信息用于指示所述第一信息的触发原因为:网络侧辅助所述第一设备收集所述第一设备的AI模型的训练数据。
可选的,所述AI模型描述信息还包括如下至少一项:
第三AI模型数据收集条件,所述第三AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
AI模型训练数据配置信息;
第五原因信息,所述第五原因信息用于指示所述第一信息的触发原因为:网络侧收集所述第一设备的AI模型的训练数据。
可选的,所述AI模型训练数据配置信息包括如下至少一项:
AI模型的输入数据项;
AI模型的标签数据项;
AI模型的输入数据格式;
AI模型的输出数据格式;
AI模型的样本数;
AI模型的数据存储需求;
AI模型的第三方训练配置。
可选的,所述向第二设备发送第一信息之前,射频单元1601还用于:
接收所述第二设备发送的第一请求,所述第一请求用于请求待收集的数据集。
可选的,所述向第二设备发送第一信息之前,射频单元1601还用于:
接收所述第二设备发送的第二请求,所述第二请求用于请求获取所述第一信息。
可选的,所述向第二设备发送第一信息之前,射频单元1601还用于:
接收第二信息,所述第二信息包括至少一个AI模型的信息;
所述AI模型描述信息包括:
所述第一设备基于所述第二信息选择的AI模型的描述信息。
可选的,所述至少一个AI模型的信息包括如下至少一项:
至少一个AI模型的开发者信息;
至少一个AI模型的测评信息;
至少一个AI模型的运行条件。
可选的,所述至少一个AI模型的运行条件包括如下至少一项:
至少一个AI模型的运行范围、至少一个AI模型的连接条件、至少一个AI模型的算力条件、至少一个AI模型的算法条件、至少一个AI模型的数据条件。
可选的,所述至少一个AI模型的运行范围包括:
至少一个AI模型的推理结果涉及的设备数量;
和/或,所述至少一个AI模型的连接条件包括如下至少一项:
至少一个AI模型的终端配置、至少一个AI模型的网络侧配置;
和/或,所述至少一个AI模型的数据条件包括如下至少一项:
至少一个AI模型的数据项、至少一个AI模型的数据处理指示。
可选的,所述数据处理指示包括如下至少一项:
预处理指示、后处理指示。
可选的,所述预处理指示包括:
预处理函数指示、独热码编码字典配置、数据归一化参数配置、数据正则化参数配置、数据标准化参数配置;
所述后处理指示包括如下至少一项:
稀疏化配置指示;
隐私化配置指示;
对整个模型的输出进行后处理;
对模型的子模型的输出进行后处理。
可选的,所述第一能力信息包括:
连接能力、算力能力、算法能力、数据能力。
可选的,所述连接能力包括:所述第一设备连接网络的配置;
和/或,所述数据能力包括如下至少一项:
可提供的数据项、支持的数据处理指示。
可选的,所述向第二设备发送第一信息之后,射频单元1601还用于:
接收所述第二设备发送的第三信息,所述第三信息包括:所述第二设备基于所述第一信息选择的AI模型或者AI模型功能的信息。
可选的,所述向第二设备发送第一信息之前,射频单元1601还用于:
接收所述第二设备发送的第四信息,所述第四信息包括至少一个AI模型的信息;
处理器1610用于:基于所述第四信息,确定AI模型和AI模型功能中的至少一项。
上述通信设备有利用提高第一设备和第二设备之间的通信性能。
本申请实施例还提供一种通信设备,包括处理器及通信接口,其中,所述通信接口用于接收第一设备发送的第一信息,所述第一信息包括如下至少一项:人工智能AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。该通信设备实施例与上述模型信息传输方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该通信设备实施例中,且能达到相同的技术效果。
具体地,本申请实施例还提供了一种通信设备,该通信设备为第二设备。该实施例中,以第二设备为接入网设备进行举例说明。
如图17所示,该通信设备1700包括:天线1701、射频装置1702、基带装置1703、处理器1704和存储器1705。天线1701与射频装置1702连接。在上行方向上,射频装置1702通过天线1701接收信息,将接收的信息发送给基带装置1703进行处理。在下行方向上,基带装置1703对要发送的信息进行处理,并发送给射频装置1702,射频装置1702对收到的信息进行处理后经过天线1701发送出去。
以上实施例中通信设备执行的方法可以在基带装置1703中实现,该基带装置1703包括基带处理器。
基带装置1703例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图17所示,其中一个芯片例如为基带处理器,通过总线接口与存储器1705连接,以调用存储器1705中的程序,执行以上方法实施例中所示的网络设备操作。
该通信设备还可以包括网络接口1706,该接口例如为通用公共无线接口(commonpublic radio interface,CPRI)。
