Castle on a Cloud

在之前的文章中,  我們介紹了 O-RAN 的 設計想法 , 以及 基本的組成元件 , 在這一篇文章中, 我們將繼續介紹 O-RAN 上的布署方式與資料流程. 我們先從資料流程開始, 可以用下圖總括說明: 相較於之前介紹的 5 大元件, 此圖中省略了 Model Compiling Host, 同時, 在流程中, 加入了 Continuous Operation 的功能方塊, 其定義為: Provides a series of online functionalities for the continuous improvement of AI/ML models within the whole AI/ML lifecycle. It includes Verification/ Monitoring/ Analysis/ Recommendation/ Continue Optimization. (在元件介紹中, Continuous Operation 在主要的資料交換流之外, 只提供效能反饋) 我們先不論為何兩者為何不一致, 但 Continuous Operation 的確可以提供很多功用, 在不考慮 online learning 下, Continuous Operation 可以透過即時的反饋進行 Model 的選擇, 此功能表現在 Continuous Operation 和 Model Management 的連線上, 在考慮 online learning 時, Continuous Operation 可以提供即時的系統效能反饋, 用以進行像是 Reinforcement Learning 這種可以隨著時間動態調整的 ML 框架. 在圖中, 另一個重要的區分為, Actor 所執行的 Action 明確分成三類: Configuration management over O1, subjects of actions: near-RT RIC, O-CU, O-DU/O-RU Control Action/ Guidance over E2 subjects of actions: O-CU, O-DU/O-RU Policy over A1, E2 subjects of actions: nea...

和 3GPP 不同, O-RAN 的標準並非兩階段的定義 (Study->Spec), 同時, 可能是因為組織相對沒有 3GPP 那麼龐大, 在 Spec 內容的呈現上, 出現許多像是在討論階段的文字, 例如, 在 AI/ML 這份討論中, 就說明了其想像的 AI/ML 設計準則. 這樣的文字, 因為過於模糊, 在 Spec 中其實不太適合, 但是反過來說, 也提供一種像是立法依據的角度讓我們了解 O-RAN 組織的想像. 以下就是 AI/ML 的設計準則, 會呈現原有的原文, 以及翻譯理解的內容: Principle 1: In O-RAN we will always have some offline learning as a proposed best practice (even for reinforcement learning type of scenarios). In the current document, offline training means a model is first trained with offline data, and trained model is deployed in the network for inference. Online training refers to scenarios such as reinforcement learning, where the model  ‘learns’ as it is executing in the network. However, even in the latter scenario, it is possible that some offline training may happen. [準則1] 在 O-RAN 中所有的 ML model 都應該被預先訓練過 (offline learning), 就算是 reinforcement learning 這種以即時反饋來進行學習的架構, 都應該先以預先收集的資料進行模型的學習.  [註] 這一條準則應該是因為 O-RAN 架構中, 實際的 Action 會影響一真實網路的通訊效能, 因此無法容忍一個尚未收斂的網路進行布建. Principle 2: A m...

在 O-RAN 的目標, 就是希望透過一個智能網路控制器 (RAN Intelligent Controller, RIC), 提供無線接取網路 (Radio Access Network, RAN) 更有效率與即時的控制, 為了達成這樣的目標, O-RAN 也針對其運算架構有一系列的探討. 在 O-RAN 的想像中, 其計算架構主要針對深度學習 (deep learning) 設計, 並且針對不同應用與不同類型的演算法, 提供一系列不同的架構. 為了提供一個彈性的計算框架,  在 O-RAN 文件中, 將運算單元分成 5 個主要套件: 名稱 描述 布建位置 ML Training Host The network function which hosts the training of the model, including offline and online training. [ 註 ] online training 部分和 ML Inference Host 的功能重疊 Non-RT RIC, offline (using data collected from the RIC, O-DU and O-RU) [ 註 ] offline 意指在 RIC 外完成 ML Model 訓練 ML Inference Host The network function which hosts the ML model during inference mode (which includes both the model execution as well as any online learning if applicable). The ML inference host often coincides with the Actor. [ 註 ] Actor 和 ML Inference Host 差別 : Actor 利用 ML 演算法結果進行決策 (Action), 此決策可能基於多個 ML 演算法的輸出 ...

在這個網誌中, 我盡量減低個人色彩, 主要敘述 LTE 以及所看到的科技進展, 作為一個資訊的平台, 不過總有例外, 上一次是一系列去紐約的遊記, 而這次則是一本書的推廣: Factfulness https://en.wikipedia.org/wiki/Factfulness:_Ten_Reasons_We're_Wrong_About_the_World_%E2%80%93_and_Why_Things_Are_Better_Than_You_Think https://www.gatesnotes.com/About-Bill-Gates/Summer-Books-2018 https://www.gapminder.org/factfulness/ (有興趣的可以先來挑戰問題:  http://forms.gapminder.org/s3/test-2018 ) 開始閱讀這本書，首先，感謝蓋茨先生的推薦 [1] ，在書本與閱讀的世界中，天涯若比鄰，我們可以自由的選擇朋友，跨越古今、身分地位與地理的隔閡，純粹的以知識與想法進行交流以及反思，這也是在這個充斥著懶人包與短影音的世界，我們仍要進行閱讀的原因，唯有透過在靜謐中沉思，才有機會窺見那真實智慧之光。 『 真確：扭轉十大直覺偏誤，發現事情比你想的美好 』 這本書是羅斯林先生總結其在全球公共衛生以及公共教育上的經驗，以 13 個問題作為出發 [2] ，扭轉我們對於世界的偏差以及成見。此書的架構分成 11 個章節，除了第 11 章作為總結之外，其餘 10 個章節分別針對羅斯林先生定義的 10 種直覺偏誤，提供精采的經驗分析、洞見、並對比來自於數據所提供的真確世界模樣。這本書不該當作一本紙本讀物，而像是一把鑰匙打開數據世界的大門，羅斯林先生除了在此書中良好扮演了引路人之外，在其所成立的 gapminder 基金會網站 ( https://www.gapminder.org/ ) 中，也透過數位技術圖形化呈現世界的真實數據。對於此書的讚譽以及書評的溢美之詞在網路上可以輕易搜尋得到，個人也無須錦上添花，更何況，對於書本或是知識而言，最好的讚譽就是閱讀，因此，在此羅斯林先生要求之下，我們便使用文本中所要求的方式來紀念 Hans Rosling ： 分享基於數據...