具体地,本发明实施例的通信设备1700还包括:存储在存储器1705上并可在处理器1704上运行的指令或程序,处理器1704调用存储器1705中的指令或程序执行图14所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
其中,射频装置1702,用于接收第一设备发送的第一信息,所述第一信息包括如下至少一项:
AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
可选的,所述AI模型描述信息包括如下至少一项:
AI模型功能、AI模型使用条件、AI模型标识信息。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第一设备的AI模型的预定义的输出格式指示;
所述第一设备的AI模型的灵活的输出格式指示;
第一原因信息,所述第一原因信息用于指示所述第一信息的触发原因为:网络侧使用所述终端的AI模型的推理结果;
所述第一设备的AI模型的历史测评信息或预测评信息。
可选的,所述历史测评信息或预测评信息包括如下至少一项:
测评指标、评估结果。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待激活AI模型的功能、所述第一设备已部署AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备待激活AI模型的标识信息;
所述第一设备已部署AI模型的标识信息。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的第一标识信息,所述第一标识信息为包括如下至少一项:所述第一设备待激活模型的标识信息;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的生命周期控制权限;
第二原因信息,所述第二原因信息用于指示所述第一信息的触发原因为:激活所述第一设备的AI模型。
可选的,所述生命周期控制权限包括如下至少一项:
所述第一设备对所述第一设备的AI模型的生命周期控制权限;
所述第二设备对所述第一设备的AI模型的生命周期控制权限。
可选的,所述生命周期控制权限包括如下至少一项:
模型激活控制权;
模型去激活控制权;
模型切换控制权;
模型回退控制权;
模型监视控制权。
可选的,所述AI模型使用条件包括如下至少一项:
AI模型配置条件、AI模型场景条件、AI模型数据条件。
可选的,所述AI模型数据条件包括如下至少一项:
网络辅助信息,所述网络辅助信息用于指示:所述第二设备提供所述第一设备的AI模型的辅助信息;
网络辅助配置,所述网络辅助配置用于指示:所述第二设备为所述第一设备的AI模型进行相关配置;
网络数据处理指示,所述网络数据处理指示用于指示如下至少一项:对所述第一设备的AI模的输入数据执行数据处理的方式、对第一设备的AI模的输出数据执行数据处理的方式;
拆分推理信息,所述拆分推理信息件为所述第一设备和所述第二设备进行模型拆分推理的信息。
可选的,所述第一设备和所述第二设备进行模型拆分推理包括:
所述第一设备作为AI模型的辅助推理,所述第二设备作为AI模型的联合推理;或者
所述第一设备作为AI模型的联合推理,所述第二设备作为AI模型的辅助推理。
可选的,所述拆分推理信息包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第二设备的AI模型的标识信息;
所述第一设备的AI模型的版本信息;
所述第二设备的AI模型的版本信息;
所述第一设备的AI模型的输出数据长度;
所述第一设备的AI模型的输出使用信息。
可选的,所述第一设备的AI模型的输出使用信息包括如下至少一项:
在所述第二设备联合推理的情况下的位置信息,所述位置信息用于表示:所述第一设备的AI模型的输出在联合推理输入中所处的位置;
指示信息,所述指示信息用于指示:所述第一设备的AI模型的输出与所述第二设备的AI模型输入的联合计算。
可选的,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待监视AI模型的功能、所述第一设备的AI模型的功能;
所述AI模型描述信息还包括:
所述终端的待监视AI模型的标识信息;
所述终端的非待监视AI模型的标识信息。
可选的,所述第一设备的待监视AI模型包括如下至少一项:
所述第一设备的已激活AI模型;
所述第一设备的未激活待监视AI模型。
可选的,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的关联性能指标;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的状态信息;
第一AI模型数据收集条件,所述第一AI模型数据收集条件包括监视数据收集条件中的至少一项;
第三原因信息,所述第三原因信息用于指示所述第一信息的触发原因为:监听所述第一设备的AI模型。
可选的,所述AI模型描述信息还包括如下至少一项:
第二AI模型数据收集条件,所述第二AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
第四原因信息,所述第四原因信息用于指示所述第一信息的触发原因为:网络侧辅助所述第一设备收集所述第一设备的AI模型的训练数据。
可选的,所述AI模型描述信息还包括如下至少一项:
第三AI模型数据收集条件,所述第三AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
AI模型训练数据配置信息;
第五原因信息,所述第五原因信息用于指示所述第一信息的触发原因为:网络侧收集所述第一设备的AI模型的训练数据。
可选的,所述AI模型训练数据配置信息包括如下至少一项:
AI模型的输入数据项;
AI模型的标签数据项;
AI模型的输入数据格式;
AI模型的输出数据格式;
AI模型的样本数;
AI模型的数据存储需求;
AI模型的第三方训练配置。
可选的,所述接收第一设备发送的第一信息之前,射频装置1702还用于:
向所述第一设备发送第一请求,所述第一请求用于请求待收集的数据集。
可选的,所述接收第一设备发送的第一信息之前,射频装置1702还用于:
向所述第一设备发送第二请求,所述第二请求用于请求获取所述第一信息。
可选的,所述接收第一设备发送的第一信息之前,射频装置1702还用于:
向所述第一设备发送第二信息,所述第二信息包括至少一个AI模型的信息;
所述AI模型描述信息包括:
所述第一设备基于所述第二信息选择的AI模型的描述信息。
可选的,所述至少一个AI模型的信息包括如下至少一项:
至少一个AI模型的开发者信息;
至少一个AI模型的测评信息;
至少一个AI模型的运行条件。
可选的,所述至少一个AI模型的运行条件包括如下至少一项:
至少一个AI模型的运行范围、至少一个AI模型的连接条件、至少一个AI模型的算力条件、至少一个AI模型的算法条件、至少一个AI模型的数据条件。
可选的,所述至少一个AI模型的运行范围包括:
至少一个AI模型的推理结果涉及的设备数量;
和/或,所述至少一个AI模型的连接条件包括如下至少一项:
至少一个AI模型的终端配置、至少一个AI模型的网络侧配置;
和/或,所述至少一个AI模型的数据条件包括如下至少一项:
至少一个AI模型的数据项、至少一个AI模型的数据处理指示。
可选的,所述数据处理指示包括如下至少一项:
预处理指示、后处理指示。
可选的,所述预处理指示包括:
预处理函数指示、独热码编码字典配置、数据归一化参数配置、数据正则化参数配置、数据标准化参数配置;
所述后处理指示包括如下至少一项:
稀疏化配置指示;
隐私化配置指示;
对整个模型的输出进行后处理;
对模型的子模型的输出进行后处理。
可选的,所述向所述第一设备发送第二信息之前,处理器1704用于:
根据运行条件、所述第二设备的信息和所述第一设备的信息中的至少一项,确定所述至少一个AI模型。
可选的,所述第二设备根据运行条件、所述第二设备的信息和所述第一设备的信息中的至少一项,确定所述至少一个AI模型之前,射频装置1702还用于:
接收第三设备发送的第五信息,所述第五信息包括:AI模型描述信息。
可选的,所述第一能力信息包括:
连接能力、算力能力、算法能力、数据能力。
所述连接能力包括:所述第一设备连接网络的配置;
和/或,所述数据能力包括如下至少一项:
可提供的数据项、支持的数据处理指示。
可选的,所述接收第一设备发送的第一信息之后,射频装置1702还用于:
向所述第一设备发送第三信息,所述第三信息包括:所述第二设备基于所述第一信息选择的AI模型或者AI模型功能的信息。
可选的,所述接收第一设备发送的第一信息之前,射频装置1702还用于:
向所述第一设备发送第四信息,所述第四信息包括至少一个AI模型的信息。
上述通信设备有利用提高第一设备和第二设备之间的通信性能。
本申请实施例还提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现本申请实施例提供的上述模型信息传输方法的步骤。
其中,所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述模型信息传输方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为***级芯片,***芯片,芯片***或片上***芯片等。
本申请实施例另提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现上述模型信息传输方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供了一种模型信息传输***,包括:第一设备及第二设备,所述第一设备可用于执行如本申请实施例提供的第一设备侧的模型信息传输方法的步骤,所述第二设备可用于执行如本申请实施例提供的第二设备侧的模型信息传输方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (46)
1.一种模型信息传输方法,其特征在于,包括:
第一设备向第二设备发送第一信息,所述第一信息包括如下至少一项:
人工智能AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
2.如权利要求1所述的方法,其特征在于,所述AI模型描述信息包括如下至少一项:
AI模型功能、AI模型使用条件、AI模型标识信息。
3.如权利要求2所述的方法,其特征在于,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第一设备的AI模型的预定义的输出格式指示;
所述第一设备的AI模型的灵活的输出格式指示;
第一原因信息,所述第一原因信息用于指示所述第一信息的触发原因为:网络侧使用所述终端的AI模型的推理结果;
所述第一设备的AI模型的历史测评信息或预测评信息。
4.如权利要求3所述的方法,其特征在于,所述历史测评信息或预测评信息包括如下至少一项:
测评指标、评估结果。
5.如权利要求2所述的方法,其特征在于,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待激活AI模型的功能、所述第一设备已部署AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备待激活AI模型的标识信息;
所述第一设备已部署AI模型的标识信息。
6.如权利要求5所述的方法,其特征在于,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的第一标识信息,所述第一标识信息为包括如下至少一项:所述第一设备待激活模型的标识信息;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的生命周期控制权限;
第二原因信息,所述第二原因信息用于指示所述第一信息的触发原因为:激活所述第一设备的AI模型。
7.如权利要求6所述的方法,其特征在于,所述生命周期控制权限包括如下至少一项:
所述第一设备对所述第一设备的AI模型的生命周期控制权限;
所述第二设备对所述第一设备的AI模型的生命周期控制权限。
8.如权利要求6所述的方法,其特征在于,所述生命周期控制权限包括如下至少一项:
模型激活控制权;
模型去激活控制权;
模型切换控制权;
模型回退控制权;
模型监视控制权。
9.如权利要求2至8中任一项所述的方法,其特征在于,所述AI模型使用条件包括如下至少一项:
AI模型配置条件、AI模型场景条件、AI模型数据条件。
10.如权利要求9所述的方法,其特征在于,所述AI模型数据条件包括如下至少一项:
网络辅助信息,所述网络辅助信息用于指示:所述第二设备提供所述第一设备的AI模型的辅助信息;
网络辅助配置,所述网络辅助配置用于指示:所述第二设备为所述第一设备的AI模型进行相关配置;
网络数据处理指示,所述网络数据处理指示用于指示如下至少一项:对所述第一设备的AI模的输入数据执行数据处理的方式、对第一设备的AI模的输出数据执行数据处理的方式;
拆分推理信息,所述拆分推理信息件为所述第一设备和所述第二设备进行模型拆分推理的信息。
11.如权利要求10所述的方法,其特征在于,所述第一设备和所述第二设备进行模型拆分推理包括:
所述第一设备作为AI模型的辅助推理,所述第二设备作为AI模型的联合推理;或者
所述第一设备作为AI模型的联合推理,所述第二设备作为AI模型的辅助推理。
12.如权利要求11所述的方法,其特征在于,所述拆分推理信息包括如下至少一项:
所述第一设备的AI模型的标识信息;
所述第二设备的AI模型的标识信息;
所述第一设备的AI模型的版本信息;
所述第二设备的AI模型的版本信息;
所述第一设备的AI模型的输出数据长度;
所述第一设备的AI模型的输出使用信息。
13.如权利要求12所述的方法,其特征在于,所述第一设备的AI模型的输出使用信息包括如下至少一项:
在所述第二设备联合推理的情况下的位置信息,所述位置信息用于表示:所述第一设备的AI模型的输出在联合推理输入中所处的位置;
指示信息,所述指示信息用于指示:所述第一设备的AI模型的输出与所述第二设备的AI模型输入的联合计算。
14.如权利要求2至13中任一项所述的方法,其特征在于,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待监视AI模型的功能、所述第一设备的非待监视AI模型的功能;
所述AI模型描述信息还包括如下至少一项:
所述第一设备的待监视AI模型的标识信息;
所述第一设备的非待监视AI模型的标识信息。
15.如权利要求14所述的方法,其特征在于,所述第一设备的待监视AI模型包括如下至少一项:
所述第一设备的已激活AI模型;
所述第一设备的未激活待监视AI模型。
16.如权利要求14所述的方法,其特征在于,所述AI模型描述信息还包括如下至少一项:
所述第一设备的AI模型的关联性能指标;
所述第一设备的AI模型的历史测评信息或预测评信息;
所述第一设备的AI模型的状态信息;
第一AI模型数据收集条件,所述第一AI模型数据收集条件包括监视数据收集条件;
第三原因信息,所述第三原因信息用于指示所述第一信息的触发原因为:监听所述第一设备的AI模型。
17.如权利要求2至16中任一项所述的方法,其特征在于,所述AI模型描述信息还包括如下至少一项:
第二AI模型数据收集条件,所述第二AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
第四原因信息,所述第四原因信息用于指示所述第一信息的触发原因为:网络侧辅助所述第一设备收集所述第一设备的AI模型的训练数据。
18.如权利要求2至16中任一项所述的方法,其特征在于,所述AI模型描述信息还包括如下至少一项:
第三AI模型数据收集条件,所述第三AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
AI模型训练数据配置信息;
第五原因信息,所述第五原因信息用于指示所述第一信息的触发原因为:网络侧收集所述第一设备的AI模型的训练数据。
19.如权利要求18所述的方法,其特征在于,所述AI模型训练数据配置信息包括如下至少一项:
AI模型的输入数据项;
AI模型的标签数据项;
AI模型的输入数据格式;
AI模型的输出数据格式;
AI模型的样本数;
AI模型的数据存储需求;
AI模型的第三方训练配置。
20.如权利要求18所述的方法,其特征在于,所述第一设备向第二设备发送第一信息之前,所述方法还包括:
所述第一设备接收所述第二设备发送的第一请求,所述第一请求用于请求待收集的数据集。
21.如权利要求2至20中任一项所述的方法,其特征在于,所述第一设备向第二设备发送第一信息之前,所述方法还包括:
所述第一设备接收所述第二设备发送的第二请求,所述第二请求用于请求获取所述第一信息。
22.如权利要求2至20中任一项所述的方法,其特征在于,所述第一设备向第二设备发送第一信息之前,所述方法还包括:
所述第一设备接收第二信息,所述第二信息包括至少一个AI模型的信息;
所述AI模型描述信息包括:
所述第一设备基于所述第二信息选择的AI模型的描述信息。
23.如权利要求22所述的方法,其特征在于,所述至少一个AI模型的信息包括如下至少一项:
至少一个AI模型的开发者信息;
至少一个AI模型的测评信息;
至少一个AI模型的运行条件。
24.如权利要求23所述的方法,其特征在于,所述至少一个AI模型的运行条件包括如下至少一项:
至少一个AI模型的运行范围、至少一个AI模型的连接条件、至少一个AI模型的算力条件、至少一个AI模型的算法条件、至少一个AI模型的数据条件。
25.如权利要求24所述的方法,其特征在于,所述至少一个AI模型的运行范围包括:
至少一个AI模型的推理结果涉及的设备数量;
和/或,所述至少一个AI模型的连接条件包括如下至少一项:
至少一个AI模型的终端配置、至少一个AI模型的网络侧配置;
和/或,所述至少一个AI模型的数据条件包括如下至少一项:
至少一个AI模型的数据项、至少一个AI模型的数据处理指示。
26.如权利要求25所述的方法,其特征在于,所述数据处理指示包括如下至少一项:
预处理指示、后处理指示。
27.如权利要求26所述的方法,其特征在于,所述预处理指示包括:
预处理函数指示、独热码编码字典配置、数据归一化参数配置、数据正则化参数配置、数据标准化参数配置;
所述后处理指示包括如下至少一项:
稀疏化配置指示;
隐私化配置指示;
对整个模型的输出进行后处理;
对模型的子模型的输出进行后处理。
28.如权利要求2至27中任一项所述的方法,其特征在于,所述第一能力信息包括:
连接能力、算力能力、算法能力、数据能力。
29.如权利要求28所述的方法,其特征在于,所述连接能力包括:所述第一设备连接网络的配置;
和/或,所述数据能力包括如下至少一项:
可提供的数据项、支持的数据处理指示。
30.如权利要求28所述的方法,其特征在于,所述第一设备向第二设备发送第一信息之后,所述方法还包括:
所述第一设备接收所述第二设备发送的第三信息,所述第三信息包括:所述第二设备基于所述第一信息选择的AI模型或者AI模型功能的信息。
31.如权利要求28所述的方法,其特征在于,所述第一设备向第二设备发送第一信息之前,所述方法还包括:
所述第一设备接收所述第二设备发送的第四信息,所述第四信息包括至少一个AI模型的信息;
所述第一设备基于所述第四信息,确定AI模型和AI模型功能中的至少一项。
32.一种模型信息传输方法,其特征在于,包括:
第二设备接收第一设备发送的第一信息,所述第一信息包括如下至少一项:
人工智能AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
33.如权利要求32所述的方法,其特征在于,所述AI模型描述信息包括如下至少一项:
AI模型功能、AI模型使用条件、AI模型标识信息。
34.如权利要求33所述的方法,其特征于,所述AI模型使用条件包括如下至少一项:
AI模型配置条件、AI模型场景条件、AI模型数据条件。
35.如权利要求33所述的方法,其特征在于,所述AI模型描述信息为所述第一设备的AI模型的AI模型描述信息,且所述AI模型功能包括如下至少一项:所述第一设备的待监视AI模型的功能、所述第一设备的AI模型的功能;
所述AI模型描述信息还包括:
所述终端的待监视AI模型的标识信息;
所述终端的非待监视AI模型的标识信息。
36.如权利要求33所述的方法,其特征在于,所述AI模型描述信息还包括如下至少一项:
第二AI模型数据收集条件,所述第二AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
第四原因信息,所述第四原因信息用于指示所述第一信息的触发原因为:网络侧辅助所述第一设备收集所述第一设备的AI模型的训练数据。
37.如权利要求33所述的方法,其特征在于,所述AI模型描述信息还包括如下至少一项:
第三AI模型数据收集条件,所述第三AI模型数据收集条件为:所述第一设备的AI模型的训练数据的收集条件;
AI模型训练数据配置信息;
第五原因信息,所述第五原因信息用于指示所述第一信息的触发原因为:网络侧收集所述第一设备的AI模型的训练数据。
38.如权利要求33至37中任一项所述的方法,其特征在于,所述第二设备接收第一设备发送的第一信息之前,所述方法还包括:
所述第二设备向所述第一设备发送第二信息,所述第二信息包括至少一个AI模型的信息;
所述AI模型描述信息包括:
所述第一设备基于所述第二信息选择的AI模型的描述信息。
39.如权利要求38所述的方法,其特征在于,所述第二设备向所述第一设备发送第二信息之前,所述方法还包括:
所述第二设备根据运行条件、所述第二设备的信息和所述第一设备的信息中的至少一项,确定所述至少一个AI模型。
40.如权利要求39所述的方法,其特征在于,所述第二设备根据运行条件、所述第二设备的信息和所述第一设备的信息中的至少一项,确定所述至少一个AI模型之前,所述方法还包括:
所述第二设备接收第三设备发送的第五信息,所述第五信息包括:AI模型描述信息。
41.如权利要求33至40中任一项所述的方法,其特征在于,所述第一能力信息包括:
连接能力、算力能力、算法能力、数据能力。
42.一种模型信息传输装置,其特征在于,包括:
发送模块,用于向第二设备发送第一信息,所述第一信息包括如下至少一项:
人工智能AI模型描述信息,所述AI模型描述信息用于描述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
43.一种模型信息传输装置,其特征在于,包括:
接收模块,用于接收第一设备发送的第一信息,所述第一信息包括如下至少一项:
人工智能AI模型描述信息,所述AI模型描述信息用于描述所述第一设备对应的AI模型;
与AI模型相关的第一能力信息,所述第一能力信息用于选择AI模型。
44.一种通信设备,所述通信设备为第一设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至31任一项所述的模型信息传输方法的步骤。
45.一种通信设备,所述通信设备为第二设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求32至41任一项所述的模型信息传输方法的步骤。
46.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至31任一项所述的模型信息传输方法的步骤,或者,所述程序或指令被处理器执行时实现如权利要求32至41任一项所述的模型信息传输方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726738.7A CN118283645A (zh) | 2022-12-29 | 2022-12-29 | 模型信息传输方法、装置及设备 |
PCT/CN2023/140871 WO2024140445A1 (zh) | 2022-12-29 | 2023-12-22 | 模型信息传输方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726738.7A CN118283645A (zh) | 2022-12-29 | 2022-12-29 | 模型信息传输方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118283645A true CN118283645A (zh) | 2024-07-02 |
Family
ID=91637463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211726738.7A Pending CN118283645A (zh) | 2022-12-29 | 2022-12-29 | 模型信息传输方法、装置及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN118283645A (zh) |
WO (1) | WO2024140445A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022013104A1 (en) * | 2020-07-13 | 2022-01-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Managing a wireless device that is operable to connect to a communication network |
CN114143799A (zh) * | 2020-09-03 | 2022-03-04 | 华为技术有限公司 | 通信方法及装置 |
EP4229788A4 (en) * | 2020-10-13 | 2024-07-03 | Qualcomm Inc | METHOD AND APPARATUS FOR MANAGING AN ML PROCESSING MODEL |
CN114765771A (zh) * | 2021-01-08 | 2022-07-19 | 展讯通信(上海)有限公司 | 模型更新方法及装置、存储介质、终端、网络侧设备 |
US20220400373A1 (en) * | 2021-06-15 | 2022-12-15 | Qualcomm Incorporated | Machine learning model configuration in wireless networks |
-
2022
- 2022-12-29 CN CN202211726738.7A patent/CN118283645A/zh active Pending
-
2023
- 2023-12-22 WO PCT/CN2023/140871 patent/WO2024140445A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024140445A1 (zh) | 2024-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116055015A (zh) | 感知信号的处理方法、装置及通信设备 | |
CN114521012A (zh) | 定位方法、装置、终端设备、基站及位置管理服务器 | |
CN117425158A (zh) | 人工智能请求分析方法、装置及设备 | |
CN118283645A (zh) | 模型信息传输方法、装置及设备 | |
CN116567806A (zh) | 基于人工智能ai模型的定位方法及通信设备 | |
WO2023179617A1 (zh) | 定位方法、装置、终端及网络侧设备 | |
WO2024067281A1 (zh) | Ai模型的处理方法、装置及通信设备 | |
WO2024017239A1 (zh) | 数据采集方法及装置、通信设备 | |
CN116933874A (zh) | 验证方法、装置及设备 | |
WO2024008111A1 (zh) | 数据采集方法及装置 | |
WO2023134653A1 (zh) | 通信网络预测方法、终端及网络侧设备 | |
WO2024093997A1 (zh) | 确定模型适用性的方法、装置及通信设备 | |
WO2023174325A1 (zh) | Ai模型的处理方法及设备 | |
CN117896838A (zh) | Ai模型推理方法、设备及可读存储介质 | |
WO2023160534A1 (zh) | 数据采集方法及设备 | |
WO2023186014A1 (zh) | 信号发送方法、信号接收方法及通信设备 | |
CN115348622A (zh) | 信息处理方法、装置、终端和网络侧设备 | |
CN118354301A (zh) | 信息传输方法、装置及通信设备 | |
CN117858071A (zh) | 数据集生成方法、信息发送方法、装置及相关设备 | |
CN118265043A (zh) | Ai单元的性能监测方法、终端及网络侧设备 | |
CN117910589A (zh) | 模型请求方法、装置、通信设备及可读存储介质 | |
CN116233906A (zh) | 测量方法、装置、设备及存储介质 | |
CN118277783A (zh) | 模型训练处理方法、装置及相关设备 | |
CN117544973A (zh) | 模型更新方法、装置、通信设备及可读存储介质 | |
CN117858119A (zh) | 数据收集及处理方法、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |