2020 ITUNews05-fr

No.
5, 2020
L’intelligence artificielle et
l’apprentissage automatique
dans les réseaux 5G
Enseignements tirés du Concours de l’UIT
Restez au courant //
// Restez informés
Les Nouvelles de l’UIT sont désormais sur une

nouvelle plate-forme
Découvrez MyITU
Votre passerelle d’accès aux contenus de l’UIT
qui correspondent à vos domaines d’intérêt
Retrouvez toute l’actualité
dans les derniers articles des
Nouvelles de l’UIT.
Pour recevoir le nouveau bulletin

d’information hebdomadaire de l’UIT
Abonnez-vous dès maintenant
Abonnement
Articles réguliers ITU News
des Nouvelles de Magazine
l’UIT
Rejoignez la communauté en ligne de l’UIT sur le support de votre choix

Éditorial ITU News MAGAZINE No. 05, 2020 1
dans les réseaux 5G – Édition de
2020 du Concours de l’UIT
M. Houlin Zhao, Secrétaire général de l’UIT
J En février dernier, l’UIT a lancé la radiocommunications de l’UIT (UIT-R)

toute première édition du Concours intitulée «Spécifications détaillées
de l’UIT sur l’intelligence artificielle et des interfaces radioélectriques
l’apprentissage automatique dans les des IMT-2020».
réseaux 5G, une compétition mondiale
qui aboutira à une cérémonie de remise Les spécifications relatives aux IMT-
de prix en ligne, du 15 au 17 décembre 2020 pour la cinquième génération
2020. de communications mobiles (5G)
formeront le socle de l’économie
Dans le cadre de ce concours, l’UIT numérique de demain, en ce qu’elles
soutient et encourage la communauté feront entrer les entreprises et la
grandissante qui favorise l’intégration société dans un monde automatisé Dans le cadre
de l’intelligence artificielle (IA) et de et intelligent et contribueront à
l’apprentissage automatique dans les améliorer le quotidien des popu- de ce Concours,
réseaux, tout en renforçant en parallèle lations dans des proportions sans l’UIT soutient le
la communauté dirigeant les travaux précédent.
de normalisation de l’UIT dans les développement de
domaines de l’intelligence artificielle et Dans ce numéro des Nouvelles la communauté
de l’apprentissage automatique. de l’UIT, vous saurez tout sur le
Concours de l’UIT sur l’intelli- qui favorise
Ce concours de l’UIT contribue à gence artificielle et l’apprentissage l’intégration de
instaurer une culture fondée sur la automatique dans les réseaux
collaboration, qui constitue un élément 5G et trouverez de nombreux l’intelligence
nécessaire pour assurer le succès des articles d’information rédigés par artificielle/de
réseaux futurs et des réseaux émergents des entreprises et des établisse-
tels que les réseaux 5G, ainsi qu’à créer ments universitaires. l’apprentissage
de nouvelles possibilités permettant automatique
aux entreprises et aux établissements Durant la Grande finale de ce
universitaires d’influer sur l’évolution concours, des exposés seront dans les réseaux.
des normes de l’UIT. présentés par M. Vincent Poor,
professeur à l’Université de
En tant qu’institution spécialisée des Princeton (États-Unis), M. Chih-Lin Houlin Zhao
Nations Unies dans le domaine des TIC, I, de l’Institut de recherche sur les
l’UIT joue un rôle central pour veiller technologies mobiles de la Chine, et
à ce que ces réseaux soient déployés de M. Wojciech Samek, de l’insti-
à grande échelle et respectent les tut Fraunhofer HHI (Allemagne).
normes de qualité les plus élevées. L’édition de 2021 du concours sera
Dernièrement, l’UIT a annoncé l’ap- également lancée à cette occasion.
probation, par ses 193 États Membres, Ne manquez pas cet événement!
d’une Recommandation du Secteur des
Sommaire ITU News MAGAZINE No. 05, 2020 2
dans les réseaux 5G
Enseignements tirés du Concours de l’UIT
Éditorial
1 L’intelligence artificielle et l’apprentissage automatique dans

les réseaux 5G – Édition de 2020 du Concours de l’UIT Photos de couverture: Shutterstock
M. Houlin Zhao, Secrétaire général de l’UIT
5 L’UIT tient à remercier les sponsors de l’édition de 2020 du Concours

sur l’intelligence artificielle et l’apprentissage automatique dans la 5G
ISSN 1020–4148
itunews.itu.int
Concours de l’UIT sur l’IA et l’apprentissage automatique dans la 6 numéros par an
Copyright: © ITU 2020
5G
Coordonnatrice de la rédaction et rédactrice:
6 Créer une communauté et renforcer la confiance au sein de la Nicole Harper
tribune de l’UIT Concepteur artistique: Christine Vanoli
Assistante d’édition: Angela Smith
L’équipe des Nouvelles de l’UIT s’est entretenue avec M. Chaesub Lee,
Directeur du Bureau de la normalisation des télécommunications
Traduction et mise en page:
de l’UIT, afin d’en savoir plus sur le Concours de l’UIT sur Département des conférences et
l’intelligence artificielle et l’apprentissage automatique dans la des publications
5G et sur ses liens avec les priorités stratégiques de l’UIT.
Rédaction/Publicité:
9 Message des organisateurs Tél.: +41 22 730 5723/5683
E‑mail: itunews@itu.int
Thomas Basikolo, Consultant pour l’intelligence
artificielle/l’apprentissage automatique Adresse postale:
Union internationale des télécommunications
Place des Nations
12 Suivez le concours de l’UIT sur l’intelligence artificielle
CH–1211 Genève 20 (Suisse)
et l’apprentissage automatique en 5G
13 Énoncés de problème Déni de responsabilité: les opinions exprimées
dans cette publication sont celles des auteurs
14 Grande finale du concours – Mardi 15 décembre 2020 des articles et n’engagent pas l’UIT. Les appella‑
tions employées dans la présente publication et
15 Grande finale du concours − Mercredi 16 décembre 2020
la présentation des données, cartes comprises,
16 Grande finale du concours – Jeudi 17 décembre 2020 qui y figurent n’impliquent de la part de l’UIT au‑
cune prise de position quant au statut juridique
17 Prix et certificats des lauréats des pays, territoires, villes ou zones, ou de leurs
autorités, ni quant au tracé de leurs frontières ou
18 Intelligence artificielle/apprentissage automatique: Guide limites. Les références faites à des sociétés ou à
des produits spécifiques n’impliquent pas que
des défis que devront relever les agents CTx de prochaine
l’UIT approuve ou recommande ces sociétés ou
génération ces produits, de préférence à d’autres, de nature
Vishnu Ram OV, Consultant en recherche indépendant similaire, mais dont il n’est pas fait mention.
23 Tour d’horizon des normes relatives aux réseaux autonomes Sauf indication contraire, toutes les photos sont
des photos UIT.
Xiaojia Song, chercheur, Xi CAO, chercheur principal, Lingli DENG,
responsable technique, Li YU, directeur de recherche, et Junlan
FENG, directeur scientifique, Institut de Recherche China Mobile
Points de vue du secteur privé
32 Évaluation des capacités et accumulation de technologies

d’intelligence artificielle dans les réseaux futurs
M. Jun Liao, Directeur chargé de l’intelligence artificielle, M. Tengfei
liu, Mme Yameng Li et M. Jiaxin Wei, Ingénieurs dans le domaine
de l’intelligence artificielle, Institut de recherche China Unicom
35 Accélérer l’inférence de l’apprentissage profond grâce au kit

pratique à code source ouvert Adlik
Mme Liya Yuan, Ingénieure chargée des solutions à
code source ouvert et de la normalisation, ZTE
38 Difficultés et perspectives pour les fournisseurs de services de

communication ayant recours à l’intelligence artificielle et à
Salih Ergüt, chercheur spécialiste de la 5G, Turkcell
42 Les réseaux autonomes: s’adapter à l’inconnu

Paul Harvey, Directeur de recherche, Innovation Studio, Rakuten
Mobile et Prakaiwan Vajrabhaya, Directeur de la sensibilisation et de la
promotion concernant la recherche, Innovation Studio, Rakuten Mobile.
46 Essais sur la qualité d’expérience dans les réseaux mobiles

Arnd Sibila, Responsable de la commercialisation des technologies,
Service des essais des réseaux mobiles, Rohde & Schwarz
50 Le point de vue d’un opérateur de réseau

sur le rôle de l’IA
dans les réseaux d’accès radioélectrique futur
Chih-Lin I, responsable scientifique et Qi Sun, chercheur principal,
Service des technologies hertziennes, China Mobile Research Institute
55 Intelligence artificielle et interfaces ouvertes: les catalyseurs

essentiels des réseaux de campus
M. Günther Bräutigam, Directeur général, Airpuls; M. Renato
L.G. Cavalcante, Chercheur, Fraunhofer HHI; M. Martin Kasparick,
Chercheur associé, Fraunhofer HHI; M. Alexander Keller, Directeur de
recherche, NVIDIA; et M. Slawomir Stanczak, Chef du département des
communications et des réseaux hertziens, Fraunhofer HHI, Allemagne
58 Citations de certains hôtes du Concours de l’UIT sur l’intelligence

artificielle et l’apprentissage automatique dans la 5G concernant les
énoncés de problèmes
61 Citations de certains participants au Concours de l’UIT sur l’intelligence
artificielle et l’apprentissage automatique dans la 5G
Points de vue d’établissements universitaires
62 L’intelligence artificielle et l’apprentissage automatique au

service de communications ultra fiables à faible temps de
latence
M. Andrey Koucheryavy, Professeur, Département des réseaux de
télécommunication et de la transmission des données, SPbSUT,
Chercheur principal, NIIR et Président de la CE 11 de l’UIT-T; M. Ammar
Muthanna, Directeur adjoint chargé des sciences, Département
des réseaux de télécommunication et de la transmission des
données, SPbSUT, et responsable du Laboratoire SDN; M. Artem
Volkov, Chercheur et doctorant, Département des réseaux de
télécommunication et de la transmission des données, SPbSUT, Russie
66 L’intégration de l’intelligence artificielle et de l’apprentissage

automatique dans les réseaux autonomes: une nouvelle
direction pour les télécommunications de prochaine
génération
Akihiro Nakao, professeur, Université deTokyo, Japan
70 Simulations réalistes sous Raymobtime pour concevoir

la couche physique de systèmes hertziens fondés sur
l’intelligence artificielle
Aldebaro Klautau, professeur, Université fédérale de Pará,
Brésil, et Nuria González-Prelcic, professeur associé, Université
publique de Caroline du Nord, États-Unis d’Amérique
74 Construire des systèmes fiables et qui inspirent confiance grâce

aux simulateurs de réseaux et aux normes
Francesc Wilhelmi, chercheur postdoctorant, Centre Tecnològic
de Telecomunicacions de Catalunya (CTTC), Espagne
78 Au Nigéria, les projets de recherche font évoluer

l’enseignement et la reconnaissance vocale
James Agajo, professeur associé et chef du Groupe de
recherche WINEST, Département d’ingénierie informatique,
Abdullahi Sani Shuaibu et Blessed Guda, étudiants,
Université fédérale de technologie de Minna, Nigéria
82 Pourquoi de nouveaux partenariats sont nécessaires pour

produire de nouvelles données
Ignacio Rodriguez Larrad, Postdoctorant, Réseaux de
communications hertziens, Université d’Aalborg, Danemark
86 Orchestration des fonctions de l’apprentissage automatique

pour la future génération de réseaux de communication
Mme Shagufta Henna, Maître de conférence en informatique,
Institut de technologie de Letterkenny, Irlande
88 Possibilités de parrainage pour 2021

L’UIT tient à remercier les
sponsors de l’édition de 2020
du Concours sur l’intelligence
artificielle et l’apprentissage
automatique dans la 5G
Sponsor de la catégorie or
Autorité de régulation des télécommunications
(TRA), Émirats arabes unis
TRA
Sponsors de la catégorie bronze

Cisco Systems et ZTE
CISCO ZTE
Concours de l’UIT sur l’IA et l’apprentissage automatique dans la 5G ITU News MAGAZINE No. 05, 2020 6
Créer une communauté et

renforcer la confiance au
sein de la tribune de l’UIT
L’équipe des Nouvelles de l’UIT s’est entretenue avec M.
Chaesub Lee, Directeur du Bureau de la normalisation des
télécommunications de l’UIT, afin d’en savoir plus sur le Concours
de l’UIT sur l’intelligence artificielle et l’apprentissage automatique
dans la 5G et sur ses liens avec les priorités stratégiques de l’UIT.
Le présent numéro met en avant De quelle manière le Concours

des données d’expérience issues de l’UIT contribue-il aux priorités
du Concours de l’UIT. Pouvezvous stratégiques de l’UIT? Le Concours de
présenter les objectifs de
ce concours? ^ La création d’une communauté
l’UIT a servi de
et le renforcement de la confiance cadre permettant
^ Le Concours de l’UIT a servi de
cadre permettant aux participants
sont au cœur de l’action de l’UIT.
Les membres de l’UIT se com-
aux participants
d’appliquer le kit pratique de l’UIT posent de 193 États Membres d’appliquer le
sur l’apprentissage automatique
afin de trouver des solutions à des
et de plus de 900 entreprises,
universités et organisations inter-
kit pratique
énoncés de problèmes concrets. nationales et régionales à travers de l’UIT sur
Les participants ont pu entrer en
relation avec de nouveaux parte-
le monde. Les normes de l’UIT
sont élaborées par une commu-
l’apprentissage
naires au sein de la communauté nauté d’acteurs, ce qui favorise automatique.
de l’UIT et découvrir de nouveaux une compréhension mutuelle
outils et de nouvelles sources de permettant aux parties prenantes Chaesub Lee
données, dans le but d’atteindre d’avancer ensemble. Les normes
Directeur du Bureau
les objectifs fixés dans les énon- de l’UIT constituent des réalisations de la normalisation des
cés de problèmes soumis par des majeures qui sont le fruit de la télécommunications de l’UIT
entreprises et des établissements collaboration internationale. Elles
universitaires du Brésil, de la représentent des engagements
Chine, de l’Inde, de l’Irlande, du volontaires en faveur d’approches
Japon, de la Russie, de l’Espagne, communes vis-à-vis de la concep-
de la Turquie et des États-Unis. Les tion et de l’application des techno-
participants ont eu l’occasion de logies et de l’appui aux relations
démontrer leurs talents, d’éprou- commerciales. Toute la valeur du
ver leurs concepts sur des données processus de normalisation de
réelles et des problèmes concrets l’UIT tient à la communauté qui
et de concourir afin d’obtenir une se crée dans ce contexte, comme
reconnaissance internationale. c’est le cas dans le cadre du
Concours de l’UIT.
Quelle est la relation entre les Les réseaux 5G la série Y.317x de l’UIT offrent des
normes de l’UIT et le Concours de constituent des ensembles d’outils polyvalents
l’UIT, et comment cette relation visant à favoriser l’intégration
est-elle appelée à évoluer?
avancées majeures de l’intelligence artificielle et de
dans le secteur l’apprentissage automatique en
^ Les nouvelles normes de l’UIT et permettront phase avec l’évolution des réseaux.
pour l’intelligence artificielle (IA) de répondre aux Des ensembles d’outils normalisés,
conçus pour être adaptés à l’évo-
et l’apprentissage automatique
besoins propres à lution des besoins des utilisateurs
(ML) offrent des outils permettant
d’intégrer l’intelligence artificielle un large éventail et aux très nombreux cas d’utilisa-
et l’apprentissage automatique d’applications dans tion, sont également mis en avant
dans les réseaux 5G et les réseaux tous les secteurs dans les normes de l’UIT, dans des
domaines tels que le multimédia,
futurs, à mesure que ceux-ci
d’activité. la sécurité, la chaîne de blocs et
évoluent. L’architecture UIT-T
Y.3172, qui découle de l’étude les technologies d’informatique
des cas d’utilisation publiés quantique.
dans le Supplément 55 aux Chaesub Lee
Recommandations UIT-T de la série Le secteur des TIC évolue très
Y.3170, présente un ensemble rapidement. Quelles ont été les
d’outils de base en lien avec le incidences des évolutions de ces
réseau sous-jacent: un pipeline ML dernières années sur le processus
pour l’optimisation des modèles de normalisation de l’UIT?
et le service; un «bac à sable»
ML pour mettre à l’épreuve les En quoi l’intelligence artificielle/ ^ Le Secteur de la normalisa-
modèles avant le déploiement; et l’apprentissage automatique et tion des télécommunications de
un orchestrateur de fonctions ML la promotion des normes sont-ils l’UIT (UIT-T) a vu le nombre de
pour contrôler l’intégration IA/ML. importants dans le contexte des ses membres augmenter consi-
Les Recommandations UITT Y.3173 réseaux 5G et des réseaux futurs? dérablement au cours des quatre
(évaluation du niveau d’intelli- dernières années, avec plus de
gence), UIT-T Y.3174 (traitement ^ Les entreprises du secteur des 50 nouveaux membres l’année
des données) et UITT Y.3176 réseaux se tournent vers l’intelli- dernière. Nous traitons de nou-
(intégration des marchés) reposent gence artificielle et l’apprentissage veaux sujets passionnants, mais le
toutes sur l’architecture UIT-T automatique dans le cadre de rôle que joue la tribune de l’UIT est
Y.3172. Le Concours de l’UIT avait leurs innovations visant à optimiser resté le même depuis plus de 150
pour objectif de présenter et de le fonctionnement des réseaux et ans: créer une communauté et ren-
valider ces normes de l’UIT et de à accroître l’efficacité énergétique forcer la confiance afin de promou-
créer de nouvelles perspectives et la rentabilité. Les réseaux 5G voir les avancées dans le domaine
permettant aux entreprises et aux constituent des avancées majeures des TIC à l’échelle mondiale.
établissements universitaires d’in- dans le secteur et permettront de Depuis de nombreuses années
fluer sur leur évolution. répondre aux besoins propres à essentielle à l’instauration d’une
un large éventail d’applications compréhension mutuelle dans le
dans tous les secteurs d’acti- secteur des TIC, la plate-forme de
vité. Les réseaux sont de plus en normalisation de l’UIT aide désor-
plus complexes et sophistiqués. mais ce même secteur à établir
L’intelligence artificielle et l’ap- une compréhension mutuelle avec
prentissage automatique joueront ses nombreux nouveaux parte-
un rôle essentiel pour faire face à naires. Les nouveaux partenaires
cette complexité. Les normes de œuvrent collectivement à faire
Le concept de réseau
progresser les travaux de normali- différentes parties prenantes, y véritablement
sation de l’UIT dans des domaines compris des travaux de normalisa- autonome – que
tels que les villes intelligentes, tion de l’UIT. permet le niveau
l’énergie, les soins de santé, les
services financiers, l’automobile et
5 d’intelligence
l’intelligence artificielle/l’apprentis- décrit dans la
sage automatique. Dans quels domaines l’influence Recommandation
de l’intelligence artificielle/de UIT-T Y.3173 – a donné
Quelle a été l’approche adoptée l’apprentissage automatique
par l’UIT face à la nécessité de estelle la plus marquée
lieu à de nombreuses
prendre un charge une gamme dans le cadre des travaux de discussions au
d’applications TIC plus diversifiée? normalisation de l’UIT et quelles sein de l’UIT.
sont les possibilités sur le plan de
^ Bien que le rôle de l’UIT, consis- la participation?
tant à créer une communauté et Chaesub Lee
à renforcer la confiance, soit resté ^ L’intelligence artificielle et
inchangé, nous sommes entrés l’apprentissage automatique font
dans une nouvelle ère sur le plan partie intégrante des travaux de
de la normalisation, qui suppose normalisation de l’UIT dans des
d’adopter de nouvelles approches domaines tels que l’orchestra-
afin que l’UIT puisse continuer tion et la gestion des réseaux,
d’exercer ce rôle. Depuis de nom- le codage multimédia, l’éva-
breuses années, nous réunissons luation de la qualité de service,
les décideurs du secteur des TIC la santé numérique, l’efficacité
et les décideurs d’autres secteurs. environnementale et la conduite
Ce dialogue inclusif nous a permis autonome. Le concept de réseau
d’instaurer les conditions néces- véritablement autonome (niveau
saires pour élaborer des normes 5 d’intelligence décrit dans la
influentes dans les domaines de Recommandation UIT-T Y.3173)
l’innovation qui ont vu le jour a donné lieu à de nombreuses
grâce aux nouveaux partenariats, discussions au sein de l’UIT. Nous
comme la santé numérique, les invitons ceux qui le souhaitent à
services financiers numériques, les nous rejoindre. L’UIT continue de
systèmes de transport intelligents se développer de façon inclusive.
et l’intelligence artificielle/l’appren-
tissage automatique. C’est à cet Cette année, nous avons mis en
aspect que l’on reconnaît l’utilité place une contribution financière
des tribunes ouvertes telles que les réduite pour les jeunes entreprises
groupes spécialisés de l’UIT-T et le et les PME. Les établissements
Sommet mondial sur l’intelligence universitaires bénéficient de contri-
artificielle au service du bien social. butions réduites depuis 2011. Les
Ces tribunes ouvertes contri- entreprises de toutes tailles issues
buent à créer une communauté de pays en développement à
et à renforcer la confiance. Elles faible revenu bénéficient égale-
permettent de mieux comprendre ment de contributions réduites.
les contributions attendues des
Concours
de l’UIT sur
et l’apprentissage
Application de l’apprentissage
automatique dans les réseaux
de communication
ai5gchallenge@itu.int
Message des organisateurs

Thomas Basikolo, Consultant pour l’intelligence artificielle/l’apprentissage automatique
J Le Concours de l’UIT sur l’intelligence artificielle et l’apprentissage

automatique dans la 5G a réuni des étudiants et des professionnels
du monde entier partageant les mêmes intérêts afin d’étudier les
applications pratiques de l’intelligence artificielle et de l’apprentissage Le Concours de l’UIT
automatique dans les réseaux émergents et les réseaux futurs. Il sur l’intelligence
s’agissait du premier concours de ce type organisé par l’UIT, mais
artificielle et
compte tenu du grand nombre d’enseignements précieux qui ont été
retenus, il est à prévoir que d’autres éditions suivront. l’apprentissage
automatique dans
Le Concours a réuni plus de 1 300 participants de 62 pays, regroupés la 5G a réuni des
au sein de 911 équipes. Lors de la grande finale de ce concours, qui
étudiants et des
aura lieu en ligne du 15 au 17 décembre, ces équipes exceptionnelles
entreront en compétition pour remporter une partie du prix représen- professionnels
tant un montant total de 20 000 CHF, ainsi que divers autres prix offrant du monde entier
une reconnaissance mondiale. partageant les
mêmes intérêts.
Ce Concours de l’UIT a été rendu possible grâce à des partenariats, qui
ont constitué le maître mot de cette manifestation.
Thomas Basikolo
Le Concours a unis et nos sponsors de la catégo- Les énoncés de problèmes

réuni plus de 1 300 rie bronze, Cisco et ZTE. de cette première édition du
Concours de l’UIT ont fourni
participants de 62 diverses occasions d’appliquer
pays, regroupés au Mettre en correspondance les techniques UIT-T Y.317x, et un
sein de 911 équipes. les solutions et les normes énoncé de problème a permis de
de l’UIT démontrer les capacités MLFO
grâce à des mises en œuvre de
Thomas Basikolo Les nouvelles normes de l’UIT pour référence.
l’intelligence artificielle (IA)/
l’apprentissage automatique (ML) Dans les éditions futures de ce
offrent des ensembles de données Concours de l’UIT, l’objectif sera
qui, lorsqu’ils sont intégrés, consti- de fournir une mise en œuvre de
tuent un canal de bout en bout référence pour un pipeline ML de
pour l’intégration de l’intelligence bout en bout, comme indiqué dans
Le Concours de l’UIT a permis aux artificielle et de l’apprentissage la Recommandation UITT Y.3172.
participants de nouer des relations automatique dans les réseaux. Le Ces mises en œuvre de référence
avec de nouveaux partenaires issus Concours de l’UIT vise à présenter comprendraient par exemple des
d’entreprises et d’établissements et à valider ces normes de l’UIT. guides pour le codage et l’intégra-
universitaires et de découvrir de En mettant en correspondance les tion de l’apprentissage automa-
nouveaux outils et de nouvelles solutions et les normes de l’UIT, tique; des outils pour le traitement
ressources de données, le but le Concours de l’UIT contribue au et la gestion des données; et des
étant de résoudre des problèmes développement de la commu- outils pour la sélection, l’entraîne-
réels au moyen de l’intelligence nauté d’acteurs qui sont en mesure ment, l’optimisation et la vérifica-
artificielle/de l’apprentissage de promouvoir l’évolution itérative tion des modèles d’apprentissage
automatique, de démontrer leurs de ces normes. automatique.
talents et d’acquérir de nouvelles
données d’expérience. Vingt-trois L’architecture UIT-T Y.3172, Notre objectif est aussi de donner
énoncés de problèmes ont été qui découle de l’étude des l’accès aux ensembles d’outils
soumis par des entreprises et des cas d’utilisation publiés normalisés de l’UIT dans le cadre
établissements universitaires du dans le Supplément 55 aux d’initiatives telles que des plugfest
Brésil, de la Chine, de l’Inde, de Recommandations UIT-T de la série et des hackatons et de faciliter la
l’Irlande, du Japon, de la Russie, Y.3170, présente un ensemble collaboration dans le cadre de
de l’Espagne, de la Turquie et des d’outils de base en lien avec le projets à code source ouvert et de
États-Unis, et ces «hôtes régio- réseau sous-jacent: un pipeline ML travaux de normalisation.
naux» ont fourni des ressources et pour l’optimisation des modèles
des avis d’experts afin d’aider les et le service; un «bac à sable»
participants à relever ces défis. ML pour mettre à l’épreuve les Une expérience
modèles avant le déploiement; et d’apprentissage pour tous
Nous tenons à remercier la com- un orchestrateur de fonctions ML
munauté qui a rendu possible ce (MLFO) pour contrôler l’intégra- La disponibilité des données est
Concours, c’est-à-dire les partition IA/ML. Les Recommandations un problème majeur qui doit être
cipants et les hôtes régionaux; UIT-T Y.3173 (évaluation du niveau traité lorsque l’on réunit une com-
les partenaires de promotion, d’intelligence), UIT-T Y.3174 (traite- munauté mondiale afin d’innover
à savoir LF AI & Data, NGMN ment des données) et UITT Y.3176 dans le domaine de l’intelligence
et SGInnovate; ainsi que notre (intégration des marchés) artificielle/de l’apprentissage
sponsor de la catégorie or, l’Auto- reposent toutes sur l’architecture automatique.
rité de régulation des télécommu- UIT-T Y.3172.
nications (TRA) des Émirats arabes
Les travaux
Quinze énoncés de problèmes artificielle/de l’apprentis- préparatoires en vue
étaient mis à la disposition de sage automatique. de l’édition 2.0 du
tous les participants. Huit énoncés
Concours de l’UIT
étaient disponibles moyennant des Dans le cadre des travaux visant
conditions définies par les hôtes. à offrir aux participants des sont en cours, sous la
Quatorze autres sont toujours «en conditions équitables, l’UIT et ses direction d’une équipe
cours d’élaboration», en l’absence partenaires ont élaboré des flux de de base constituée
d’outils et de ressources de don- travail spécialement adaptés, per-
de membres du
nées nécessaires pour cette pre- mettant aux participants de vivre
mière édition du Concours de l’UIT. une expérience unique et person- comité de gestion
Il est à espérer que de nouveaux nalisée dans le cadre du Concours. du Concours, de
partenaires se mobiliseront pour membres du jury,
aborder ces quatorze énoncés de L’UIT a dialogué avec les parti-
de partenaires
problèmes lors de futures éditions cipants dans le cadre de tables
du Concours de l’UIT. rondes et de webinaires tech- de promotion et
niques, afin de fournir des avis de sponsors.
Les lignes directrices sur le partage d’experts dans le but de traiter
de données du Concours de l’UIT les énoncés de problèmes et de
englobent un large éventail de mettre en avant les nouvelles
points de vue émanant d’entre- normes de l’UIT à l’appui. Aux Thomas Basikolo
prises et d’établissements uni- côtés des hôtes régionaux, les
versitaires concernant l’accès à organisateurs ont fait la promotion
des données réelles relatives aux de la manifestation en langues
réseaux, à des données de syn- locales, mis en relation des parti-
thèse et à des données ouvertes. cipants et des mentors et animé serions heureux d’accueillir de
Ces lignes directrices donnent une des discussions interactives sur la nouveaux partenariats et de rece-
description des mesures visant plate-forme Slack. voir de nouveaux énoncés de pro-
à permettre le partage de don- blèmes, de nouveaux outils et de
nées compte tenu des différentes nouvelles ressources de données.
classifications des ensembles de Prêts à relever le défi Notre objectif est d’ouvrir de nou-
données, des étapes de prétraite- en 2021? velles possibilités pour permettre
ment (notamment l’anonymisation) aux entreprises et aux établisse-
et de l’hébergement sécurisé Les travaux préparatoires en vue ments universitaires de résoudre
des données. de l’édition 2.0 du Concours de ensemble des problèmes, ainsi
l’UIT sont en cours, sous la direc- que de nouvelles perspectives
Nous avons pu constater que les tion d’une équipe de base consti- pour influer sur l’orientation
meilleurs résultats sont ceux obte- tuée de membres du comité de du processus de normalisation
nus dans le cadre d’une collabora- gestion du Concours, de membres de l’UIT et de l’application des
tion étroite. Le Concours a montré du jury, de partenaires de promo- normes. Contactez-nous si vous
que la meilleure façon de résoudre tion et de sponsors. souhaitez participer à la résolution
les énoncés de problèmes est de de problèmes, évaluer certaines
s’appuyer non seulement sur les Nous continuerons d’encourager contributions intéressantes, pro-
outils et les ressources de données les nouveaux partenariats dans mouvoir le Concours, parrainer un
nécessaires, mais aussi sur une les domaines de l’intelligence prix ou encadrer des étudiants.
collaboration étroite entre les parti- artificielle et de l’apprentis-
cipants et les hôtes régionaux. sage automatique et d’élaborer Nous vous remercions pour votre
des principes directeurs pour soutien et nous nous réjouissons
Notre priorité était de créer une l’échange d’outils et de ressources de vous revoir à l’occasion de l’édi-
véritable communauté dans de données nécessaires afin de tion 2.0 du Concours.
le domaine de l’intelligence concrétiser ces partenariats. Nous
Suivez le concours de l’UIT sur
automatique en 5G
26 partenaires Voir le site web

(opérateurs de du concours
télécommunication, fournisseurs
d’équipements et universitaires) ont
travaillé sur 23 énoncés de problème,
Plus de 1 300 participants provenant de
plus de 60 pays situés dans 6 régions et
provenant à 45% du secteur privé et à 55% Ne manquez pas
du monde universitaire, 26 séminaires sur la proclamation
le web, 4 domaines techniques: réseaux, des gagnants de
catalyseurs, processus verticaux, bien la grande finale
social, 20 000 CHF de dotation du concours
pour les lauréats, 5 catégories de qui aura lieu en
certificats ligne ici
du 15 au 17
décembre 2020
Chronologie
Appel Grande
mondial à Début de Progression
finale en
des énoncés la manche des meilleures
ligne du
pour le internationale équipe
concours
concours
Choix des énoncés de problème Allocutions

Publication des jeux de données Exposés des lauréats
Inscription Remise des prix
Fin de la
Phase manche
d’échauffement internationale
Février 2020 à juin 2020 Juillet 2020 Novembre 2020 15-17 décembre 2020
Énoncés de problème
Titre Entité d’accueil
ML5G-PHY-choix des faisceaux: apprentissage automatique appliqué à la
Université fédérale de Pará (UFPA), Brésil
couche physique des systèmes MIMO en ondes millimétriques
Améliorer la capacité des réseaux WLAN conformes à la norme IEEE 802.11 par
Université de Pompeu Fabra (UPF), Espagne
Barcelona Neural Networking Center (BNN-UPC),

Concours 2020 de construction de réseaux de neurones en graphes
Espagne
Compression de modèles d’apprentissage profond ZTE
5G+IA (transport intelligent) Université de Jawaharlal Nehru (JNU), Inde
Amélioration de l’expérience et renforcement de l’immersion lors des

Dview
conférences et des collaborations par vidéo
5G+ML/IA (accès dynamique au spectre) Indian Institute of Technology Delhi (IITD)
Systèmes IA/ML protégeant la confidentialité des données dans des réseaux 5G

Centre for Development of Telematics (C‑DOT)
destinés aux applications de santé
Partage des expériences en matière d’utilisation de systèmes 5G+IA (3D

Hike, Inde
augmentée + réalité virtuelle)
Démonstration des capacités des systèmes MLFO par mise en œuvre de

Letterkenny Institute of Technology (LYIT), Irlande
références
ML5G-PHY-estimation des canaux: apprentissage automatique appliqué à la

couche physique des systèmes MIMO en ondes millimétriques à l’Université North Carolina State University, ÉtatsUnis d’Amérique
publique de Caroline du Nord
NEC, RISING Committee, Telecommunication

Estimation de l’état d’un réseau par analyse de données vidéo brutes
Technology Committee (TTC)
Analyse des échecs liés aux informations d’itinéraire dans les réseaux centraux IP KDDI, RISING Committee, Telecommunication
par un environnement de test fondé sur la virtualisation des fonctions de réseau Technology Committee (TTC)
Exploitation d’informations météorologiques pour prévoir les échecs de liaisons

Turkcell
radio
Reconnaissance de trafic et prévision de trafic à long terme fondées sur des Université publique de télécommunications de
algorithmes d’IA et des métadonnées aux fins de la 5G/IMT-2020 et au-delà SaintPétersbourg (SPbSUT)
5G+IA+AR China Unicom (Division de Zhejiang)
Localisation des pannes dans des éléments de réseaux en boucle fondée sur
China Unicom (Division de Guangdong)
une plate-forme MEC
Construction d’éléments de réseaux en boucle fondés sur une plate-forme MEC

China Unicom (Division de Guangdong)
à partir d’un graphe de connaissances pour la configuration
Alerte et prévention fondées sur des données de télécommunication pour les

China Unicom (Division de Beijing)
situations d’urgence en matière de santé publique
Prévisions permettant à des cellules de stations de base d’un réseau de

China Unicom (Division de Shanghaï)
communication mobile d’économiser de l’énergie
Détection d’anomalies dans un réseau central fondée sur des indicateurs clés de
China Unicom (Division de Shanghaï)
performance
Optimisation de la topologie des réseaux China Mobile
Prévision d’alerte de panne (OoS) dans une station de base d’un réseau 4/5G China Mobile
Grande finale du concours
– Mardi 15 décembre 2020
Heure
Titre Membres de l’équipe Affiliation
CET
12 h 15 5G+IA+AR Jiawang Liu_Jiaping Jiang CITC et China Unicom
Analyse des échecs liés aux informations d’itinéraire

12 h 30 dans les réseaux centraux IP par un environnement de Fei Xia_Aerman Tuerxun_Jiaxing Lu_Ping Du Université de Tokyo
test fondé sur la virtualisation des fonctions de réseau
Analyse des échecs liés aux informations d’itinéraire

Nara Institute of Science
12 h 45 dans les réseaux centraux IP par un environnement de Takanori Hara_Kentaro Fujita
and Technology, Japan
test fondé sur la virtualisation des fonctions de réseau
Analyse des échecs liés aux informations d’itinéraire Ryoma Kondo_Takashi Ubukata _Kentaro
13 h 00 dans les réseaux centraux IP par un environnement de Matsuura_ Université de Tokyo
test fondé sur la virtualisation des fonctions de réseau Hirofumi Ohzeki
Localisation des pannes dans des éléments de réseaux Guochuang Software

13 h 15 Zhang Qi_Lin Xueqin
en boucle fondée sur une plate-forme MEC Co. Ltd
Han Zengfu_Wang Zhiguo_ Zhang Yiwei_Wu

13 h 30 Optimisation de la topologie des réseaux China Mobile Shandong
Desheng_Li Sicong
Gang Zhouwei_Rao Qianyin_Feng Zezhong_Xi

13 h 45 Optimisation de la topologie des réseaux China Mobile Guizhou
Lin_Guo Lin
14 h 00 Pause Pause Pause
Prévisions permettant à des cellules de stations de base

AsiaInfo Technologies
14 h 15 d’un réseau de communication mobile d’économiser Wei Jiang_Shiyi Zhu_Xu Xu
Ltd
de l’énergie
Prévision d’alerte de panne (OoS) dans une station de

14 h 30 Zhou Chao_Zheng Tianyu_Jiang Meijun Université de Nankai
base d’un réseau 4/5G
Démonstration des capacités des systèmes MLFO par Université technique de

14 h 45 Abhishek Dandekar
mise en œuvre de références Berlin
ML5G-PHY-choix des faisceaux: apprentissage

Mahdi Boloursaz Mashhadi_ Tze‑Yang Tung_Mikolaj Imperial College,
15 h 00 automatique appliqué à la couche physique des
Jankowski_Szymon Kobus Londres
systèmes MIMO en ondes millimétriques

Batool Salehihikouei_Debashri Roy_Guillem Reus Université du Nord-Est,
15 h 15 automatique appliqué à la couche physique des
Muns_Zifeng Wang_Tong Jian Brésil

15 h 30 automatique appliqué à la couche physique des Zecchin Matteo Eurecom, Brésil
Améliorer la capacité des réseaux WLAN conformes à Université de Pompeu

15 h 45 Ramon Vallès
la norme IEEE 802.11 par l’apprentissage automatique Fabra, Espagne
Améliorer la capacité des réseaux WLAN conformes à Paola Soto_David Goez_Miguel Camelo_Natalia Université d’Antwerp,
16 h 00
la norme IEEE 802.11 par l’apprentissage automatique Gaviria Belgique
Mohammad Abid_Ayman M. Aloshan_Faisal

Améliorer la capacité des réseaux WLAN conformes à
16 h 15 Alomar_Mohammad Alfaifi_ Saudi Telecom
la norme IEEE 802.11 par l’apprentissage automatique
Abdulrahman Algunayyah_Khaled M. Sahari
Note: Les équipes précitées ont été choisies pour présenter un exposé lors de la grande finale du concours (conférence finale).
(Chaque équipe dispose de 8 minutes pour faire son exposé,
puis de 7 minutes pour les questions et les réponses avec le jury et le public.)
On trouvera ici la liste des Ne manquez pas la conférence

meilleures équipes. finale! Inscrivez-vous ici.
Grande finale du concours −
Mercredi 16 décembre 2020
Heure
Titre Membres de l’équipe Affiliation
CET
Estimation de l’état d’un réseau par analyse de Université de la Préfecture
12 h 00 Yuusuke Hashimoto_Yuya Seki _Daishi Kondo
données vidéo brutes d’Osaka, Japon
The Kyoto College of
Estimation de l’état d’un réseau par analyse de
12 h 15 Yimeng Sun_Badr Mochizuki Graduate Studies for
données vidéo brutes
Informatics, Japon
National Institute of
Estimation de l’état d’un réseau par analyse de Fuyuki Higa_Gen Utidomari_ Ryuma Kinjyo_Nao
12 h 30 Technology, Okinawa
données vidéo brutes Uehara
College, Japon
Institute of Computing
12 h 45 Compression de modèles d’apprentissage profond Yuwei Wang_Sheng Sun Technology Académie des
sciences de la Chine
Satheesh Kumar Perepu_ Saravanan Mohan_
13 h 00 Compression de modèles d’apprentissage profond Ericsson Research India
Vidya G Thrivikram_G L Sethuraman T V
Atheer K. Alsaif_Nora M. Almuhanna_
13 h 15 5G+IA (transport intelligent) Saudi Telecom
Abdulrahman Alromaih_ Abdullah O. Alwashmi
Systèmes IA/ML protégeant la confidentialité
Mohammad Malekzadeh_ Mehmet Emre Ozfatura_
13 h 30 des données dans des réseaux 5G destinés aux Imperial College, Londres
Kunal Katarya_Mital Nitish
applications de santé
Partage des expériences en matière d’utilisation de Easyrewardz Software
13 h 45 Nitish Kumar Singh
systèmes 5G+IA (3D augmentée + réalité virtuelle) Services
14 h 00 Pause Pause Pause
Concours 2020 de construction de réseaux de Loïck Bonniot_Christoph Neumann_François
14 h 15 InterDigital; Inria/Irisa
neurones en graphes Schnitzler_ François Taiani
Concours 2020 de construction de réseaux de Nick Vincent Hainke_Stefan Venz_
14 h 30 Fraunhofer HHI, Allemagne
neurones en graphes Johannes Wegener_Henrike Wissing
Concours 2020 de construction de réseaux de Martin Happ_Christian Maier_Jia Lei Du_Matthias Salzburg Research
14 h 45
neurones en graphes Herlich Forschungsgesellschaft
Exploitation d’informations météorologiques pour
15 h 00 Dheeraj Kotagiri_Anan Sawabe_ Takanora Iwai NEC Corporation
prévoir les échecs de liaisons radio
Exploitation d’informations météorologiques pour Juan Samuel Pérez_Amín Deschamps_ Santo Domingo Institute of
15 h 15
prévoir les échecs de liaisons radio Willmer Quiñones_Yobany Díaz Technology (INTEC)
Reconnaissance de trafic et prévision de trafic à Université technique
Ainaz Hamidulin_Viktor Adadurov_Denis Garaev_
15 h 30 long terme fondées sur des algorithmes d’IA et des publique d’aéronautique
Artem Andriesvky
métadonnées aux fins de la 5G/IMT2020 et au-delà d’Oufa, Russie
ML5G-PHY-estimation des canaux: apprentissage
automatique appliqué à la couche physique
15 h 45 Dolores Garcia_Joan Palacios_ Joerg Widmer IMDEA Networks
des systèmes MIMO en ondes millimétriques à
l’Université publique de Caroline du Nord
ML5G-PHY-estimation des canaux: apprentissage
automatique appliqué à la couche physique Emil Björnson_Pontus Giselsson_ Universités de Linköping et
16 h 00
des systèmes MIMO en ondes millimétriques à Mustafa Cenk Yetis_Özlem Tugfe Demir de Lund, Suède
l’Université publique de Caroline du Nord
ML5G-PHY-estimation des canaux: apprentissage Eurecom, France,
Chandra Murthy_Christo Kurisummoottil Thomas_
automatique appliqué à la couche physique Indian Institute of Science,
16 h 15 Marios Kountouris_Rakesh Mundlamuri_Sai
des systèmes MIMO en ondes millimétriques à Inde, Communications,
Subramanyam Thoota_Sameera Bharadwaja H
l’Université publique de Caroline du Nord Canada
Note: Les équipes précitées ont été choisies pour présenter un exposé lors de la grande finale du concours (conférence finale).
(Chaque équipe dispose de 8 minutes pour faire son exposé,

puis de 7 minutes pour les questions et les réponses avec le jury et le public.)
On trouvera ici la liste des Ne manquez pas la conférence

meilleures équipes. finale! Inscrivez-vous ici.
Grande finale du concours
– Jeudi 17 décembre 2020
Heure
Programme
CET
11 h 30–
Session commune pour tester la connexion
12 h 00
12 h 00– Cérémonie d’ouverture

12 h 30
Remarques liminaires
Houlin Zhao, Secrétaire général de l’UIT
Chaesub Lee, Directeur du Bureau de la normalisation des télécommunications de l’UIT
Autorité de régulation des télécommunications des Émirats arabes unis
Tour d’horizon du concours 2020

Thomas Basikolo, UIT
12 h 30– Allocution – Les progrès récents de l’apprentissage fédéré dans le domaine des
12 h 55 communications
Wojciech Samek, Chef du Groupe de l’apprentissage automatique, Fraunhofer HHI
12 h 55– Session spéciale: Une vision de l’avenir – La feuille de route de l’intelligence

13 h 40 artificielle (IA) et de l’apprentissage automatique (ML) dans le domaine de la 5G
Le point de vue du régulateur
Autorité de régulation des télécommunications des Émirats arabes unis
Le point de vue du secteur privé

Cisco
Le point de vue du secteur privé

Wei Meng, Directeur de la planification des normes et de l’open source, ZTE Corporation
13 h 40– Allocution – Le voyage inachevé de l’IA en réseau

14 h 05 Chih-Lin I, Directeur scientifique, Technologies hertziennes, China Mobile Research Institute
14 h 05– Allocution – Apprendre aux frontières des technologies hertziennes

14 h 30 H. Vincent Poor – Professeur d’ingénierie électrique, Université de Princeton, ÉtatsUnis
d’Amérique
14 h 30–
Exposés des lauréats
15 h 15
15 h 15– Annonce des récompenses:

15 h 30 prix et certificats
15 h 30– Appel à articles pour le numéro spécial du Journal de l’UIT sur les technologies futures et les
15 h 35 technologie évolutives (UIT J-FET): «Solutions IA/ML dans le domaine de la 5G et réseaux du
futur»
15 h 35– Perspectives en 2021 pour le concours 2.0

15 h 45 Vishnu Ram, chercheur indépendant
15 h 45– Cérémonie de clôture

16 h 00
Remarques de conclusion:
Les hôtes du concours 2020 IA/ML de l’UIT
Chaesub Lee, Directeur du Bureau de la normalisation des télécommunications de l’UIT
Ne manquez pas la conférence

finale! Inscrivez-vous ici.
Prix et certificats
des lauréats
Les équipes chargées des différents énoncés participeront
au concours IA/ML en 5G organisé par l’UIT, et divers
prix seront offerts à celles qui auront remporté la
grande finale du 15 au 17 décembre 2020.
Certificat du prix des vainqueurs: Les prix suivants seront décernés aux
équipes lauréates:
Premier Deuxième Troisième

prix: prix: prix:
«Médaille d’or du «Médaille d’argent «Médaille de

concours IA/ML en du concours IA/ML bronze du concours
5G» en 5G» IA/ML en 5G»
Dotation: Dotation: Dotation:
5 000 CHF 3 000 CHF 2 000 CHF
Les trois finalistes suivants recevront 1 000 CHF chacun.
Certificat du prix du jury: Ces prix seront remis aux vainqueurs

de chaque énoncé de problème selon la recommandation de
l’organisme accueillant le concours (les lauréats ne pouvant être
identiques à ceux du prix des vainqueurs).
Chaque lauréat recevra 300 CHF.
Un certificat de mention honorable sera également remis.
Un certificat communautaire d’encouragement sera par ailleurs remis

aux équipes ayant été actives pendant le programme de mentorat et
dont la solution aura été acceptée.
Enfin, un certificat d’achèvement sera remis aux équipes qui auront

achevé le concours en ayant présenté une solution.
Shutterstock
Intelligence artificielle/apprentissage
automatique: Guide des défis que devront relever
les agents CTx de prochaine génération
Vishnu Ram OV, Consultant en recherche indépendant
J Le nouvel agent CTx* de Future lequel le l’agent CTx misait était en

XG a analysé les rapports à l’écran. train de partir dans un milliard de
directions différentes. Sans compter
Spécifications (x+1)G toute cette effervescence autour Sans compter toute
repoussées. Les déploiements des réseaux autonomes qui signi-
fiait que chaque partie du réseau
cette effervescence
xG doivent encore être justifiés.
Recherchedéveloppement noyée travaillait à sa propre autonomie. autour des réseaux
dans un océan d’acronymes, autonomes qui
anciens et nouveaux. De nouveaux L’agent CTx réussira-t-il à relever ce signifiait que chaque
schémas d’architecture toutes défi?
partie du réseau
les quelques semaines. De nou-
veaux cas d’utilisation à prendre De nouvelles normes UIT décrivent travaillait à sa
en charge pour chaque marché. des concepts visant à permettre propre autonomie.
L’application et l’intégration de l’in- l’intégration de l’intelligence artifi-
telligence artificielle (AI)/apprent- cielle (AI)/apprentissage automa-
issage automatique (ML) dans le tique (ML) dans les réseaux 5G et
réseau n’avaient rien de simple. Le futurs à mesure que ces réseaux
répertoire à code source ouvert sur évoluent.
* Toute ressemblance ou similarité avec des agents CTO existants est entièrement futuriste.
Avertissement: Le présent article contient des informations fictives que l’on pourrait appeler déclarations prospectives.
L’architecture UIT-T Y.3172, qui (traitement des données) et UIT-T concepts décrits dans les normes
découle de l’étude des cas d’utili- Y.3176 (intégration des marchés) UIT-T de la série Y.317x, même
sation publiés dans le Supplément reposent toutes sur l’architecture lorsque l’on passe à une architec-
55 aux Recommandations UIT-T UIT-T Y.1372. ture de réseau sous-jacent de nou-
de la série Y.3170, présentait un velle génération, il sera toujours
ensemble d’outils de base compre- L’association de ces normes UIT possible de spécifier l›intégration
nant le pipeline ML, le bac à sable offre un ensemble d’outils puis- de l’intelligence artificielle/appren-
ML et l’orchestrateur de fonctions sants – des outils normalisés tissage automatique en utilisant
ML (MLFO) en lien avec le réseau – permettant aux opérateurs de la terminologie commune fournie
sous-jacent. Les Recommandations surveiller les changements dans par l’UIT.
UIT-T Y.3173 (évaluation du niveau le réseau sous-jacent et de s’y
d›intelligence), UIT-T Y.3174 adapter. Grâce à l’utilisation des
Architecture de haut niveau pour l’intégration de l’intelligence artificielle/

apprentissage automatique dans les réseaux (UIT-T Y.3172)
Sous-système Sous-système de bac à sable ML

de gestion
6
Autres SRC C PP M P D SINK
fonctions de 2 1
gestion et Réseaux sous-jacents ML simulés
d’orchestration
3
Sous-système de pipeline ML
7
M P D SINK Niveau N
MLFO 8 …
5
SRC C PP Niveau 2
9
Intention ML SRC Niveau 1
ML = apprentissage automatique
MFLO = Orchestrateur de fonctions d’apprentissage automatique 4
SRC = Source des données
C = Collecteur Réseaux sous-jacents ML
PP = Pré-producteur
M = Modèle
P = Politique NF 1 … NF n NF 1 … NF n
D = Distributeur
SINK = Cible des résultats ML Réseau sous-jacent 1 Réseau sous-jacent 2
NF = Fonction de réseau
De nouvelles alertes à sable ML. L’effet obtenu est celui à l’écran. Quoi? Une alerte de mise
de la fonction de souhaité. L’approbation arrive dans à jour du réseau! Une fois de plus,
la boîte à messages. Les vraies le fournisseur fait une mise à jour
surveillance MLFO données de réseau améliorent non programmée d’une fonction
apparaissent à encore la précision des modèles. de réseau virtualisée. Devons-nous
l’écran. Quoi? Une L’agent CTx entre «[ML-usecase- refaire la totalité du pipeline ML?
alerte de mise à 1xx::status::ready]» dans la boîte à
messages. Grâce au concept décrit dans la
jour du réseau! série de Recommandations UIT-T
L’orchestrateur MLFO décrit dans Y.317x de pipeline ML et de bac à
la Recommandation UIT-T Y.3172 sable ML gérés par l’orchestrateur
est un nœud logique qui effectue MLFO, les opérateurs peuvent
la gestion et l’orchestration des dissocier le réseau sousjacent de
nœuds dans un pipeline ML. La l’intégration AI/ML.
Recommandation UITT Y.3173
(évaluation du niveau d’intelli- Au point de référence 7, l’archi-
Un message avec toutes les gence) décrit un scenario d’ar- tecture UIT-T Y.3172 permet à
données sur un nouveau cas chitecture clé pour l’évaluation l›orchestrateur MLFO de suivre
d’utilisation arrive dans la boîte à des niveaux d’intelligence du les modifications du réseau
messages. L’agent CTx l’ouvre en réseau par l’orchestrateur MLFO. sous-jacent et d’appliquer les
utilisant l’analyseur syntaxique d’in- La Recommandation UIT-T Y.3174 optimisations et les configurations
tention. Intéressant mais comment (traitement des données) décrit les dans le pipeline ML. Le scena-
mettre en œuvre ce nouveau cas? diagrammes de séquence corres- rio d’architecture décrit dans la
L’agent CTx trouve un webinaire de pondant à l’instanciation des diffé- Recommandation UIT-T Y.3173
l’UIT sur l’orchestration MLFO pour rents composants des outils UIT-T (évaluation du niveau d’intelli-
l’intégration AI/ML gérée. Quelques Y.317x, sur la base de l’intention gence) prévoit en outre la surveil-
appels API plus tard, l’agent CTx est ML soumise par l’opérateur. lance par l’orchestrateur MLFO du
prêt avec une ébauche de pipe- niveau d’intelligence de chaque
line ML. Associé à l’orchestrateur MLFO, nœud d’un pipeline ML.
le bac à sable ML offre un envi-
L’agent CTx lance des simula- ronnement géré dans lequel les Le projet de Recommandation
tions dans le bac à sable ML tout opérateurs peuvent entraîner, UIT-T Y.ML-IMT2020-MODEL-SERV
en attendant l’approbation pour tester et valider des modèles vise à fournir un cadre architectural
accéder aux vraies données de ML avant de les déployer dans prenant en charge l’optimisation
réseau. Les «clones» numériques le réseau réel. Le mécanisme de efficace des modèles ML dans des
entrent en action; des données sont traitement des données définis environnements matériels hété-
générées sur la base des schémas dans la Recommandation UIT-T rogènes, le déploiement souple
précédents et les modèles sont Y3174 permet en outre d’ajouter de modèles ML pour différents
entraînés dans le bac à sable ML, de nouvelles sources de données scenarios de cas d’utilisation et
tandis que l’autorité d’approba- et d’autres scenarios. des interfaces efficaces dans le
tion prend son temps. L’agent CTx pipeline ML lorsqu’un modèle de
envoie les résultats des modèles De nouvelles alertes de la fonction service est déployé.
expérimentaux testés dans le bac de surveillance MLFO apparaissent
L’agent CTx parcourt un nou- La Recommandation UIT-T Y.3176 C’est fait! Un nouveau pipeline ML
veau message dans la boîte appuie l’administration des est en place dans le bac à sable
différents types de marchés ML, ML, testé et vérifié pour le nouveau
à message «[ML-usecase-
internes ou externes, et la fédéra- cas d’utilisation. L’agent CTx entre
1xx::Evaluate::partner.edu::- tion des marchés ML. Grâce aux «[status::ready]» dans la boîte à
model.url]». Des travaux interfaces API qu’elle définit, les messages. L’autorité d’approba-
novateurs menés par une uni- marchés sont en mesure de trouver tion répond «[status::approved]».
versité partenaire sur les algo- et de choisir des modèles ML sur L’agent CTx planifie une mise à jour
d’autres marchés et de faire appel du réseau.
rithmes avaient permis d’aboutir
à des marchés fédérés. Les mar-
à un modèle imbriqué pouvant chés sont également en mesure Pendant ce temps, sans que l’agent
convenir pour le cas d’utilisation. d’échanger des modèles ML mis à CTx le sache, un ensemble de mise
L’autorité d’approbation a toute- jour et d’interagir avec des bacs à à jour logicielle CTx était arrivé
fois besoin d’une évaluation du sable ML. dans la boîte à messages. Il était
modèle. Espérons que le marché temps d’évoluer, avec un nouvel
agent CTx pour prendre le relais.
ML externe est conforme à la
Recommandation UIT-Y.3176!
L’agent CTx extrait le modèle du
marché.
L’intégration des marchés ML peut

aider les opérateurs de réseau à
Architecture pour l’intégration des marchés ML
suivre la courbe d’innovation ML.
dans le réseau (UIT-T Y.3176)
Les métadonnées des modèles

ML, les exigences concernant les Marché ML externe
Sous-système
marchés ML et les points de réfé-
de gestion
rence de l’architecture définis dans 12 (Facultatif)
la Recommandation UIT-T Y.3176 Autres
fonctions de 15
(intégration des marchés) per-
mettent d’échanger et de déployer
gestion et Marché ML interne
d’orchestration
efficacement des modèles ML en
utilisant des interfaces normali- 13
sées. Cette méthode peut non 7
6
seulement aider à résoudre les
MLFO Sous-système de bac à sable ML 14
problèmes de mise en réseau avec
l’utilisation de techniques ML, mais
3
elle permet en outre de partager
5
et de monétiser ces techniques. Intention ML Sous-système de pipeline ML
ML = apprentissage automatique 4
MLFO = orchestrateur de fonctions d’apprentissage automatique
Réseaux sous-jacents ML
Données envoyées par l’intention ML à l›orchestrateur MLFO

Points de référence réutilisés (UIT-T Y.3172)
Nouveaux points de référence
À propos du Concours de l›UIT sur

En plus d’être capable l’intelligence artificielle/l’apprentissage
d’adapter et d’améliorer automatique dans la 5G
la gestion et le contrôle
du réseau, un réseau Le Concours de l’UIT sur l’intelligence artificielle/l’apprentissage
autonome pourra évoluer automatique dans la 5G a offert un cadre permettant aux
par lui-même grâce à participants d’appliquer les techniques décrites dans les
Recommandations UIT-T de la série Y.317x pour résoudre des
l’expérimentation en énoncés de problèmes pratiques. Les thèmes traités dans le
ligne, pour permettre une cadre du Concours comprenaient notamment la sélection de
faisceaux, l’analyse des capacités WLAN, l’analyse de l’état
meilleure composition du réseau, le découpage de réseau et la prévision du trafic,
des contrôleurs et des la prédiction des défaillances des liaisons radioélectriques,
hiérarchies de contrôleurs. l’optimisation des modèles d’apprentissage automatique et les
mises en œuvre de référence d’orchestrateur MLFO. Différents
types de données, y compris des données provenant de
réseaux existants, ont été fournis dans certains cas en vue de
Vishnu Ram OV trouver des solutions aux problèmes posés.
Le concept de réseau véritable- En plus d’être capable d’adapter mise en correspondance de la

ment autonome – que permet le et d’améliorer la gestion et le demande pour atteindre le niveau
niveau d’intelligence 5 décrit dans contrôle du réseau, un réseau auto- 5 d’intelligence. La désagréga-
la Recommandation UIT-T Y.3173 nome pourra évoluer par lui-même tion des composants du réseau,
– a déclenché de nombreuses dis- grâce à l’expérimentation en ligne, l’évolution rapide du phénomène
cussions dans le cadre du Groupe pour permettre une meilleure de «DevOps» et des modèles ML
spécialisé de l’UIT-T sur l’apprentis- composition des contrôleurs et des de plus en plus performants sont
sage automatique pour les réseaux hiérarchies de contrôleurs. synonymes de davantage de travail
futurs, y compris les réseaux 5G, pour l’intégration AI/ML.
lesquelles se poursuivent dans le L’agent CTx.v2 a
cadre de la Commission d’études inspecté l’environnement. L’agent CTx.v2 fait des recherches
13 de l’UIT-T, qui est le groupe de dans le contexte pour trouver
l’UIT rassemblant des spécialistes Les pipelines ML, les bacs à sable des solutions.
de la normalisation qui travaillent et les marchés ML sont en place
sur les réseaux futurs et l’informa- et l’orchestrateur MLFO a donné Il est peut-être temps d’organiser
tique en nuage. le feu vert, mais il reste quelques un nouveau Concours de l’UIT sur
problèmes. Des formats de don- l’intelligence artificielle/l’apprent-
Les réseaux autonomes présen- nées divergents affectent le temps issage automatique dans la 5G?
teront des capacités d’autonomie de latence entre les pipelines ML L’agent CTx.v2 se connecte au bac
telles que la capacité de se surveil- dans le réseau. Il faut intégrer à sable de l’UIT à Genève et tape
ler, de fonctionner, de se rétablir, une multitude de kits pratiques à «[AI-ML-Challenge::v2::init]», mais
de se soigner, de se protéger, de code source ouvert. De nouveaux ça, c’est une autre histoire (celle de
s’optimiser et de se reconfigurer. défis apparaissent concernant la l’agent CTx.v3).
Shutterstock
Tour d’horizon des normes relatives

aux réseaux autonomes
Xiaojia Song, chercheur, Xi CAO, chercheur principal, Lingli DENG, responsable technique, Li YU,
directeur de recherche, et Junlan FENG, directeur scientifique, Institut de Recherche China Mobile
J Les réseaux mobiles entrent dans l’ère de l’intelligence avec

des scénarios d’application, des fonctionnalités, des services et des
exigences de fonctionnement très divers. Certaines technologies
comme l’intelligence artificielle (IA) devraient permettre de déployer des
réseaux autonomes (RA) dans des domaines tels que la planification, le
Les réseaux mobiles
déploiement, l’exploitation et l’optimisation de réseau, ainsi que la mise en entrent dans l’ère
place de services et l’assurance qualité. de l’intelligence
avec des scénarios
La plupart des organismes de normalisation, notamment le Secteur de
la normalisation des télécommunications de l’UIT (UIT-T), le 3GPP, l’ETSI
d’application
et la CCSA travaillent activement à élaborer des normes régissant les très divers.
réseaux autonomes.
Certains organismes industriels comme la GSMA, le TM Forum et la Global

TD-LTE Initiative (GTI) ont entrepris de promouvoir les réseaux autonomes.
La GSMA a déclaré que la capacité d’un réseau de fonctionner de manière
automatique constituera la quatrième dimension indispensable à l’heure
de la 5G, conjointement avec le large bande mobile évolué (eMBB), les
communications massives de type machine (mMTC) et les communications
ultra-fiables et à faible temps de latence (URLLC). Les réseaux autonomes
sont appelés à devenir l’un des facteurs d’innovation et de développe-
ment les plus importants des services 5G.
Les organismes de normalisation Étant donné que la convergence Ainsi, un moteur de politiques
s’efforcent actuellement de définir industrielle est essentielle pour fonctionnant par règles pour-
les niveaux d’autonomie des permettre à tout fournisseur rait constituer l’un des modules
réseaux (voir la méthode cadre d’équipement ou tout opérateur fonctionnels communs prenant en
dans le Tableau 1). de réseau de réduire ses coûts, charge à la fois les tâches de com-
la construction d’une plate-forme mande synchronisées au niveau 1,
L’étude des niveaux d’autonomie de collaboration ouverte (voir les boucles fermées impératives
des réseaux peut offrir un point Figure 1) permettrait d’élaborer au niveau 2 et l’ajout de modules
de référence et des orientations conjointement le cadre de réfé- de traduction des intentions de
aux opérateurs, aux fournisseurs rence d’une architecture fonction- commande aux niveaux 3 et 4.
d’équipements et à d’autres partici- nelle indépendante du contexte
pants du secteur des télécommu- ainsi que des interfaces internes ou Les principales activités menées
nications en matière de réseaux externes normalisées. Les fournis- par les organismes de normalisa-
autonomes, de travaux de nor- seurs de services de communication et les organismes industriels
malisation et d’établissement de tion disposeraient alors d’un outil sont indiquées dans la Figure 2
feuilles de route. simple pour lancer leurs activités et sont brièvement présen-
et converger vers l’autonomie tées ciaprès.
des réseaux.
Tableau 1 – Méthode cadre de classification du niveau d’intelligence

des réseaux autonomes (source: UIT-T Y.3173)
Dimensions
Niveau d’intelligence
Mappage
du réseau Déclenchement Recueil de Analyse Décision des
des fonctions données demandes
Exploitation manuelle du
L0 Humain Humain Humain Humain Humain
réseau
Exploitation assistée du Humain et

L1 Humain et système Humain Humain Humain
réseau système
Humain et Humain et
L2 Intelligence préliminaire Système Humain Humain
système système
Humain et Humain et
L3 Intelligence intermédiaire Système Système Humain
système système
Humain et
L4 Intelligence évoluée Système Système Système Système
système
L5 Intelligence complète Système Système Système Système Système
NOTE 1 – À chaque niveau d’intelligence du réseau, le processus décisionnel doit permettre l’intervention d’un être humain
de telle sorte que les décisions et les instructions d’exécution provenant de l’humain aient une priorité absolue.
NOTE 2 – Le présent tableau ne peut servir qu’à déterminer le niveau d’intelligence du réseau dans chaque dimension (et non
le niveau global d’intelligence du réseau).
Figure 1 – Collaboration ouverte du secteur industriel pour

progresser vers des réseaux autonomes
Mise en œuvre ouverte Intention ANS

Normes ouvertes
Commande en TR
Intention Intention OPS
Données en TR
Analyse Connaissances
Analyse Connaissance Aide en TR
Formation Lac de Règle
données
Commande Commande hors ligne
Recueil en TR Formation Connaissance
en TR
Données hors ligne
Indépendant du contexte Lac de Règle
données Aide hors ligne
Composantes fonctionnelles
Recueil en TR Commande
en TR Dépendant du contexte
TR = Temps réel données/commande/aide
ANS = Accord sur le niveau de service
OPS = Opérations Objets gérés
Figure 2 – Principales activités des organismes de normalisation et des organismes

industriels
UIT–T Y.3172
UIT–T Y.3173
UIT–T UIT–T Y.3174
UIT–T Y.3176
UIT–T Y.ML‑IMT2020‑RAFR
IDM, SON, MDT, COSLA

3GPP ANL
MDA, NWDA
Application de planification des réseaux de télécommunication fondée sur l’IA

CCSA Méthode de notation de l’intelligence du réseau
Exigences techniques du système ANL
Livre blanc 1.0 sur les RA

Livre blanc 2.0 sur les RA
TM Forum Guide introductif (IG) 1193:
Vision et feuille de route v1.0
Catalyseur des RA
Exigences commerciales et architecture v1.1
Concours mondial en IA
GSMA L’IA dans les réseaux:
cas d’utilisation en Chine
2018 2019 2020 2021

Organismes de
normalisation
Général Gestion Architecture Données Cas d’utilisation
Acteurs du secteur privé
Tableau 2 – Activités de normalisation de l’UITT

dans les domaines de l’intelligence artificielle, de
l’apprentissage automatique et des réseaux autonomes
fondés sur l’IA
Activités à l’UIT Numéro de
Titre
référence
À l’UIT-T, la Commission d’études 13 Supplement 55 to Apprentissage automatique dans les réseaux futurs, y compris
concentre ses travaux sur les réseaux Y.3170 Series les IMT-2020: cas d’utilisation
futurs et les aspects des télécom-
Cadre architectural pour l’apprentissage automatique dans
munications mobiles touchant aux UIT–T Y.3172
les réseaux futurs, y compris les IMT-2020
réseaux. Le Groupe spécialisé de
Cadre pour l’évaluation des niveaux d’intelligence des
l’UIT-T sur l’apprentissage automatique UIT–T Y.3173
réseaux futurs, y compris les IMT-2020
pour les réseaux futurs, y compris les
réseaux 5G (FG-ML5G), qui a mené Cadre pour le traitement des données en vue de permettre
UIT–T Y.3174 la mise en œuvre de l’apprentissage automatique dans les
des activités entre janvier 2018 et réseaux futurs, y compris les IMT-2020
juillet 2020, avait été créé pour étudier
les interfaces, les architectures réseau, Intégration du marché de l’apprentissage automatique dans
UIT–T Y.3176
les réseaux futurs, y compris les IMT-2020
les protocoles, les algorithmes et les
formats de données. Sur les dix spé- Spéc. FG-ML5G
Orchestration des fonctions de l’apprentissage automatique:
cifications techniques qui lui ont été exigences, architecture et conception
confiées, quatre ont déjà fait l’objet de Bac à sable pour l’apprentissage automatique aux fins des
Recommandations de l’UIT (normes), Spéc. FG-ML5G réseaux futurs, y compris le cadre de définition des besoins et
de l’architecture des IMT-2020
une a fait l’objet d’un Supplément et
les cinq autres vont donner lieu à des Gestion et orchestration des tranches de réseau de bout en
Spéc. FG-ML5G
normes de l’UIT. Les Recommandations bout fondées sur l’apprentissage automatique
relatives aux réseaux autonomes fon- Découpage de réseau assisté verticalement selon un cadre
dés sur l’intelligence artificielle, comme Spéc. FG-ML5G
cognitif
par exemple la Recommandation UITT
Cadre architectural pour l’automatisation de l’adaptation des
Y.ML-IMT2020-RAFR, sont au stade de Projet UIT-T
ressources et du rétablissement en cas de panne dans des
Y.ML‑IMT2020‑RAFR
la rédaction (voir le Tableau 2). réseaux futurs fondés sur l’IA, y compris les IMT-2020
TS: spécification TR: rapport
technique, technique
Activités du 3GPP
Les membres du partenariat 3GPP Tableau 3 – Activités de normalisation du groupe 3GPP

se sont intéressés à la question des RAN
réseaux autonomes dans le contexte
de la 4G. Ils ont surtout travaillé sur TS/TR Titre
les réseaux auto-organisés (SON) et la
Étude sur le recueil et l’utilisation de données centrées sur les
minimalisation des tests de pilotage 3GPP TR 37.816
réseaux d’accès radioélectrique (RAN) pour le LTE et les NR
(MDT). Par la suite, dans le contexte
de la 5G, ils ont lancé des travaux Nouvelles technologies de radiocommunication (NR); mesures
3GPP TS 38.314
de la couche 2
de normalisation pour favoriser les
réseaux autonomes: 3GPP TS 38.300 NR; description générale; étape 2
Minimalisation des tests de pilotage (MDT); description

3GPP RAN: Recueil de données sur 3GPP TS 37.320
générale; étape 2
les réseaux d’accès radioélectrique
3GPP TS 38.306 NR; Capacités d’accès radio de l’équipement d’utilisateur (UE)
(RAN) (TR 37.816), SON/MDT (TS
38.314, TS 38.300, TS 37.320, TS NR; Spécification du protocole de contrôle des ressources
3GPP TS 38.331
38.306, TS 38.331, etc.) (voir le radioélectriques (RRC)
Tableau 3). TS: spécification technique, TR: rapport technique
Tableau 4 – Activités de normalisation du groupe 3GPP

SA2
3GPP SA2: Analyse des données TS/TR Title
de réseau (NWDA) (TR 23.791,
Étude des vecteurs de l’automatisation des réseaux dans le
TR 23.288, TR 23.700-91) (voir 3GPP TR 23.791
contexte de la 5G
le Tableau 4).
Renforcements de l’architecture des systèmes 5G à l’appui des
3GPP TS 23.288
services d’analyse de données concernant le réseau
3GPP SA5: Analyse des données
de gestion (MDA) (TR 28.809), Étude des vecteurs de l’automatisation des réseaux dans le
3GPP TR 23.700‑91
niveaux d’autonomie des réseaux contexte de la 5G − Phase 2
(TR 28.810, TS 28.100), gestion TS: spécification technique, TR: rapport technique
pilotée par intention (TR 28.812, TS
28.312), garantie de spécification
de niveau de service (SLS) en Tableau 5 – Activités de normalisation du groupe 3GPP
boucle fermée (TR 28.805, SA5
TR 28.535, TR 28.536, etc.), réseaux TS/TR Titre
autoorganisés (SON) (TR 28.861, TS
28.313) et minimalisation des tests Étude sur le renforcement de l’analyse des données de gestion
3GPP TR 28.809
(MDA)
de pilotage (MDT) (TS 28.313, série
TS 32.42X) (voir le Tableau 5). 3GPP TR 28.810
Étude sur le concept de niveaux d’autonomie des réseaux et sur
ses exigences et ses solutions
3GPP TS 28.100 Gestion et orchestration; niveaux d’autonomie des réseaux

Activités de l’ETSI
Gestion des télécommunications; étude des scénarios
3GPP TR 28.812 concernant les services de gestion pilotée par intention destinés
L’ETSI a entrepris d’étudier activement aux réseaux mobiles
les réseaux autonomes et a confié les
Services de gestion pilotée par intention destinés aux réseaux
sujets suivants à différents groupes 3GPP TS 28.312
mobiles
de travail:
Gestion des télécommunications; étude sur les aspects des
3GPP TR 28.805
services de communication touchant à la gestion
Intelligence en réseau fondée sur
l’expérience (ENI). 3GPP TS 28.535
Gestion et orchestration; services de gestion pour la garantie
des services de communication; exigences
Virtualisation des fonctions de Gestion et orchestration; services de gestion pour la garantie
3GPP TS 28.536
réseau (NFV). des services de communication; étapes 2 et 3
Étude des réseaux auto-organisés (SON) destinés aux

Gestion et orchestration en code 3GPP TR 28.861
réseaux 5G
source ouvert (OSM).
3GPP TS 28.313 Réseaux auto-organisés (SON) destinés aux réseaux 5G
Informatique en périphérie à accès Série 3GPP TS 32.42X

multiple (MEC).
Gestion des télécommunications; trajectoire des abonnés et des
3GPP TS 32.421
équipements; concepts et exigences des trajectoires
Réseau fixe de cinquième
génération (F5G). Gestion des télécommunications; trajectoire des abonnés et des
3GPP TS 32.422
équipements; suivi de trajectoire et gestion de la configuration
Gestion des télécommunications; trajectoire des abonnés et des

3GPP TS 32.423
équipements; définition et gestion des données de trajectoire
Gestion des télécommunications; gestion des performances

3GPP TS 32.425 (PM); mesures des performances pour le réseau d’accès hertzien
de Terre universel évolué (EUTRAN)
Gestion des télécommunications; gestion des performances

3GPP TS 32.426 (PM); mesures des performances pour le réseau central évolué
en mode paquet (EPC)
TS: spécification technique, TR: rapport technique.

Les organismes ENI Definition of Categories Activités du secteur privé

de normalisation for AI Application to Networks
(L’intelligence mise en réseau par Certains organismes du secteur
devraient poursuivre expérience (ENI): définition de privé tels que la GSMA, le TM
leurs travaux catégories pour appliquer l’IA aux Forum et l’initiative GTI étudient la
dans les domaines réseaux, ETSI GR ENI 007). Dans question des réseaux autonomes
concernés et jouer ce document, elle a défini diffé- et encouragent la collaboration
rentes catégories selon le niveau à cet égard entre les organismes
un rôle déterminant d’application de techniques d’IA de normalisation, les opérateurs,
pour mettre en à la gestion de réseau, depuis les fournisseurs d’équipements et
place un contexte quelques éléments de base limités d’autres acteurs de ce domaine.
favorable aux jusqu’à l’emploi complet de tech-
niques d’IA dans ce domaine. L’ENI Pour la GSMA, l’IA et l’automatisa-
réseaux autonomes. nécessite la construction d’une tion sont des sujets relevant des
architecture générale favorisant «réseaux futurs». En juin 2019,
le renforcement de l’intelligence la GSMA a organisé le premier
de réseau; le mappage avec la concours mondial d’intelligence
gestion des politiques NFV est artificielle visant trois domaines
actuellement examiné car pour vir- particuliers: la connectivité dans
tualiser les fonctions de réseau, il a les zones rurales, l’efficience
été nécessaire de lancer un travail énergétique des systèmes mobiles
Groupe de travail chargé de de modélisation des politiques en et les services améliorés dans les
la gestion autonome et de vue d’automatiser la gestion de la zones urbaines. Lors de l’atelier
l’intelligence de commande NFV et d’assurer la continuité de qu’elle a organisé en juin 2019
pour les réseaux intégrés fixes l’intégration et du déploiement pendant le séminaire sur l’IA dans
et mobiles autogérés au sein (CI/CD) dans les fonctions de les réseaux, qui se déroulait dans
du Comité technique sur les réseau virtuel (VNF). le cadre du Congrès mondial
réseaux centraux et les essais du mobile à Shanghai, la GSMA
d’interopérabilité (TC INT AFI). a appelé l’ensemble du secteur
Activités de la CCSA à concentrer ses travaux et ses
Groupe de travail sur contributions sur les principales
les réseaux et la gestion La China Communications applications de l’IA dans les
des services sans Standards Association (Association réseaux mobiles, et à construire
intervention (ZSM). chinoise des normes de commu- ensemble le monde de la 5G
nication, CCSA), qui est l’un des nécessaire aux réseaux autonomes
Le groupe TC INT AFI étudie organismes de normalisation les intelligents. En octobre 2019, elle
l’architecture de réseau autonome plus influents dans le domaine a publié un document intitulé AI
générique (GANA), tandis que le de la communication en Chine, in Network Use Cases in China
groupe ZSM examine l’automati- a entrepris de travailler sur les (Cas d’utilisation de l’IA dans les
sation en boucle fermée dans le réseaux autonomes depuis 2010. réseaux en Chine).
contexte des ZSM optimisés pour Ces travaux sont surtout menés par
les algorithmes d’apprentissage les Comités techniques TC1, TC5 Le TM Forum a organisé pour
automatique et d’intelligence arti- et TC7, qui examinent notamment sa part plusieurs ateliers sur les
ficielle (IA) pilotés par les données. des cas d’utilisation, des architec- réseaux autonomes depuis 2019,
En novembre 2019, l’ETSI a publié tures, des méthodes de traitement et il a établi le projet de réseaux
un rapport intitulé Experiential de données, les niveaux d’autono- autonomes (ANP) en août 2019.
Networked Intelligence (ENI): mie des réseaux, les exigences de
gestion en la matière, etc.
Trois livres blancs ont été Activités des communautés officielles effectuées par l’ETSI a
publiés: Autonomous Networks du code source ouvert montré que la plate-forme ONAP
Whitepaper 1.0 (Livre blanc 1.0 sur pouvait permettre de constituer
les réseaux autonomes), IG1193 Le End User Advisory Group une pile de référence pour les
Vision and Roadmap v1.0 (Vision et (Groupe consultatif pour les réseaux autonomes.
feuille de route v1.0 par l’IG1193), utilisateurs finaux, EUAG) de la
et IG1218 Business requirement Linux Foundation Networking
and architecture v1.0 (Exigences (Réseau de la Fondation Linux, Importance des
commerciales et architecture par LFN) a entrepris d’élaborer une normes pour les
l’IG1218). De nouveaux documents enquête destinée aux fournisseurs réseaux autonomes
intitulés Autonomous Networks de services de communication
Whitepaper 2.0 (Livre blanc 2.0 (CSP) et visant à déterminer l’état À mesure que les technologies et
sur les réseaux autonomes) et d’avancement du déploiement de les réseaux évoluent, les réseaux
Business requirement and architec- réseaux autonomes ainsi que les autonomes vont devenir un
ture v1.1 (Exigences commerciales exigences et les stratégies en la vecteur d’évolution majeur. Pour
et architecture v1.1), mais aussi matière. Il espère ainsi dégager rendre les réseaux autonomes,
une architecture technique, une une vision commune et offrir des il convient de procéder par
démonstration de projets de cata- informations utiles aux groupes étapes, l’essentiel pour garantir la
lyseurs, des témoignages d’utili- techniques correspondants. convergence à des étapes ulté-
sateurs et des cas d’utilisation, etc. rieures étant de construire une
sont en cours d’élaboration. Depuis son lancement initial, architecture commune à toutes
la plate-forme Open Network les couches, de normaliser les
L’initiative mondiale TD-LTE a lancé Automation Platform (Plate- interfaces entre les couches et de
un projet consacré aux réseaux forme ouverte d’automatisation veiller à ce que les organismes
intelligents. Dans le cadre du des réseaux, ONAP) a permis de de normalisation travaillent de
programme 5G eMBB, ce pro- constituer et d’améliorer des cas manière coordonnée au cours des
jet permettra de définir des cas d’utilisation pour automatiser les premières étapes.
d’utilisation et des exigences des radiocommunications, les réseaux
réseaux intelligents en termes de centraux et le transport pardessus Les organismes de normalisation
niveaux d’intelligence, d’architec- son cadre en boucle fermée piloté devraient poursuivre leurs travaux
ture, d’éléments de réseau et de par des politiques. L’automatisation dans les domaines concernés et
gestion de réseau. par découpage de bout en bout jouer un rôle déterminant pour
et fondée sur l’intention est aussi mettre en place un contexte favo-
en cours de développement. L’une rable aux réseaux autonomes.
des démonstrations de faisabilité
Webinaires du Concours de l’UIT
sur l’intelligence artificielle et
(IA/ML) dans la 5G
19/06/2020 26/06/2020 03/07/2020
Défi de 2020 sur l’établissement de Sélection de faisceau – Application Estimation de canal – Application
réseaux neuronaux graphiques de l’apprentissage automatique à de l’apprentissage automatique à
la couche physique des systèmes la couche physique des systèmes
M. José Suárez-Varela à entrées multiples et à sorties
Chercheur, Centre de création de réseaux à entrées multiples et à sorties
multiples en ondes millimétriques multiples en ondes millimétriques
neuronaux de Barcelone, Université
polytechnique de Catalogne (BNN-UPC), M. Aldebaro Klautau Mme Nuria González Prelcic
Espagne Professeur à l’Université fédérale de Pará Professeure associée, Université d’État de
(UFPA), Brésil Caroline du Nord, États-Unis
Suivre le webinaire Suivre le webinaire Suivre le webinaire
10/07/2020 17/07/2020 22/07/2020

Concours de l’UIT sur l’AI/ML dans Concours de l’UIT sur l’IA/ML dans Défi sur la prédiction des
la 5G: Améliorer la capacité des la 5G: Défi sur l’optimisation de défaillances des liaisons
réseaux WLAN IEEE 802.11 grâce à l’inférence des réseaux neuronaux radioélectriques
l’apprentissage automatique profonds M. Salih Ergüt
M. Francesc Wilhelmi Mme Liya Yuan Spécialiste principal de la recherche et du
Chercheur, Université Pompeu Fabra, Espagne Ingénieure chargée des solutions à code source développement sur la 5G, Turkcell
ouvert et de la normalisation, ZTE
24/07/2020 27/07/2020 29/07/2020

5G + IA + services immersifs + Techniques d’intelligence Apprentissage automatique
services d’assistance dans les artificielle pour les diagnostics pour les réseaux LAN hertziens +
télécommunications médicaux à distance préservant présentation du défi du Japon
M. Brejesh Lall
la confidentialité + Partage des M. Akihiro Nakao
Professeur, Institut indien des technologies, ressources spectrales et des Professeur à l’Université de Tokyo
Delhi ressources de réseau dans les M. Koji Yamamoto
réseaux 5G Professeur associé à l’Université de Kyoto
M. Brejesh LallProfesseur, Institut indien des M. Tomohiro Otani
technologies, Delhi Directeur exécutif, KDDI Research
M. Takanori Iwai
Suivre le webinaire Suivre le webinaire Directeur de recherche, NEC Corporation
31/07/2020 07/08/2020
Défi LYIT/UIT-T sur l’intelligence Concours de l’UIT sur l’AI/ML dans Suivre le webinaire
artificielle: Démonstration de la 5G: Exposé sur l’apprentissage
07/08/2020
l’orchestrateur de fonctions automatique et participation au
d’apprentissage automatique défi du Japon Aperçu de l’outil ITU-ML5G-PS-012
au moyen de mises en œuvre de M. Akihiro Nakao «ML5G-PHY [Sélection de faisceau]»
référence Professeur à l’Université de Tokyo M. Aldebaro Klautau
Mme Shagufta Henna M. Koji Yamamoto Université fédérale de Pará (UFPA), Brésil
Maître de conférence, Institut de technologie de Professeur associé à l’Université de Kyoto
Letterkenny (LYIT), Irlande M. Tomohiro Otani
Directeur exécutif, KDDI Research
M. Takanori Iwai
Directeur de recherche, NEC Corporation
17/08/2020 19/08/2020 21/08/2020
Application des technologies de Concours de l’UIT sur l’IA/ML dans la Algorithme de compression
graphe de connaissances et de 5G – Consultation ouverte et table universel pour les réseaux
jumeau numérique aux réseaux ronde N° 2 neuronaux profonds
optiques intelligents Mme Prerana Mukherjee M. Wojciech Samek
M. Anran Xu Professeure assistante, École d’ingénierie, Chef du Groupe chargé de l’apprentissage
Chercheur, China Information and Université Jawaharial Nehru, Delhi, Inde automatique
Communication Technologies Group Corporation Fraunhofer Heinrich Hertz Institute, Allemagne
(CICT)
26/08/2020 31/08/2020 01/09/2020

Concours de l’UIT sur l’IA/ML dans Reconnaissance du trafic et Milvus: Un moteur de recherche
la 5G: Optimisation de la topologie prévision de trafic à long terme sur à code source ouvert sur les
des réseaux mobile en Chine – la base d’algorithmes d’intelligence similitudes des vecteurs
Analyse des questions relatives à la artificielle et de métadonnées pour M. Jun Gu
concurrence les réseaux 5G/IMT-2020 et au-delà Partenaire, Zilliz
Mme Wang Xing M. Artem Volkov
Chercheuse, Institut de recherche sur les réseaux Chercheur
mobiles de la Chine M. Ammar Muthanna
Professeur associé, Université d’État des
Suivre le webinaire télécommunications de Saint-Pétersbourg, Suivre le webinaire
Russie
04/09/2020 Suivre le webinaire 16/11/20
Application de l’intelligence 28/09/2020 Tirer parti de l’apprentissage
artificielle aux réseaux d’accès Réseaux hertziens 2.0: Vers un environnement profond pour la décomposition du
radioélectriques de cinquième radioélectrique intelligent fondé sur des trafic du service mobile à l’appui du
génération métasurfaces reconfigurables intelligentes et sur découpage des réseaux
Mme Qi Sun M. Marco Di Renzo M. Alexis Duque
Directrice de recherche principale, Institut de Professeur, CNRS et Université Paris-Saclay, Chercheur associé, Net AI
recherche sur les réseaux mobiles de la Chine France
Suivre le webinaire Suivre le webinaire

Vers une interface radioélectrique Vers une analyse efficace du trafic
27/11/2020
fondée sur l’intelligence artificielle sur les réseaux pour les applications
pour les réseaux de sixième Tirer parti de l’intelligence artificielle et de mobiles grâce à l’apprentissage
génération l’apprentissage automatique pour optimiser profond
M. Jakob Hoydis les réseaux d’accès radioélectrique de M. Domenico Ciuonzo
Responsable du Département de recherche sur cinquième génération actuels et poser les Professeur assistant, DIETI, Université de Naples –
les systèmes radioélectriques et l’intelligence bases des systèmes hertziens de sixième Frédéric II, Italie
artificielle, Nokia Bell Labs génération de demain
Suivre le webinaire M. Tim O’Shea Suivre le webinaire
Cofondateur/Directeur technique, DeepSig
Adapter l’inférence des réseaux Vers des réseaux 5G ouverts,
neuronaux convolutifs pour obtenir programmables et virtualisés
un débit extrême M. Michele Polese
Mme Michaela Blott Chercheur associé, Université Northeastern,
Ingénieure émérite, Xilinx États-Unis
Suivre le webinaire Suivre le webinaire

Points de vue du secteur privé ITU News MAGAZINE No. 05, 2020 32
Shutterstock
Évaluation des capacités et accumulation

de technologies d’intelligence artificielle
dans les réseaux futurs
M. Jun Liao, Directeur chargé de l’intelligence artificielle, M. Tengfei
liu, Mme Yameng Li et M. Jiaxin Wei, Ingénieurs dans le domaine de
l’intelligence artificielle, Institut de recherche China Unicom
L’intelligence
J Le développement rapide préoccupations du secteur des
des réseaux 5G a fait naître de technologies de l’information et de
des réseaux est
nombreux défis: l’établissement de la communication, et constitue une aujourd’hui au cœur
réseaux est devenu plus complexe, tendance majeure pour le déploie- des préoccupations
les services sont plus diversifiés ment des réseaux futurs. du secteur des
et le nombre de connexions
augmente dans une large mesure. China Unicom estime que la tran-
technologies de
sition vers des réseaux futurs intel- l’information et de
Il sera difficile, en ayant recours aux ligents permettra de fournir des la communication,
méthodes d’exploitation et d’en- services de réseau fiables et sécu- et constitue une
tretien des réseaux traditionnelles, risés et offrira aux clients une expé-
de répondre aux nouveaux besoins rience rapide et de qualité. Sur le
tendance majeure
sur le plan du déploiement des plan de l’exploitation et de l’entre- pour le déploiement
réseaux. L’intelligence des réseaux, tien, l’intelligence des réseaux offre des réseaux futurs.
qui constitue une méthode de des capacités d’autoconfiguration,
résolution de problème impor- d’autocontrôle, d’autoréparation et
tante, est aujourd’hui au cœur des d’auto-optimisation.
Jun Liao, Tengfei Liu,
Yameng Li, et Jiaxin Wei
Le banc d’essai rapide, ce qui permet d’améliorer pour le modèle d’apprentissage

permettra d’évaluer le l’efficacité et la capacité d’exploita- automatique utilisé dans les
niveau d›intelligence tion en général. réseaux de télécommunication,
des réseaux de notamment en ce qui concerne la
China Unicom élabore actuel- précision, la sécurité et la robus-
manière quantitative lement un banc d’essai visant à tesse. L’évaluation portera sur la
et contribuera évaluer les capacités d’intelli- capacité d’appliquer différents
à assurer le gence des réseaux. Sur la base cadres et algorithmes dans divers
déploiement rapide de la Recommandation Y.3173 du scénarios.
Secteur de la normalisation des Le banc d’essai prend en charge
de l’intelligence télécommunications de l’UIT (UIT- les tests concernant l’efficacité de
des réseaux. T), intitulée «Cadre pour l’évalua- fonctionnement et la souplesse de
tion des niveaux d’intelligence différents cadres d’apprentissage
des futurs réseaux, y compris les profond (tels que Tensorflow et
Jun Liao, Tengfei Liu, IMT-2020», ce banc d’essai four- PaddlePaddle), et les résultats des
Yameng Li, et Jiaxin Wei nira des méthodes et des services analyses comparatives sont mis à
d’évaluation professionnelle de la disposition. Une comparaison est
puissance de calcul, du modèle effectuée entre différents algo-
d’apprentissage automatique et rithmes d’intelligence artificielle
des capacités en matière d’intelli- dans un même scénario d’applica-
En utilisant l’automatisation avan- gence des données et des réseaux. tion, sur le plan de l’efficacité et de
cée et les technologies intelli- la précision.
gentes de façon globale, il est Le banc d’essai permettra d’éva-
possible de repenser l’architecture luer le niveau d’intelligence des Traitement des données: Les
de réseau existante ainsi que la réseaux de manière quantitative et données de réseau sont collec-
méthode d’exploitation et d’entre- contribuera à assurer le déploie- tées et prétraitées pour former un
tien, de promouvoir des services ment rapide de l’intelligence des ensemble de données de réseau
innovants et de créer une expé- réseaux. Les essais comprendront qui peut être utilisé pour entraîner
rience utilisateur exceptionnelle. notamment les éléments suivants: les modèles d’apprentissage auto-
matique. L’ensemble de données
Évaluation de la puissance porte notamment sur les données
Banc d’essai pour de calcul: Les différents types de de réseau et les données d’image.
l’évaluation des capacités puces accélératrices d’intelligence Les données de réseau sont essen-
d’intelligence des réseaux artificielle, par exemple les puces tiellement des données textuelles,
d’entraînement ou de service de englobant cinq aspects: le réseau
L’évaluation et le partage des capa- différentes entreprises, feront hertzien, le réseau central, le
cités d’intelligence des réseaux l’objet d’une évaluation sur le plan réseau de transmission, le réseau
jouent un rôle essentiel pour de la capacité de débit, du délai support et le réseau d’accès. Les
garantir l’efficacité de l’intelligence et de la consommation d’éner- données d’image sont principa-
des réseaux. Afin de favoriser des gie, notamment. Le banc d’essai lement fondées sur la détection
innovations rapides dans le futur, donnera lieu à un rapport objectif des cibles et la segmentation et
il convient de mettre en place une et précis. l’annotation sémantiques.
plate-forme permettant d’accu-
muler les capacités et de fournir Évaluation du modèle d’ap- Évaluation de la capacité
des données ouvertes. À mesure prentissage automatique: Les d’intelligence des réseaux: Le
que les besoins évoluent, il est essais visent à résoudre le pro- banc d’essai évalue la capacité
possible d’intégrer les services blème lié à l’estimation de la d’intelligence des réseaux selon
et ressources existants de façon performance du modèle d’appren- différentes dimensions: la carto-
souple pour apporter une réponse tissage automatique, en particulier graphie des besoins, la collecte
À propos de CubeAI ★ Parallèlement, les résultats des intègrent leur propre marché de
essais de stabilité, de facilité d’uti- l’apprentissage automatique ou
lisation, de précision et de débit celui d’un tiers dans le futur réseau
CubeAI est une plate-forme de chaque application sont mis et promeuvent l’application de l’in-
d’intelligence artificielle à code source à disposition. telligence artificielle sur le réseau
ouvert qui a été conçue de façon de télécommunication et mettent
totalement indépendante par l’Institut de en avant le niveau d’intelligence
recherche China Unicom. Elle comprend Intégration des marchés du réseau.
actuellement des sous-plates-formes de l’apprentissage
et des modules fonctionnels tels qu’un
automatique dans les Lorsqu’ils mettent au point des
outil d’entraînement en ligne dans le
domaine de l’intelligence artificielle, un
réseaux futurs applications d’apprentissage auto-
outil de publication et de déploiement matique, les opérateurs de réseau
automatisés de modèles et un module Une autre innovation importante ont besoin de mécanismes intero-
de visualisation des capacités de tient à l’intégration des marchés de pérables afin d’identifier le marché
l’intelligence artificielle. l’apprentissage automatique dans de l’apprentissage automatique
les réseaux futurs, y compris les qui peut être utilisé en tant que
L’objectif principal est de lever les IMT-2020 (communément appe- source pour les modèles d’appren-
obstacles entre le développement de lés réseaux 5G), ce qui renvoie tissage automatique. L’absence
modèles d’intelligence artificielle et les à l’accumulation des capacités de mécanismes normalisés
applications de production effectives, d’apprentissage automatique des concernant l’échange de modèles
d’accélérer le processus d’innovation et réseaux. Aujourd’hui, les modèles d’apprentissage automatique et de
d’application de l’intelligence artificielle,
d’apprentissage automatique métadonnées connexes entre les
et de promouvoir l’itération rapide et
peuvent être hébergés sur dif- marchés d’apprentissage automa-
l’évolution du cycle de vie global des
applications d’intelligence artificielle, férents types de marchés d’ap- tique et les environnements de
qu’il s’agisse de la conception, du prentissage automatique, comme déploiement de l’apprentissage
développement, du déploiement ou de la plate-forme Acumos AI de la automatique des opérateurs de
l’exploitation. Fondation Linux, la plateforme réseau constitue un frein sur le
CubeAI de China Unicom, le site plan de l’interopérabilité.
AWS Marketplace et le Moteur
d’intelligence artificielle des La Recommandation UIT-T Y.3176
réseaux de Huawei. (Intégration du marché de l’ap-
prentissage automatique dans
Certaines avancées récentes les réseaux futurs, y compris les
de données, l’analyse, la prise de dans les domaines de l’analyse IMT-2020), qui a été élaborée avec
décisions et la mise en œuvre de prédictive ou des algorithmes la contribution de China Unicom,
mesures. Chaque application est ne dépendent pas de l’évolution China mobile et ZTE, définit l’archi-
évaluée conformément à la norme de l’architecture des réseaux tecture et les points de référence
UIT-T Y.3173 et est subdivisée en d’apprentissage automatique pour l’intégration des marchés
différents niveaux, de L0 à L5. sousjacents. Les marchés de l’ap- de l’apprentissage automatique
Le processus de test comprend prentissage automatique hébergés dans les réseaux futurs. Cette
cinq étapes: 1) détermination de dans le nuage peuvent être choisis Recommandation présente égale-
l’objet de l’évaluation; 2) division par les concepteurs de méca- ment le processus d’interaction de
de la dimension d’évaluation ; 3) nismes et d’algorithmes d’appren- la recherche, de la sélection, de la
analyse de l’objet de l’évaluation; tissage automatique innovants afin distribution, de la découverte, de
4) notation de la dimension de d’héberger leurs solutions. Les l’entraînement et du déploiement
l›évaluation ; et 5) obtention du opérateurs de télécommunication de modèles.
résultat de l›évaluation.
ZTE
Accélérer l’inférence de l’apprentissage profond

grâce au kit pratique à code source ouvert Adlik
Mme Liya Yuan, Ingénieure chargée des solutions à code source
ouvert et de la normalisation, ZTE
J L’apprentissage automatique, et l’apprentissage profond en

particulier, ont gagné en popularité dans de nombreux domaines, Les modèles peuvent
notamment la traduction automatique, la vision artificielle et le donner de bons
traitement du langage naturel. Grâce aux cadres d’apprentissage
automatique et d’apprentissage profond tels que Tensorflow, Pytorch
résultats lors de
et Caffe, il est possible de créer des modèles d’apprentissage l’entraînement,
automatique et d’apprentissage profond et de les entraîner à extraire mais les modèles
des connaissances à partir de données, et, à terme, d’utiliser leur entraînés se heurtent
capacité d’inférence pour créer une valeur économique dans un
environnement de production.
à de nouveaux
obstacles dans un
Les modèles peuvent donner de bons résultats lors de l’entraînement, environnement
mais les modèles entraînés se heurtent à de nouveaux obstacles dans de production.
un environnement de production.
Mme Liya Yuan

Dans des environnements de En conséquence, il existe encore conteneurs ou pour ajouter des
production, les modèles peuvent de nombreux obstacles à abattre modèles dans des applications
être déployés sur différentes dans le cadre du déploiement de sur un matériel intégré;
plates-formes matérielles (par modèles d’apprentissage automa-
exemple des unités centrales de tique et d’apprentissage profond les modèles doivent être
traitement (CPU), des processeurs dans des environnement de optimisés afin de répondre
graphiques (GPU) et des réseaux production, car même lorsque les à différentes exigences
de portes programmables in situ modèles convergent efficacement sur le plan de la qualité
(FGPA)) caractérisées par diffé- durant les étapes d’entraînement: de fonctionnement dans
rentes exigences en matière de divers scénarios.
qualité de fonctionnement sur le on constate une courbe
plan des coûts informatiques, de d’apprentissage à forte pente
l’empreinte mémoire et du temps pour les utilisateurs, qui doivent Projet à code source
de latence de l’inférence dans déterminer quel est le cadre ouvert Adlik
différents scénarios. d’inférence le mieux adapté à
un matériel particulier; Ces défis sont au cœur du projet
à code source ouvert Adlik, créé
Défis liés au les utilisateurs doivent avoir par ZTE et aujourd’hui développé
déploiement de modèles leurs propres solutions par la Fondation sur l’intelligence
d’apprentissage pour déployer des modèles artificielle de la Fondation Linux
automatique et d’apprentissage automatique (LF AI).
d’apprentissage profond et d’apprentissage profond,
par exemple pour déployer Adlik est un cadre d’optimisation
des modèles en tant que de bout en bout pour les modèles
Architecture d’Adlik
Optimiseur et compilateur de modèle:
favoriser l’efficacité informatique, réduire la consommation d’énergie et le temps de latence
Entraînement de modèle Optimiseur de graphe Compilateur de modèle

8bit
Exportation de modèle Grand modèle Élagage Quantification Compression Petit modèle Conversion Fusion de
fp32 structurelle int8 de graphe couches
Moteur fondé sur des Moteur fondé sur des Moteur fondé Moteur à fichiers Moteur fondé
images + modèle images sur des fichiers binaires sur des fichiers
Moteur d’inférence Adlik Moteur d’inférence Adlik Moteur d’inférence Adlik

Portail de services Portail de services Fichier Charge Programmes
binaire statique/ fondés sur l’IA
Microservices Microservices dynamique
Exécution de l’inférence
Kubernetes Docker Kubernetes Docker
Système d’exploitation et
pilotes de périphériques
Groupe de Groupe de Noeud de Processeur Noeud de Noeud de x86 ARM GPU FPGA Mali
processeur graphique stockage gestion graphique stockage gestion
Déploiement dans le nuage Déploiement en périphérie Déploiement sur les dispositifs
Moteur Adlik: Prise en charge de trois types d’environnements de déploiement

d’apprentissage profond visant à Gérer l’optimisation de De nombreuses

accélérer le processus d’inférence l’inférence des réseaux
de l’apprentissage profond, à la neuronaux profonds – technologies peuvent
fois sur le nuage, en périphérie et Concours de l’UIT sur être envisagées
dans un environnement intégré. l’intelligence artificielle afin d’optimiser
Il se compose d’un optimiseur et l’apprentissage les modèles
de modèle, d’un compilateur de automatique dans la 5G
modèle et d’un moteur d’inférence. d’apprentissage
Dans ce contexte, nous avons automatique et
Le premier de ces outils vise à opti- invité les participants au Concours d’apprentissage
miser les modèles d’apprentissage de l’UIT sur l’intelligence artificielle
profond pour obtenir
profond entraînés dans différents et l’apprentissage automatique
cadres afin d’améliorer les résul- dans la 5G à résoudre notre une meilleure
tats sur le plan de l’inférence. Le énoncé de problème, intitulé exécution.
deuxième compile ensuite les «Optimisation de l’inférence des
modèles dans un format pris en réseaux neuronaux profonds». Il
charge par le moteur d’inférence. s’agit de notre défi en vue de créer MmeLiya Yuan
Le moteur d’inférence charge les un algorithme général d’optimisa-
modèles compilés pour fournir des tion de modèle capable de contri-
capacités d’inférence sur le nuage, buer à l’accélération des modèles.
en périphérie ou sur les dispositifs
intégrés. De nombreuses technologies
peuvent être envisagées afin d’autres méthodes prometteuses
L’optimiseur de modèle joue un d’optimiser les modèles d’appren- comme la dispersion des noyaux
rôle essentiel au sein de l’outil tissage automatique et d’appren- et la décomposition à faible rang.
Adlik, en particulier lorsque les tissage profond pour obtenir une
modèles d’apprentissage automa- meilleure exécution, dans des Les méthodes d’optimisation des
tique et d’apprentissage profond domaines tels que l’optimisation communications entre systèmes,
doivent être déployés dans des centrée sur les modèles, l’optimi- comme la partition des réseaux
environnements caractérisés par sation des communications entre neuronaux profonds, peuvent
des contraintes strictes sur le plan systèmes et l’optimisation propre accélérer l’inférence des modèles
du coût informatique, de l’em- au matériel. en optimisant la communication
preinte mémoire et du temps de entre différents nœuds ou couches
latence de l’inférence, c’est-à-dire L’optimiseur de modèle Adlik informatiques. L’optimisation
des environnements tels que des prend actuellement en charge propre au matériel, au moyen de
scénarios d’informatique en péri- des méthodes d’optimisation kits pratiques tels que TensorRT,
phérie sur les réseaux 5G. centrées sur les modèles, notam- peut permettre d’optimiser les
ment l’élagage et la quantification opérations d’inférence sur la base
Adlik est un projet à code source des modèles, et notre équipe a des caractéristiques du maté-
ouvert dont l’ambition est d’inté- récemment axé ses travaux sur riel utilisé.
grer le plus grand nombre de solu- la diffusion des connaissances.
tions efficaces dans l’optimiseur de L’optimisation centrée sur les La deuxième version de l’outil
modèle Adlik. modèles porte essentiellement sur Adlik sera diffusée prochainement.
la compression de modèles d’ap- Nous vous invitons à l’essayer
prentissage automatique et d’ap- et à apporter votre contribution
prentissage profond, et comprend sur Github.
Turkcell
Difficultés et perspectives pour les fournisseurs de

services de communication ayant recours à l’intelligence
artificielle et à l’apprentissage automatique
Salih Ergüt, chercheur spécialiste de la 5G, Turkcell
J L’intelligence artificielle (IA) de plus en plus difficile de suivre lentement à être déployés dans le
a bouleversé de nombreux l’évolution dans ce domaine. monde, et de nombreux orga-
secteurs d’activités. Elle a nismes de normalisation ont déjà
permis d’accomplir des progrès De fait, ce qui était hier de la commencé à travailler sur la 6G; tel
techniques considérables dans le science-fiction devient rapidement est notamment le cas du Groupe
domaine de la vision artificielle, une réalité aujourd’hui. spécialisé sur les technologies
où l’IA entraîne les ordinateurs pour le réseau 2030 (FG NET2030),
à interpréter et à comprendre le Toutefois, les applications d’IA qui relève du Secteur de la
monde des images, mais aussi n’ont pas encore donné la pleine normalisation des télécommuni-
dans le traitement des langues mesure de leur potentiel dans les cations (UITT), ainsi que de la 6G
naturelles (NLP), qui nécessite une réseaux de communication en rai- Task Force (Groupe d’action sur la
interaction entre la science des son de l’immense volume de don- 6G) de la Next Generation Mobile
données et les langues humaines, nées disponibles et de la difficulté Networks Alliance (Alliance pour
ou encore en matière de à gérer les infrastructures, dont la les réseaux mobiles de prochaine
prévisions fondées sur des séries complexité ne cesse de s’accroître. génération, NGMN), pour n’en citer
chronologiques, etc. Il devient Les réseaux 5G commencent que quelques-uns.
Il est difficile
Comme beaucoup de CSP, la de véhicules partiellement ou
d’imaginer comment société Turkcell s’est engagée à entièrement automatisés.
nous pourrions utiliser l’IA de manière responsable
déployer et exploiter et éthique; elle a d’ailleurs publié Pour garantir la disponibilité et
des réseaux cet engagement dans un docu- la qualité des services, il devient
ment intitulé «Artificial Intelligence de plus en plus important pour
futurs sans l’aide Principles» (Principes d’utilisation les CSP de mettre en place une
de l’intelligence de l’intelligence artificielle). gestion des réseaux centrée sur
artificielle. l’expérience des clients. Dans le
L’architecture fondée sur les cadre du projet 5GPERFECTA,
services a le vent en poupe, et le nous mettons au point des
découpage de réseau de bouten- modèles fondés sur des indica-
Salih Ergüt
bout est une technologie essen- teurs clés de performance (KPI)
tielle pour que les CSP puissent par liaison radioélectrique qui
offrir des services avec diffé- permettent de prévoir la qualité
rents niveaux de qualité sur leur d’expérience des utilisateurs de
infrastructure 5G. Les membres services de streaming destinés à
du projet RELIANCE, dont Turkcell la télévision.
Il est difficile d’imaginer comment fait partie, ont entrepris d’évaluer
nous pourrions déployer et exploi- les avantages mais aussi les coûts Ces modèles permettent de mesu-
ter des réseaux futurs sans l’aide du découpage de réseau dans rer en temps quasi-réel l’expé-
de l’intelligence artificielle. différents cas d’utilisation, depuis rience des consommateurs de ce
la visioconférence jusqu’aux trains service, et leurs résultats peuvent
et aux immeubles intelligents. être extrapolés pour modéli-
Enquêtes et expériences Parallèlement, ils étudient aussi les ser d’autres services internes et
des fournisseurs futures mesures de performance externes grâce à une méthode
de services qui contribueront à la conception d’apprentissage par transfert.
d’une stratégie d’attribution opti-
Les fournisseurs de services de male des ressources.
communication (CSP) s’appuient Difficultés de construction
souvent sur l’IA pour mettre en Au-delà de l’analyse de rapports des applications d’IA
œuvre des cas d’utilisation dans périodiques et de distributions sta-
des contextes qui ne sont pas tistiques sur la qualité de service, Les difficultés rencontrées pour
liés aux réseaux. La prévision il est devenu plus utile, au regard construire des applications d’IA
de résiliations, la segmentation des services d’importance critique, dans un réseau d’opérateur
des clients, la création de cartes de fournir des prévisions de qualité exploitant plusieurs équipements
thermiques communautaires, la de service. Ainsi, dans le contexte et technologies différents sont
montée en gamme et la vente d’une voiture autonome, il ne suffit exposées dans un document établi
croisée, ou encore la prévision plus simplement de promettre un par le Groupe spécialisé de l’UIT-T
de fraude en sont des exemples taux de fiabilité de 99,9999…%; sur l’apprentissage automatique
courants. De nombreux opérateurs il faut aussi envoyer à l’avance un pour les réseaux futurs, y compris
ont aussi entrepris de déployer avertissement en cas de problème les réseaux 5G (FGML5G).
et d’expérimenter des techniques de couverture afin que pouvoir
d’IA dans les réseaux, mais la tâche prendre des précautions. Dans sa Il est délicat de mettre en œuvre
est ardue car les ressources sont spécification TR 22.886, le groupe une application en temps réel sur
limitées dans ce domaine. Il faut 3GPP a défini des cas d’utilisation une architecture de base de don-
de plus créer des modèles qui ne sur le partage d’informations dans nées centralisée car cette appli-
soient pas biaisés et qui soient des scénarios de conduite de véhi- cation va nécessiter beaucoup de
exploités de façon responsable. cules individuels ou de pelotons puissance de calcul et entraîner
des retards.
Le Groupe spécialisé ML5G de l’UIT
Le Groupe spécialisé du Secteur de la normalisation des télécommunications de

l’UIT (UIT-T) sur l’apprentissage automatique pour les réseaux futurs, y compris de parcourir le journal de suivi de
les réseaux 5G a été établi par la Commission d’études 13 de l’UIT-T en 2017. Il l’équipement d’un autre fournis-
a élaboré dix spécifications techniques concernant l’apprentissage automatique seur pour pouvoir l’extraire.
(ML) pour les réseaux futurs, y compris en ce qui concerne les interfaces,
les architectures de réseau, les protocoles, les algorithmes et les formats de
données. Il a mené ses activités entre janvier 2018 et juillet 2020.
Intérêt d’une conception
architecturale prête
On trouvera ici de
plus amples détails pour l’IA
sur ce groupe.
Une conception architecturale
prête pour l’IA, c’est-à-dire capable
de prendre en charge l’interopéra-
bilité, les mécanismes de traite-
ment des données et des outils
Le Groupe spécialisé permettant d’évaluer la maturité
de l’UIT-T sur du réseau à cet égard présente
Pour créer un module de traite-

l’apprentissage un intérêt considérable pour les
ment des événements spéciaux automatique pour CSP qui s’efforcent d’intégrer de
l’intelligence dans leur réseau. Le
en temps réel, nous avons dû les réseaux futurs, y Groupe spécialisé de l’UIT-T sur
employer des portes dérobées compris les réseaux l’apprentissage automatique pour
non normalisées prévues dans
certains équipements de réseaux.
5G nous a offert une les réseaux futurs, y compris les
Nous avons ainsi pu accéder à des aide considérable. réseaux 5G nous a offert une aide
considérable grâce aux spécifica-
statistiques en temps réel et com-
tions qu’il a écrites pendant toute
mander des nœuds à distance. Ces
la durée de ses activités.
interfaces non normalisées néces-
sitent une collaboration étroite Salih Ergüt
Citons à titre d’exemple les
avec le fournisseur d’équipements
spécifications suivantes: «Cadre
pour pouvoir les manipuler selon
architectural pour l’apprentissage
les besoins, et certaines de ces
manipulations peuvent créer des
futurs, y compris les IMT-2020»
brèches de sécurité.
au fait que les fournisseurs ont (UIT-T Y.3172); «Cadre pour le
parfois défini leurs propres indices, traitement des données en vue
Comme ces interfaces diffèrent
ou qu’ils n’en ont pas prévu du de permettre la mise en œuvre de
d’un fournisseur d’équipement à
tout, ce qui complique la créa- l’apprentissage automatique dans
l’autre, les applications d’IA doivent
tion d’applications d’IA pour les les réseaux futurs, y compris les
être adaptées, et parfois entière-
réseaux. L’avance de rythme (TA), IMT-2020» (UIT-T Y.3174); et «Cadre
ment reconçues pour chaque équi-
par exemple, peut être communi- pour l’évaluation des niveaux
pement. Le problème des KPI ne
quée directement en tant que KPI d’intelligence des réseaux futurs, y
tient pas seulement aux difficultés
par l’équipement d’un fournisseur compris les IMT-2020: cas d’utilisa-
d’accès en temps réel, mais aussi
tandis qu’il peut être nécessaire tion» (UIT-T Y.3173).
Des modèles plus des travaux de recherche récents L’apprentissage

simples pour les secteurs ont montré que certains modèles fédéré: alléger la
d’importance critique complexes pouvaient aussi être lourdeur de traitement
conçus de manière à pouvoir des mégadonnées
Il reste un certain nombre de être expliqués.
lacunes entre la recherche en IA Enfin, l’apprentissage fédéré, qui
et l’exploitation concrète de l’IA permet d’entraîner un modèle
dans un réseau d’opérateur fonc- Fournir la conjointement sur plusieurs jeux
tionnel. Dans leur article intitulé meilleure prévision de données, constitue aussi un
«Deep learning in mobile and futur axe de recherche qui allè-
wireless networking: A survey» Les algorithmes d’IA ont aussi un gera la charge de travail néces-
(Apprentissage profond dans les autre défaut fréquent: ils four- saire pour recueillir et traiter des
réseaux mobiles et hertziens: une nissent leur meilleure prévision au volumes de données considé-
enquête), IEEE Communications regard de données issues d’ob- rables provenant de l’ensemble
Surveys & Tutorials, vol. 21, no. 3, servations passées. En présence des nœuds d’un entrepôt de
pp. 2224-2287, 2019, les auteurs d’un nouveau scénario, ou lorsque données central. Outre l’alourdis-
C. Zhang, P. Patras et H. Hamed les statistiques sous-jacentes ont sement de la charge pesant sur le
proposent une excellente étude changé, ils continuent à fournir système, les méthodes centralisées
des techniques d’apprentis- leur meilleure prévision au lieu de entraînent aussi des retards plus
sage profond dans ce type de signaler une baisse de confiance importants et nécessitent des pré-
réseaux. Pour les secteurs qui dans leur décision. Dans des cautions particulières pour éviter
ont une importance critique et réseaux de télécommunication, il les problèmes de confidentialité
sont fortement réglementés, est essentiel d’adopter des méca- des données. L’apprentissage
comme c’est le cas par exemple nismes d’IA permettant à des êtres fédéré permet d’ailleurs à plusieurs
des télécommunications et de la humains d’intervenir dans le pro- parties d’élaborer un meilleur
santé, la confiance et la validation cessus pour renforcer la robustesse modèle sans compromettre la
de décisions autonomes sont et la résilience du fonctionnement. confidentialité des données.
des éléments d’une importance
primordiale. Il ne suffit pas que L’apprentissage par transfert, qui Pour conclure, il est difficile d’ima-
ces systèmes soient capables de permet d’apprendre à partir d’un giner des réseaux 5G et au-delà
faire des prévisions avec une haute nombre plus faible d’exemples fonctionnant sans l’aide de l’intel-
précision; leurs résultats doivent en utilisant des connaissances ligence artificielle. L’intégration de
être obtenus grâce à une représen- issues d’un problème connexe l’IA dans les réseaux présente un
tation adéquate des problèmes, et déjà résolu, constitue un domaine certain nombre de difficultés pour
non pas par des données d’en- de recherche dynamique qui les CSP, mais elle leur ouvre aussi
trée erronnées. aura une incidence positive sur d’immenses perspectives.
les réseaux. Un agent d’IA pourra
Dès lors, il faut préférer des s’adapter aux changements de son
modèles plus simples comme environnement et le modèle d’un
des régressions linéaires ou des service bien connu pourra être
arbres de décision à des modèles extrapolé à un service analogue
complexes dans ces secteurs pour dont les mécanismes internes
pouvoir les interpréter. Néanmoins, sont inconnus.
Rakuten Mobile
Les réseaux autonomes: s’adapter à l’inconnu

Paul Harvey, Directeur de recherche, Innovation Studio, Rakuten Mobile et
Prakaiwan Vajrabhaya, Directeur de la sensibilisation et de la promotion
concernant la recherche, Innovation Studio, Rakuten Mobile.
J Dans l’enseignement moderne, serait-il pas temps de former des leurs infrastructures en s’appuyant
la pédagogie s’est éloignée de réseaux pour qu’ils le deviennent sur un mécanisme pour gérer leur
l’apprentissage par cœur pour également? réseau. Toute la question tient alors
aller vers la pensée critique. à la commande ce mécanisme,
Ce mouvement de pendule qui continue pour l’essentiel d’être
donne une tournure d’esprit qui Qu’est-ce que assurée par des êtres humains ou
permet aux gens de résoudre la virtualisation? par des processus automatisés
des problèmes de manière bien définis. Toutefois, les réseaux
autonome lorsqu’ils se trouvent Avant de nous tourner vers la futurs posent un grand nombre
dans une situation nouvelle; or question de l’autonomie, il est de difficultés, dont la plupart n’ont
ce comportement est essentiel important de nous arrêter un jamais été rencontrées auparavant.
dans les entreprises de demain. instant sur le vecteur qui l’a rendue Pour qu’ils puissent fonctionner
À l’instar de ces entreprises, les possible: la virtualisation. Il s’agit correctement, nous devons donc
réseaux de télécommunication du processus par lequel un logiciel adopter une tournure d’esprit auto-
constituent des environnements représente de manière abstraite nome, de la même manière que
difficiles, en constante évolution, un équipement matériel du réseau, les enseignants forment désormais
qui reposent sur des technologies ce qui permet de découpler une leurs étudiants pour qu’ils aient
et des services nouveaux ainsi que application de l’équipement une réflexion critique et qu’ils
sur des profils de trafic complexes. sur lequel elle fonctionne. Cette puissent résoudre de nouveaux
D’où la question suivante: si nous nouvelle abstraction permet à problèmes sur le terrain.
formons des personnes pour des opérateurs de télécommuni-
qu’elles deviennent autonomes, ne cations d’unifier et de simplifier
a montré que différentes technolo- qu’à votre retour, il aura dessiné

gies d’apprentissage automatique sur toutes les surfaces qu’il aura
Pour que les étaient efficaces pour répondre trouvées: du papier, son visage,
réseaux futurs automatiquement aux besoins de les murs, voire le chien. C’est ce
puissent fonctionner nombreux cas d’utilisation dans un que nous faisons, nous autres
correctement, nous réseau. Tel est par exemple le cas humains: nous expérimentons
des technologies recensées dans instinctivement dans le monde qui
devons adopter une le document du Groupe spécialisé nous entoure, et nous recevons
tournure d’esprit du Secteur de la normalisation des des informations en retour, par
autonome. télécommunications de l’UIT (UIT-T) exemple des compliments ou des
sur l’apprentissage automatique réprimandes, qui nous guident
pour les réseaux futurs, y compris mais ne nous dictent pas nos actes
Paul Harvey, les réseaux 5G (FG-ML5G) et dans futurs. Nous apprenons ainsi à
Prakaiwan Vajrabhaya la série de Recommandations utiliser de nouveaux outils et à
UITT Y.3170 – Apprentissage connaître leurs effets sur le monde.
futurs, y compris les IMT2020: Il en va de même avec les techno-
cas d’utilisation. logies futures. Les réseaux auto-
nomes doivent apprendre pour
Bien que l’automatisation offre des intégrer de nouvelles technologies
Avant toute chose, il avantages considérables, elle com- sans qu’on leur dise de manière
convient de rappeler porte aussi un problème inhérent explicite à quoi elles servent, et ils
qu’automatisation ne en raison de sa nature prédéfinie. doivent aussi apprendre à utiliser
signifie pas autonomie. Si l’on imagine qu’un change- des technologies existantes pour
ment imprévu se produise, par résoudre des catégories de pro-
L’automatisation consiste à exemple, dans certaines catégories blèmes qui ne cessent de changer.
fonctionner à l’intérieur de de problèmes ou de technolo-
paramètres bien définis ou de gies, ou dans une nouvelle classe
contraintes prédéfinies. d’applications, des ingénieurs Comment écrire
humains devront intervenir pour la créativité
L’autonomie est procéder aux modifications.
l’indépendance permettant Inversement, l’autonomie nécessite
de réfléchir et d’adapter peu d’intervention humaine ou Comment l’expérimentation
un comportement, c’est- s’en passe complètement, car elle par des essais et des erreurs
à-dire d’aller audelà des est destinée, par sa conception fonctionne-t-elle réellement?
paramètres bien définis ou des même, à s’adapter et à dépasser Compte tenu du nombre élevé
contraintes prédéfinies. les paramètres bien définis ou les de combinaisons possibles de
contraintes prédéfinies. technologies et de configurations,
L’automatisation est un outil puis- il faut disposer d’un mécanisme
sant. Elle vise à régler un problème efficace pour explorer l’espace et
ou un ensemble de problèmes Explorer les nouvelles faire des choix potentiellement
particuliers, par exemple l’appli- technologies de utiles. Là encore, observons-
cation de techniques d’appren- manière autonome nous nous-mêmes pour trouver
tissage profond pour trouver des des idées.
anomalies, recenser le trafic ou Imaginez que vous donniez un
des applications sur le Web, voire feutre à un enfant puis que vous
détecter une intrusion. De fait, on le laissiez seul. Il est probable
L’évolution dépend de la recom- produites dans tous les domaines processus. Certains travaux actuels,
binaison et de la modification du développement logiciel. En comme la carte des applications
semiarbitraires de petites briques tant que telle, l’évolution est un de télécommunication (TAM) du
de base (le génome) et de récom- mécanisme codifiable qui permet TM Forum, peuvent servir de point
penses «par la survie du plus apte», de piloter la créativité nécessaire de départ à ce processus.
ou de chances de reproduction aux réseaux futurs pour résoudre
supplémentaires pour les enfants des problèmes inconnus.
les plus forts. On a montré que Et c’est tout?
les méthodes qui suivaient les
principes de l’évolution consti- La connaissance, c’est À n’en pas douter, cette tâche est
tuaient des mécanismes efficaces le pouvoir loin d’être simple. Tout comme
pour explorer de vastes espaces les décisions ne règlent rien si
et trouver des solutions (opti- Malgré des résultats prometteurs, elles ne sont pas suivies d’actes, la
males) aux problèmes. On trouvera tous les problèmes ne seront pas capacité d’adaptation autonome
quelques exemples d’application (ou ne devraient pas être) résolus à l’inconnu a de nombreuses
de ce principe dans les articles par l’exploration semi-arbitraire de conditions préalables, notamment
suivants: Antenna design in NASA combinaisons possibles de tech- la création de petites briques de
(Conception d’antennes à la NASA) nologies. L’être humain accumule base, la construction d’ontologies
(Hornby, G., Globus, A., Linden, des connaissances de manière et de taxonomies pour les diffé-
D. et Lohn, J., 2006; Automated diachronique et les utilise pour rents cas d’utilisation, la création
antenna design with evolutio- façonner son processus déci- de langages de spécification
nary algorithms (Conception sionnel. Les réseaux autonomes pour décrire ces éléments, ou la
automatisée d’antennes par des devraient pouvoir bénéficier de construction d’environnements de
algorithmes évolutifs) dans Space ces connaissances collectives simulation ou de systèmes d’alerte.
2006 (Espace 2006) (p. 7242)); parallèlement à l’acquisition de Et la liste ne s’arrête pas là...
Autonomous «rediscovery» of leurs propres connaissances.
machine learning technologies at Le défi que représente la réali-
Google («Redécouverte» auto- À cette fin, nous utilisons une onto- sation d’un réseau autonome ne
nome de technologies d’appren- logie et une taxonomie pour repré- peut être relevé que par un effort
tissage automatique chez Google) senter les relations entre les entités concerté. Non seulement pour
(Real, E., Liang, C., So, D.R. et Le, pertinentes qui sont présentes régler les problèmes précités,
Q.V., 2020; AutoMLZero: Evolving dans le réseau. Cette représenta- mais aussi pour que l’autonomie
Machine Learning Algorithms From tion des connaissances humaines, puisse être acquise à travers une
Scratch (Apprentissage automa- combinée aux informations plate-forme interopérable qui
tiquezéro: algorithmes évolutifs recueillies à partir du réseau et aux profite à tous les opérateurs. Cette
d’apprentissage automatique connaissances acquises en perma- démarche a déjà été adoptée
partant de zéro) arXiv preprint nence par l’expérimentation par dans des organismes de normali-
arXiv:2003.03384). essais et erreurs offre une méthode sation face à la nouvelle vague de
codifiable d’orientation de l’auto- plates-formes informatiques en
Les réseaux autonomes ne seront nomie. Une telle démarche permet périphérie, alors que les télécom-
pas différents, sauf que le génome de diminuer la probabilité de choi- munications entrent dans l’ère de
biologique est remplacé par des sir certaines combinaisons d’évolu- la 5G.
briques logicielles modulaires, tion, de réduire l’espace à explorer
qui sont désormais couramment et d’accélérer l’ensemble du
Les réseaux
autonomes offrent À cet égard, l’UIT et ses membres à s’adapter de manière autonome
ainsi la possibilité de peuvent jouer un rôle moteur pour aux problèmes inconnus des
libérer les ingénieurs constituer la communauté dont réseaux futurs. Nous remplaçons
nous avons besoin et combler les des méthodes automatiques pro-
de télécommunication lacunes. grammées manuellement par des
de leurs tâches les méthodes évolutives créées par les
plus banales pour machines et vérifiées de manière
leur permettre de L’autonomie nous libère de expérimentale. Les réseaux auto-
se concentrer sur la banalité nomes offrent ainsi la possibilité de
libérer les ingénieurs de télécom-
l’extraordinaire. Tout comme nous préparons nos munication de leurs tâches les plus
enfants à occuper les emplois banales pour leur permettre de se
inconnus que leur réserve l’avenir, concentrer sur l’extraordinaire.
Paul Harvey, nous préparons aussi nos réseaux
Prakaiwan Vajrabhaya
Architecture de haut niveau pour une adaptation évolutive des réseaux autonomes
Moteur d’autonomie
Centre de connaissances Usine d’adaptation
Contrôleur Module Centre de connaissances
Contrôleurs de stockage et
Connaissances Moteur Moteur connaissances de différents types
d’évolution d’expérimentation
Plan de commande autonome Contrôleur
Contrôleur Contrôleur
Contrôleur Contrôleur Contrôleur

Contrôleur Usine d’adaptation
Contrôleur Création et validation de
Contrôleur Contrôleur Contrôleur Contrôleur Contrôleur Contrôleur nouveaux contrôleurs
VNF Services Réseau VNF Services Réseau VNF Services Plan de commande
de transport de transport
vRAN Virtualisation
pour le
Virtualisation
pour le
Virtualisation autonome
III Infrastructure raccordement avant III Infrastructure raccordement arrière III Infrastructure Internet
Exploitation et gestion du réseau
Dans les locaux Périphérie lointaine Périphérie proche Nuage Nuage
privé public
vRAN = Virtualized radio access network VNF = Virtual network function
Source: ©2020 Mobile Rakuten Innovation Studio.

Rohde & Schwarz
Essais sur la qualité d’expérience

dans les réseaux mobiles
Arnd Sibila, Responsable de la commercialisation des technologies,
Service des essais des réseaux mobiles, Rohde & Schwarz
J Les opérateurs de réseaux mobiles doivent tester la stabilité et la

qualité de fonctionnement de leurs réseaux pour s’assurer de la qualité de
leur service. En raison des volumes de données considérables qui doivent
être analysés à cette fin, il est difficile de le faire à la main. C’est là que Les opérateurs de
l’intelligence artificielle (IA) arrive à la rescousse. réseaux mobiles
doivent tester la
Les essais de réseaux à l’ère de la 5G
stabilité et la qualité
de fonctionnement
Avec l’arrivée de la cinquième génération de communications mobiles, les de leurs réseaux pour
personnes chargées de tester les réseaux se trouvent confrontées à une s’assurer de la qualité
situation inédite. En raison des nombreux aspects de la 5G, notamment la
diversité des bandes de fréquences et des programmes de déploiement
de leur service.
des opérateurs de réseaux, et l’immense éventail d’applications possibles
comme l’Internet des objets (IoT), les communications mobiles conven-
tionnelles, la mise en réseau du trafic, etc., les données sur les réseaux et Arnd Sibila
les données d’essai sont de plus en plus différenciées.
Si l’on analyse ces données sous d’entraînement débouche sur la

«Smart», une plate-
leur forme agrégée habituelle, on construction d’un modèle conte- forme de nouvelle
obtient rapidement des résultats nant les connaissances issues de génération pour
faussés qui conduisent à des toutes les données d’entraînement; tester les réseaux
interprétations erronées. L’IA offre ces connaissances sont néces- mobiles
une bonne solution à ce problème. saires au système pour accomplir
Si les méthodes fondées sur des sa fonction.
algorithmes reflètent des théo-
La vidéo ci-après offre un
ries précises, certaines méthodes Pendant l’étape de la déduc- aperçu du nouveau paradigme
d’IA telles que la reconnaissance tion, nous nous contentons de d’essai des réseaux mobiles.
de formes parviennent à évaluer reprendre le modèle ainsi construit Cette plateforme permet de
des jeux de données sans aucune et de lui fournir de nouvelles don- réduire la complexité des
idée préconçue, et à mettre en nées pour produire des prévisions travaux visant à améliorer la
évidence des relations qui auraient ou détecter des relations qui, qualité et la performance des
échappé à un analyste humain. sans ce modèle, seraient restées réseaux en se fondant sur la
cachées dans la structure des qualité d’expérience (QoE).
données. Cette étape nécessite
L’apprentissage moins de puissance de calcul que
automatique est l’entraînement et peut donc être
indispensable face exécutée sur l’unité centrale (CPU)
aux mégadonnées d’un serveur classique ou même
être exécutée par de l’informa-
Le terme «apprentissage automatique en périphérie, ce qui évite
tique» est un peu plus précis que d’envoyer des données sensibles à
le terme «intelligence artificielle». un serveur.
L’apprentissage automatique (ML)
a pour but de déduire automa- Après la phase d’entraînement
tiquement des règles générales intensif, le modèle est capable
à partir d’un grand volume de d’interpréter correctement de
données. Dans nos applications nouvelles données de mesure de
de l’apprentissage automatique manière presque spontanée.
à des données d’essais en mou-
vement, la méthode classique Choisir des méthodes d’ap-
d’apprentissage profond comporte prentissage automatique
deux étapes: l’entraînement et d’analyse fondées sur les données.
la déduction. Nous employons des méthodes Ces méthodes sont tout particu-
d’apprentissage automatique lièrement prometteuses pour les
Pendant l’étape d›entraînement, dans des applications visant par essais sur des réseaux mobiles,
nous recueillons des données exemple à simplifier l’optimisation qui génèrent des volumes consi-
d’entraînement en effectuant de de réseaux mobiles ou à amélio- dérables de données et pour
nombreux essais sous différents rer l’évaluation des différences lesquels il n’est donc plus réaliste
environnements et configurations. qualitatives entre des fournisseurs. de faire des analyses manuelles et
Ces données permettent d’entraî- Nous avons établi en 2018 le d’écrire des règles. L’apprentissage
ner le système en effectuant de Data Intelligence Lab (Laboratoire automatique permet d’exploiter
très nombreux calculs. En général, sur l’intelligence des données) les informations cachées dans
on emploie à cette fin des unités pour travailler sur ces questions de grands jeux de données, par
de traitement graphique (GPU) et appuyer les travaux du service exemple pour en déduire de nou-
car elles sont capables de faire de recherche-développement veaux critères d’évaluation. La note
un grand nombre d’opérations de la société Rohde & Schwarz de stabilité des appels (CSS) en est
simples en parallèle. L’étape en employant des méthodes un bon exemple.
Rohde & Schwarz et les normes de l’UIT
Il est très agaçant

La société Rohde & Schwarz est un Membre de Secteur de l’UIT qui participe
activement aux travaux de la Commission d’études 12 (CE 12: Qualité de qu’un appel
fonctionnement, qualité de service et qualité d’expérience) du Secteur de la téléphonique soit
normalisation (UIT-T) dans le but de favoriser l’IA et l’apprentissage automatique.
brutalement coupé.
L’IA et l’apprentissage automatique sont abondamment employés de nos jours
pour construire des modèles visant à évaluer la qualité de la parole, du son et
de la vidéo. L’UIT a élaboré par exemple des normes permettant d’évaluer la Arnd Sibila
qualité du streaming audiovisuel, notamment la norme UIT P.1203 (Évaluation
paramétrique, fondée sur le flux binaire, de la qualité des services de streaming
audiovisuel adaptatif ou à téléchargement progressif, avec transport fiable)
et UIT P.1204 (Évaluation de la qualité vidéo des services de streaming avec
transport fiable pour des résolutions jusqu’à 4K). entre les conditions de transmis-
sion et l’état de l’appel.
Les nouvelles normes de l’UIT concernant l’évaluation de la qualité visent
l’analyse et le diagnostic des réseaux intelligents (UIT E.475) ainsi que la La note de stabilité des appels
création et la validation de modèles basés sur l’apprentissage automatique pour
(CSS) déduite de ce modèle
l’évaluation de la qualité des médias (UIT P.565).
permet de mesurer la fiabilité de
la connexion mobile sur toute
Compte tenu de l’expérience acquise lors de l’élaboration de ces normes,
la durée de l’appel et de classer
la Commission d’études 12 a établi des orientations supplémentaires sur la
manière d’exploiter l’IA et l’apprentissage automatique dans les travaux de cette connexion selon sa qualité.
normalisation de l’UIT; ces orientations sont reprises dans un Rapport technique Le diagnostic tient aussi compte
et un Supplément de l’UIT qui seront bientôt publiés. des appels instables qui ont été
achevés avec succès, mais pour
La société Rohde & Schwarz prévoit qu’un nombre de plus en plus élevé lesquels les données montrent
d’études et de recommandations seront rédigées en s’appuyant sur des que la coupure était proche. Dans
techniques d’IA et d’apprentissage automatique, et elle soutient très activement des statistiques CDR classiques,
ces activités à l’UIT. ces appels instables auraient été
classés dans les appels réussis, ce
qui aurait faussé l’évaluation de la
qualité du réseau.
La valeur de la CSS dépend des

La note de stabilité des sur les réseaux ayant atteint une informations recueillies parmi
appels: un nouveau critère certaine maturité, il faut un grand des millions d’appels d’essai et
d’évaluation de la fiabilité nombre d’appels pour obtenir intégrées dans le modèle au cours
des communications une valeur significative sur le plan du processus d’apprentissage.
statistique. C’est pourquoi les cam- L’évaluation a donné des résultats
Il est très agaçant qu’un appel télé- pagnes d’essais en mouvement positifs dès le premier appel. La
phonique soit brutalement coupé. sont longues et coûteuses. Nous qualité de l’appel sur le réseau
C’est pourquoi les opérateurs de avons donc choisi d’employer une est enregistrée de manière plus
réseaux mobiles testent depuis méthode consistant à remplacer précise et avec moins d’efforts en
de nombreuses années la qualité l’état binaire de l’appel (soit achevé termes d’essais. Le modèle évalue
de la parole et la stabilité de la avec succès, soit coupé) par une les données au regard des règles
connexion. De ce point de vue, la valeur analogique déterminée apprises et produit une valeur
statistique la plus connue est le avec finesse. À cette fin, nous comprise entre 0 et 1. Plus cette
taux de coupure des appels (CDR). avons créé un modèle à partir d’un valeur est élevée, moins il est pro-
Cependant, comme le nombre système d’intelligence artificielle bable qu’une coupure se produise
d’appels coupés est très faible statistique qui établit des liens dans l’intervalle observé.
La mesure de la CSS fait par- spécialistes des données. Elle vise problématiques qui auraient
tie de la plate-forme analy- à trouver des échantillons de don- normalement été masqués par les
tique SmartAnalytics créée par nées qui ne sont pas conformes à moyennes des indicateurs clés de
Rohde & Schwarz (voir la capture la distribution normale du jeu de performance (KPI).
d’écran N° 1). données auquel ils appartiennent.
Le fait de trouver des échantillons Les données présentées par la
anormaux, également appelés plate-forme SmartAnalytics de la
Détection d’anomalies valeurs aberrantes, permet d’ac- société Rohde & Schwarz per-
dans le temps quérir des enseignements précieux mettent aux utilisateurs de s’aper-
qui sont souvent corrélés avec des cevoir rapidement qu’une phase
Cette suite logicielle offre une défauts ou des erreurs dans le pro- quelconque d’un essai s’écarte du
autre fonction reposant sur l’IA: il cessus de recueil de données (par modèle. Globalement, la détection
s’agit de la détection d’anomalies, exemple un équipement défec- des anomalies dans le temps offre
qui est fondée sur un apprentis- tueux ou mal configuré). une méthode plus efficace pour
sage non supervisé, c’est-à-dire effectuer des essais en mouvement
que le réseau de neurones est Le fait de trouver des anomalies et optimiser les réseaux.
entraîné pour apprendre des de transfert de données dans des
informations cachées dans des séries chronologiques de durée La détection d’anomalies, en
données non étiquetées. variable est utile aux opérateurs de particulier dans des séries chrono-
réseaux mobiles car cela permet logiques, peut être employée dans
La détection d’anomalies est un de détecter instantanément des des tests élémentaires très divers.
outil très apprécié des scientifiques écarts et de recenser des zones
Capture d’écran N° 1: Visualisation de la note de stabilité des Capture d’écran N° 2: Visualisation de la détection d’anomalies
appels sur la plate-forme SmartAnalytics de la société Rohde dans le temps sur la plate-forme SmartAnalytics de la société
& Schwarz (disponible uniquement en anglais). Rohde & Schwarz (disponible uniquement en anglais).
Shutterstock
Le point de vue d’un opérateur de réseau

sur le rôle de l’IA dans les réseaux
d’accès radioélectrique futur
Chih-Lin I, responsable scientifique et Qi Sun,
chercheur principal, Service des technologies
hertziennes, Institut de Recherche China Mobile
J La 5G est en cours de commercialisation dans le monde entier et

Nous devons repenser
se développe à une vitesse étonnante. La Chine, par exemple, devrait le paradigme
disposer de plus de 600 000 stations de base 5G d’ici la fin de cette classique des
année. télécommunications
Toutefois, le système de la 5G est extrêmement complexe et ce type de
et accueillir
réseaux ne peuvent être déployés simplement en accumulant des cen- les nouvelles
taines de milliers de stations de base. Beaucoup de difficultés doivent technologies.
encore être surmontées pour parvenir à un succès commercial. Ainsi, en
raison de sa consommation d’énergie, de ses coûts élevés et de sa grande
souplesse, la 5G pose des problèmes d’optimisation de l’exploitation et de
la maintenance. Il est également difficile de trouver une méthode permet- Chih-Lin I, Qi Sun
tant de répondre rapidement et efficacement aux besoins des différentes
applications des industries verticales.
Pour résoudre ces problèmes, nous doute favoriser une gestion et Quatre études de cas du
devons repenser le paradigme une commande proactives du point de vue de l’opérateur
classique des télécommunications réseau, ce qui devrait améliorer
et accueillir les nouvelles techno- considérablement l’efficacité On trouvera ci-après une présen-
logies telles que l’informatique en d’utilisation des ressources et tation détaillée de quatre études
nuage, l’analyse des mégadonnées de l’énergie par le réseau et de cas classiques, considérées
et l’apprentissage automatique. permettre de personnaliser du point de vue de l’opérateur,
Il faut envisager une intégration l’expérience des utilisateurs. compte tenu de l’expérience
profonde des technologies de acquise à travers des systèmes
l’information, des technologies des Une méthode sophistiquée commercialisés et des systèmes en
données et des technologies de la d’optimisation et de décision cours d’essai.
communication dans les réseaux concernant le réseau: sur la
5G et audelà. base des données recueillies
au sein du réseau réel, l’analyse Économie d’énergie
L’intelligence devrait se répandre des données et l’apprentissage
dans tous les domaines et à tous automatique peuvent Pour résoudre les problèmes
les niveaux des réseaux hertziens, contribuer à résoudre de d’énergie auxquels l’expansion des
que ce soit en local, en périphérie manière efficace les problèmes réseaux mobiles se trouve confron-
ou dans le nuage. majeurs auxquels se heurte tée, la société China Mobile a mis
le réseau 5G. Ces problèmes au point un système d’économie
L’analyse de données, l’apprentis- sont généralement difficiles d’énergie par coopération entre
sage automatique (ML) et l’intel- à modéliser ou nécessitent plusieurs techniques d’accès
ligence artificielle (IA) sont des des calculs très complexes en radioélectrique (MCES) afin d’amé-
vecteurs essentiels de l’évolution raison du nombre considérable liorer l’efficience énergétique des
et de la révolution de l’intelligence de dimensions ou de la réseaux mobiles. Le système MCES
dans les réseaux hertziens. présence de difficultés non interagit avec le réseau d’accès
déterministes polynomiales radioélectrique en temps réel et
(problèmes NP-difficiles). peut prendre en charge des équi-
L’analyse de données pements RAN en 2G/3G/4G prove-
et l’apprentissage Si l’on se concentre sur les réseaux nant de différents fournisseurs.
automatique offrent d’accès radioélectrique (RAN),
de nouvelles capacités les cas d’utilisation peuvent être Plus précisément, le système MCES
aux réseaux globalement classés en quatre offre trois grandes fonctionnali-
catégories: 1) la gestion et l’or- tés techniques:
L’analyse de données et l’appren- chestration intelligentes des des économies d’énergie au
tissage automatique vont offrir aux réseaux; 2) l’informatique en péri- niveau du réseau;
réseaux les capacités suivantes: phérie mobile et intelligente; 3) la une fonction de découverte
gestion intelligente des ressources des cellules économes
Des prévisions fiables: les radioélectriques; et 4) la technolo- en énergie fondée sur les
volumes considérables gie de transmission radioélectrique mégadonnées; et
et pluridimensionnels de intelligente. l’activation ou la désactivation
données recueillies sur le de cellules selon une
réseau permettent d’effectuer La problématique peut aussi granularité de temps plus fine.
des prévisions sur le trafic, s’étendre à l’optimisation du
sur les anomalies de réseau, domaine des fréquences radioé- Le système MCES a été déployé
sur les structures et les lectriques, c’estàdire à la prédistor- dans 18 provinces et intègre
types de services, sur les sion numérique assistée par l’IA. 970 000 cellules. En 2019, l’écono-
trajectoires et les positions mie d’énergie totale a atteint plus
des utilisateurs, sur la qualité de 40 millions de KWh. Le système
d’expérience du service, sur les évolue désormais pour pouvoir
empreintes radioélectriques intégrer un réseau 5G afin de coor-
et les brouillages, etc. Ces donner les économies d’énergie
prévisions vont sans aucun entre des réseaux 4G et 5G.
Topologie d’un système d’économie d’énergie par coopération entre plusieurs

techniques d’accès radioélectrique (MCES)
XDR = Extended Data Record
(enregistrement de données étendues)
ng-eNB = Next generation eNodeB
(nœud B évolué de prochaine génération)
BTS = Base Transceiver Station
(station d’émission-réception de base)
OMC = Operation and management center
(centre d’exploitation et de gestion)
ng-eNB gNB eNodeB BTS
OSS = Operation support system
(système d’appui à l’exploitation)
GSM-BSC = Global System for Mobile Communications-Base Terminal
Station Control (système mondial de
communications mobiles – commande des stations de base)
GSM-BSC
Plate-forme de mégadonnées XDR Système d’économie

d’énergie par coopération
entre plusieurs techniques 5G 4G 2G
d’accès radioélectrique OMC/OSS OMC/OSS OMC/OSS
Analyse automatique
d’anomalies
Déroulement de l’analyse automatique d’anomalies
La détection et l’analyse d’ano-
malies ont toujours joué un rôle Résultat Cause de
important dans les systèmes de la DA l’anomalie
d’exploitation et de gestion. En Données Analyse
du RM sur Détection Rapport de
d’anomalies des causes sortie/de DA
utilisant un algorithme dynamique les KPI/KQI fondamentales
de détection d’anomalies fondé
sur l’apprentissage automatique, Données Étiquetage Évaluation
on peut réduire le nombre de sur les automatique à posteriori
tickets
règles manuelles et obtenir des d’anomalie Mise à jour
informations plus précises sur les en ligne
KPI = Indicateur clé de performance
causes fondamentales des anoma- KQI = Indicateur clé de qualité
RM = Rapport de mesure
lies. Parallèlement, un algorithme DA = Détection d’anomalies
d’analyse des causes fondamen-
tales, fondé sur de l’intelligence
artificielle, permet de supprimer
directement une partie du travail
humain dans le processus d’ana-
lyse des anomalies.
Optimisation de la Orientation du trafic par Grille virtuelle d’empreinte

qualité d’expérience empreinte radioélectrique radioélectrique
Le modèle d’affaires de la 5G évo- L’orientation du trafic, également
lue et remplace le «volume» par la appelée répartition de la charge
«valeur». La qualité d’expérience mobile, est une solution fréquem-
(QoE) de l’utilisateur joue un rôle ment employée dans les réseaux Cellule de desserte
déterminant dans la commercia- pour distribuer la charge de Cellule voisine Cellule voisine
lisation de la 5G; c’est pourquoi trafic entre les différentes cellules intrafréquences 1 intrafréquences 2
l’optimisation des réseaux ne vise ou pour transférer du trafic afin
plus des indicateurs clés de per- d’obtenir une meilleure qualité
formance (KPI), mais des indica- de fonctionnement du réseau. Grille i
teurs clés de qualité (KQI) liés à la On peut améliorer l’efficacité de
qualité d’expérience. l’orientation du trafic en définissant
Indice
ServingCell Id, RSRP/RSRP Segment ID
une empreinte radioélectrique, IntraFreq_NeighbourCell_1 ID, RSRP/RSRP Segment ID
Un contrôleur intelligent radioélec- qui organise les cellules en grilles IntraFreq_NeighbourCell_2 ID, RSRP/RSRP Segment ID
trique sert de plate-forme pilotée en fonction des niveaux de signal Attribut
par les données pour offrir aux radioélectrique des cellules en Qualité de la couverture
réseaux d’accès radioélectrique service et des cellules voisines. On des cellules voisines interfréquences,
par ex. RSRP, RSRQ, RSSI, CQI, MCS, ID du faisceau.
des fonctionnalités personnalisées parvient ainsi à localiser la grille
et pour exposer ces fonctionnali- de l’équipement d’utilisateur (EU) RSRP = Reference signal receiving power
(puissance de réception du signal de référence)
tés, notamment à l’intention des et à détecter ses informations de RSRQ = Reference signal receiving quality (qualité de réception du signal de référence)
industries verticales et des four- couverture. Cette méthode permet CQI = Channel quality indicator (indicateur de qualité du canal)
MCS = Modulation and coding scheme (mécanisme de modulation et de codage)
nisseurs de services OTT. Parmi les de réduire considérablement
services les plus utilisés, le strea- le nombre de mesures interfré-
ming vidéo en haute définition, quences effectuées sur les EU et
la réalité virtuelle en nuage et les d’accélérer l’orientation du trafic.
jeux en nuage devraient être les
premiers à être disponibles dans China Mobile et ses partenaires
la 5G. ont aussi effectué des essais
d’orientation du trafic selon
En 2019, China Mobile a effectué l’empreinte radioélectrique dans
des essais sur le réseau 5G de un réseau commercial. Compte étaient respectivement réduits
Shanghai pour tester les fonc- tenu des mesures d’optimisation de 54 et de 83 pour cent. Enfin,
tionnalités suivantes: 1) la prévi- prises dans ce contexte, les essais la répartition de la charge fondée
sion et la garantie de la qualité ont montré qu’en comparaison de sur l’empreinte radioélectrique
d’expérience fondée sur l’IA et la méthode classique de répar- permettait de réduire de 20 pour
l’apprentissage automatique dans tition de la charge, la durée de cent le retard moyen du protocole
le domaine de la réalité virtuelle charge élevée était réduite de Internet (IP) sur les cellules testées.
en nuage; et 2) l’évaluation de la 13 pour cent. En outre, la reconfi-
largeur de bande radioélectrique guration des mesures depuis la
pour choisir le codage adaptatif de station de base et le rapport de
la réalité virtuelle en nuage. mesure signalant le préfixe de l’UE
Évolution des normes Travaux à venir
Certains organismes de norma- Bien que des progrès considé- Le secteur des
lisation ont mené de manière rables aient déjà été accomplis, télécommunications
dynamique des études sur la les spécifications de la 5G offrent travaille activement
normalisation de l’intelligence peu d’orientations aux opérateurs
des réseaux qui portaient en mobiles sur la manière de rendre
à la création de
particulier sur la gestion des plans leurs réseaux 5G réellement com- réseaux d’accès
de commande, y compris les cas patibles avec l’IA et l’apprentissage radioélectrique
d’utilisation et les exigences, ainsi automatique. Beaucoup de travail ouverts et intelligents
que sur le cadre fonctionnel, les reste à faire pour mieux prendre
procédures et l’architecture de l’IA. en charge les réseaux compatibles
pour garantir
Ces organismes étaient notam- avec l’IA et l’apprentissage automa- le plein succès
ment le Secteur de la normalisation tique et pour intégrer les concepts commercial de la 5G.
de l’UIT (UIT-T), le 3GPP, l’Alliance fondamentaux de ces technologies
O-RAN et l’ETSI. dans la structure profonde des
réseaux. Il faudra notamment être
Le 3GPP a déjà intégré l’analyse en mesure: Chih-Lin I, Qi Sun
de données et des fonctions
connexes d’IA et d’apprentissage de recueillir des données
automatique du réseau central et avec une granularité fine
du plan de gestion dans l’architec- et personnalisée;
ture des réseaux centraux fondés
sur les services, ainsi que dans leur d’exposer les capacités des
gestion. En revanche, il est plus réseaux RAN pour faciliter
difficile d’intégrer de l’IA dans les l’optimisation de réseaux et de
réseaux d’accès radioélectrique en services personnalisés;
raison de leur architecture distri-
buée et de leurs contraintes plus de rendre les réseaux RAN
strictes en matière de synchronisa- programmables et de leur
tion et de fiabilité. donner une architecture
fondée sur les services pour les
Le secteur des télécommunications rendre compatibles avec l’IA et
travaille activement à la création l’apprentissage automatique;
de réseaux d’accès radioélectrique
ouverts et intelligents pour garantir de découpler l’analyse, l’IA et
le plein succès commercial de la l’apprentissage automatique
5G. visant la communication et
les données pour favoriser
l’efficacité de l’innovation; et
de mettre en place des jeux

de données ouverts sur
les réseaux hertziens pour
accélérer l’innovation en
matière d’algorithmes et
d’applications d’IA destinés à
ces réseaux.
Shutterstock
Intelligence artificielle et interfaces ouvertes: les

catalyseurs essentiels des réseaux de campus
M. Günther Bräutigam, Directeur général, Airpuls; M. Renato L.G. Cavalcante, Chercheur,
Fraunhofer HHI; M. Martin Kasparick, Chercheur associé, Fraunhofer HHI; M. Alexander
Keller, Directeur de recherche, NVIDIA; et M. Slawomir
Stanczak, Chef du département des communications et
des réseaux hertziens, Fraunhofer HHI, Allemagne
Les communications
J Les communications modernes jouent un rôle essentiel pour assurer modernes jouent
le développement fructueux du numérique. Grâce aux réseaux 5G, de un rôle essentiel
nouvelles applications voient le jour dans les secteurs verticaux, et il existe
une forte demande en faveur de nouvelles technologies hertziennes
pour assurer le
qui répondent aux problèmes propres aux secteurs dans les réseaux de développement
campus, également appelés réseaux privés. fructueux du
numérique.
À titre d’exemple, pour répondre à cette demande, le Gouvernement fédé-
ral d’Allemagne a posé les fondements du développement des réseaux
de campus en autorisant leur fonctionnement dans la bande 3,7-3,8 GHz,
MM. Günther Bräutigam,
particulièrement adaptée pour couvrir des zones étendues et prendre en
Renato L.G. Cavalcante,
charge des scénarios de grande mobilité.
Martin Kasparick,
Alexander Keller et
Slawomir Stanczak
Cette bande de fréquences devrait Ces technologies reposent sur la À titre d’exemple, les algorithmes
être complétée par la bande des décomposition, la virtualisation, d’exploration de données existants
ondes millimétriques, qui offre de l’ouverture et l’intelligence arti- peuvent être adaptés aux sys-
nombreux avantages en termes de ficielle. Dans le cadre de cette tèmes hertziens, comme l’analyse
largeur de bande de transmission, nouvelle approche, les réseaux des flux de données RAN visant à
de sécurité contre les écoutes et RAN peuvent être décomposés détecter les attaques sur les inter-
de robustesse contre les brouil- en modules exécutant des fonc- faces radioélectriques.
lages, notamment. tions de réseau via des logiciels. Il
sera essentiel de mettre en place S’ils reposaient sur des solutions
Comme les réseaux mobiles des interfaces ouvertes entre ces multifournisseurs souples, les
classiques, les réseaux de campus modules RAN virtualisés si l’on réseaux de campus seraient en
sont constitués d’un réseau central veut assurer l’interopérabilité entre mesure de répondre aux besoins
contenant les éléments centraux les fournisseurs. liés à des environnements
permettant de contrôler le réseau, complexes propres aux diffé-
et d’un réseau d’accès radioélec- Bien que les interfaces soient rents secteurs.
trique (RAN), qui gère les liaisons normalisées, les normes ne traitent
hertziennes entre les stations de pas de la mise en œuvre des
base et les terminaux mobiles. fonctions de réseau, ce qui permet Aller plus loin que les
aux fournisseurs de se différencier, réseaux 5G au moyen de
De nombreux fournisseurs pro- à leur propre avantage et à celui l’intelligence artificielle
posent des logiciels pour le réseau de leurs clients. Ce degré élevé de
central. Seuls quelques fournis- logiciellisation des fonctions RAN, À l’heure où nous nous tournons
seurs proposent des technologies associé à l’utilisation de logiciels et vers l’après-5G, toute approche
RAN. Les solutions intégrées de matériels commerciaux (COTS), globale visant à gérer cette
verticalement ne permettent entraîne des économies d’échelle complexité suppose de s’appuyer
guère l’interopérabilité. En raison et une réduction des coûts. sur l’intelligence artificielle, en
d’importants obstacles à l’entrée tant que partie intégrante de la
sur le marché, des technologies Cette évolution entre systèmes conception globale du système.
propres aux secteurs s’adressant fermés et systèmes ouverts et pro-
à des marchés de niche ne sont grammables produit deux consé- Lorsque de nouveaux composants
pas développées. Cette absence quences majeures. matériels et logiciels sont intégrés
de concurrence freine l’innovation dans un réseau, l’intégration peut
dans le domaine des technolo- Elle permet de réduire les inves- être testée dans un environnement
gies RAN. tissements nécessaires au déve- de «jumeau numérique», dans
loppement de technologies pour lequel la simulation s’appuie sur
les réseaux d’accès radioélec- l’intelligence artificielle.
Promouvoir l’innovation triques, de sorte que les petites
dans les réseaux et moyennes entreprises sont en De nouveaux outils d’intelligence
de campus mesure de concevoir des solutions artificielle sont nécessaires pour
propres à leur secteur pour les soutenir les fonctions de réseau
Afin de promouvoir l’innovation réseaux de campus. telles que la planification, la ges-
dans les réseaux de campus, il est tion des faisceaux, la coordination
préconisé d’adopter un nouveau La réduction des obstacles à l’en- relative aux brouillages, la locali-
modèle économique, caractérisé trée permet d’étendre le marché, sation, la détection des symboles
notamment par la conception de en instaurant des conditions per- et l’estimation des canaux, pour ne
systèmes, l’optimisation et l’in- mettant aux technologies de niche citer que quelques exemples.
tégration de technologies hert- provenant d’autres marchés de
ziennes ouvertes et sécurisées. pénétrer les réseaux de campus.
Ces outils peuvent être fondamen- fréquence d’exploitation, du débit

talement différents des outils exis- et du nombre d’antennes.
tants qui sont appliqués dans des Pour répondre aux
domaines tels que la reconnais- Ces problèmes peuvent être exigences strictes
sance vocale et la vision artificielle. résolus au moyen de méthodes des applications
hybrides reposant sur des modèles
Toutefois, le succès des sys- et des données, consistant à uti-
mobiles dans les
tèmes ouverts et programmables liser les données pour limiter l’in- réseaux de campus,
reposera principalement sur les certitude des modèles et à utiliser le secteur doit axer
couches inférieures de la pile les modèles grossiers pour réduire tous ses efforts sur
de communication, où l’envi- la quantité de données d’entraî-
ronnement est très dynamique nements requises par les outils
le développement
et incertain. d’apprentissage. Il est essentiel et l’application de
que certaines de ces opérations nouvelles méthodes
soient effectuées dans des délais d’intelligence
Les défis allant de quelques microsecondes
artificielle.
à quelques millisecondes, de sorte
En conséquence, l’acquisition qu’il est de plus en plus important
d’ensembles de données pour de concevoir des algorithmes
l’entraînement des algorithmes évolutifs pouvant être largement MM. Günther Bräutigam,
d’apprentissage automatique fon- mis en parallèle avec les équipe- Renato L.G. Cavalcante,
dés sur les données constitue un ments commerciaux. Martin Kasparick,
défi: il peut arriver que, le temps Alexander Keller et
que des données suffisantes soient Slawomir Stanczak
collectées, l’environnement ait Appel à l’action en matière
changé dans de telles proportions d’intelligence artificielle
que les données d’entraînement
deviennent obsolètes. Pour répondre aux exigences
strictes des applications mobiles
Les méthodes essentiellement dans les réseaux de campus, le
fondées sur des modèles sont secteur doit axer tous ses efforts
aujourd’hui largement appliquées, sur le développement et l’appli-
mais d’importants problèmes cation de nouvelles méthodes
peuvent être rencontrés dans d’intelligence artificielle.
ce contexte. Dans la mesure où
les modèles hertziens ignorent Les pays pourront ainsi renforcer
souvent les effets de la divergence leur souveraineté numérique et
des faisceaux et s’appuient sur les entreprises seront en mesure
d’autres approximations telles que de fournir des solutions pour les
les ondes dans la région de champ marchés de niche qui ne sont pas
lointain, ils peuvent devenir trop encore desservis.
grossiers avec l’augmentation de la
Citations de certains hôtes du
Concours de l’UIT sur l’intelligence
automatique dans la 5G concernant
les énoncés de problèmes
Le Concours de l’UIT Le premier des cas
sur l’intelligence artificielle et d’utilisation en 2030?
l’apprentissage automatique dans
la 5G a offert une magnifique occasion de
Andrey Koucheryavy
rassembler des spécialistes de la normalisation
Président et professeur, Département des
et des universitaires et a permis à des étudiants réseaux de télécommunication et de la
et des professionnels de résoudre des problèmes de transmission de données, SPbSUT,
communication majeurs. Il a notamment permis d’obtenir responsable de la recherche au NIIR,
des résultats fort intéressants qui pourraient ouvrir la Russie, et Président de la CE 11 de
l’UIT-T.
porte à une révolution dans la manière de comprendre
les communications. En ce qui concerne le problème du
regroupement dynamique de canaux, l’application de
modèles fondés sur l’apprentissage automatique
représente un bond en avant dans le domaine.
Pour garantir la densité de couverture des réseaux, même
Francesc Wilhelmi dans les zones peu habitées, tout en assurant un niveau
doctorant, Groupe de recherche sur les élevé de sécurité et une qualité de service satisfaisante, il
réseaux hertziens, UPF, Espagne sera important d’intégrer l’informatique en périphérie
intelligente et la technologie de la chaîne de blocs dans
les réseaux futurs de 2030.
Ammar Muthanna
Nous sommes très Directeur scientifique adjoint, Département des réseaux
de télécommunication et de la transmission de données,
heureux d’avoir participé à ce SPbSUT, et Directeur du Laboratoire SDN, Russie
artificielle et l’apprentissage automatique
dans la 5G, car il nous a permis de rencontrer des
chercheurs en IA du monde entier et de travailler avec
eux pour résoudre un problème opérationnel auquel la
société Turkcell est confrontée. Notre énoncé de problème,
«les échecs de liaison radioélectrique», a des conséquences
critiques pour un opérateur de réseau. Modéliser les échecs de
liaison en s’appuyant sur des prévisions météorologiques est une
tâche ardue, compte tenu du manque de fiabilité de ces prévisions
et du fait que les échecs de liaison se produisent rarement. La
préparation au concours et la communication avec ses participants
nous ont déjà aidé à mieux formuler le problème, à régler les La tâche la plus importante de
incohérences de nos données et à envisager des démarches l’intelligence artificielle dans les
différentes. Nous devrions recevoir des propositions de solution de réseaux 5G consiste à reconnaître le trafic «à
haute qualité dans cette tâche difficile, et nous nous réjouissons la volée» sans entraîner de retards. Cette tâche
d’exploiter les enseignements que nous en retirerons pour servira aux nouveaux services de gestion de trafic
mettre en œuvre des mécanismes capables de prendre des comme l’Internet tactile, les réseaux médicaux et les
dispositions avant qu’un échec de liaison ne se produise véhicules autonomes.
afin d’améliorer l’expérience des clients.
Artem Volkov
Salih Ergut chercheur et doctorant, Département des réseaux
chercheur spécialiste de la 5G, Turkcell, Turquie de télécommunication et de la transmission de
données, SPbSUT, Russie
Nous sommes très honorés de participer au
Concours de l’UIT sur l’intelligence artificielle et
Accueillir un événement comme l’apprentissage automatique dans la 5G, qui va nous
le Concours de l’UIT sur l’intelligence permettre d’accélérer le rythme de l’application des
artificielle et l’apprentissage automatique dans algorithmes d’IA et d’apprentissage automatique
la 5G a été une expérience extrêmement fructueuse. dans les réseaux de télécommunication. Notre
Les organisateurs de l’UIT ont considérablement facilité énoncé de problème touchait à «l’optimisation
la préparation et le déroulement de l’ensemble du concours des déductions des modèles à réseau neuronal
et ont réussi à attirer un grand nombre de participants. profond»; il faisait partie de la catégorie des
Notre énoncé de problème a attiré bien plus de monde que nous vecteurs de développement. Ce sujet est vraiment
ne l’aurions imaginé au début. En tant qu’universitaires, nous important si l’on envisage de déployer des modèles
considérons ce concours comme un moyen de faire connaître d’apprentissage automatique dans un réseau,
les recherches que nous effectuons. Ce type de concours est très notamment dans les cas où les déductions sont
intéressant pour nous car il nous permet de rencontrer un public soumises à des contraintes strictes. Nous avons déjà
différent, tant au sein du monde universitaire que dans les reçu quelques propositions très intéressantes, qui
entreprises. De plus, nous avons été impressionnés par les vont sans aucun doute éclairer nos travaux dans le
solutions proposées, dont certaines ont fait progresser l’état cadre du projet ouvert Adlik.
de la technique. Nous sommes impatients de participer à
la prochaine édition du concours en 2021.
Liya Yuan
ingénieure chargée de la normalisation et des projets ouverts,
José Suárez-Varela ZTE, Chine
chercheur en postdoctorat, BNN-UPC,
Espagne
Le Concours
de l’UIT sur l’intelligence artificielle
et l’apprentissage automatique dans
Ce concours donne de la visibilité au potentiel
la 5G nous a aidés à nous distancier
de l’apprentissage automatique en tant que
du «monde des petits jeux de données» et
vecteur de développement des réseaux intelligents.
à évaluer correctement des algorithmes d’IA et
Il encourage un nombre croissant de chercheurs
d’apprentissage automatique, notamment en matière
et d’ingénieurs à mener des travaux de recherche-
d’apprentissage profond, en travaillant sur des jeux de
développement sur ce type de réseaux, et il rassemble les
données volumineux et en effectuant des expériences
opérateurs, les fournisseurs, les chercheurs, les étudiants et
reproductibles.
les communautés intéressées en vue de construire des réseaux
plus souples, plus efficaces, plus écologiques et plus résilients.
Aldebaro Klautau En intégrant l’IA dans ses services, un réseau évolue et devient
professeur d’ingénierie électrique et informatique, capable d’offrir de meilleurs services sociaux, commerciaux
UFPA, Brésil et technologiques. L’Artificial Intelligence Industry Alliance
(Alliance du secteur de l’intelligence artificielle) continuera
d’aider l’UIT à organiser des concours pour encourager
la convergence des technologies d’IA vers les
infrastructures et les services des réseaux.
Qiang Cheng
Nous sommes très honorés de participer à ce Concours de l’UIT Artificial Intelligence Industry Alliance (AIIA), Chine
sur l’intelligence artificielle et l’apprentissage automatique
dans la 5G, qui est passionnant, et d’y présenter un énoncé de
problème. L’IA et l’apprentissage automatique commencent à
peine à être adoptés dans le secteur des télécommunications,
mais les communautés constituées par l’UIT, qui sont
uniques et rassemblent différents pays, organisations et
personnes de tout profil, ne manqueront pas de stimuler
l’innovation dans ce domaine. Poursuivons nos innovations
et notre collaboration à l’ère de la 5G et au-delà.
Tomohiro Otani
Directeur exécutif, KDDI Research, Japon
Nous avons participé au Concours de l’UIT en Le Ministère de
travaillant sur l’évaluation des canaux MIMO l’Intérieur et des Communications
en ondes millimétriques, et ces travaux m’ont du Japon considère que la recherche
considérablement aidée à lancer mon nouveau et le développement dans le domaine des
programme de recherche à l’Université publique de réseaux autonomes, fondés sur l’emploi de l’IA et
Caroline du Nord. Ils m’ont permis de comprendre toute de l’apprentissage automatique, sont extrêmement
la difficulté d’associer l’IA et les communautés hertziennes importants pour l’évolution ultérieure de la 5G et
afin qu’ils parlent le même langage. J’ai beaucoup apprécié l’avènement rapide du B5G («Beyond 5G», au-delà de la
mes échanges avec les participants sur l’un de mes 5G). En s’appuyant sur l’IA et l’apprentissage automatique
thèmes préférés dans le domaine des communications et en participant à un concours pour résoudre les différents
MIMO en ondes millimétriques. problèmes afférents aux réseaux 5G, les ingénieurs
contribueront dans une large mesure au développement
Nuria Gonzalez Prelcic de l’information et des communications, et notamment
professeure associée, NCSU, États-Unis d’Amérique à améliorer les technologies de l’IA et de l’apprentissage
automatique, ainsi qu’au développement des ressources
humaines. Le Concours de l’UIT sur l’intelligence
artificielle et l’apprentissage automatique dans
la 5G est un événement d’une importance toute
particulière.
Ryota Takeda, MIC, Japon
Nous considérons que le thème de «l’intelligence autonome» dans

les réseaux de télécommunication au-delà de la 5G et la 6G constitue un axe de recherche et de
développement prometteur, comme l’a indiqué le Ministère de l’Intérieur et des Communications
du Japon dans son document intitulé «Beyond 5G Strategic Board» (Conseil stratégique sur
les suites de la 5G). Nous observons que le Concours de l’UITT sur l’intelligence artificielle et
l’apprentissage automatique dans la 5G est parfaitement cohérent avec cette stratégie et
qu’il a rapidement encouragé de jeunes chercheurs à participer à des compétitions à l’échelle
mondiale. L’UITT démontre ainsi son efficacité à promouvoir l’orientation stratégique
de la R&D en vue de favoriser l’intégration d’une superintelligence dans les réseaux. Au
Japon, l’association RISING (association de recherche transversale sur les réseaux super-
intelligents) a pris la tête de la concurrence régionale dans ce concours, avec l’appui
indéfectible du MIC, du 5GMF, du TTC et de ses partenaires privés, KDDI et NEC. Je salue
sincèrement les efforts déployés par l’UIT-T pour promouvoir l’emploi de l’IA et de
l’apprentissage automatique dans les télécommunications, et je suis convaincu que ces
activités vont remporter un plein succès.
Akihiro Nakao
professeur, UTokyo, Japon
Citations de certains participants au
Participer à ce concours était une occasion en or de
tester et d’améliorer nos compétences en apprentissage
automatique dans le contexte de nouvelles
technologies comme la 5G. Pendant ce concours, nous
Ma participation au Concours de sommes parvenus à surmonter un certain nombre de
l’UIT sur l’intelligence artificielle et difficultés et nous avons eu l’occasion de rencontrer
l’apprentissage automatique dans de nouvelles personnes venant du monde entier.
la 5G m’a permis d’acquérir une expérience
concrète dans des domaines touchant à la conception Khalid Al-Bagami
et la construction de futures technologies hertziennes. Il ingénieur en télécommunications, Ericsson, Arabie saoudite
a été particulièrement intéressant d’appliquer différentes
méthodes d’apprentissage automatique aux particularités
des futurs mécanismes d’accès au spectre pour obtenir
des performances encore supérieures à celles que
nous connaissons aujourd’hui.
Paola Soto-Arenas
Paola Soto-Arenas, chercheuse doctorante,
Université d’Anvers,
Belgique
Le concours nous a
permis de repenser les
méthodes d’estimation
de canaux classiques J’ai l’immense joie de
en nous appuyant pouvoir dire que ma participation
sur l’apprentissage au Concours de l’UIT sur l’intelligence
automatique. Je suis très artificielle et l’apprentissage automatique
curieuse de voir les résultats dans la 5G a été une magnifique expérience
des autres participants. d’apprentissage. C’était aussi une belle
occasion de travailler sur des problèmes
Dolores Garcia préliminaires dans le domaine des
À l’UC3M, doctorante, IMDEA, Espagne communications hertziennes et de tenter de
nous avons entraîné trouver des solutions en s’appuyant sur l’IA
une solution fondée sur des et l’apprentissage automatique.
réseaux de neurones pour prévoir
le débit de réseaux WLAN 802.11. Les Megha Gururaj Kulkarni
organisateurs (l’UPF) nous ont fourni étudiant, PES University, Inde
les jeux de données et nous ont apporté
de l’aide pendant le concours. Cette
expérience a été vraiment positive.
Je suis spécialisé
dans les technologies
Jorge Martín Pérez employées dans le domaine de la santé; les travaux
étudiant en doctorat, de mon groupe portaient sur l’emploi de l’IA dans un agent
UC3M, Espagne conversationnel mobile qui fournissait des informations sur le
COVID19 dans la 5G. Mon travail vise aussi bien l’Afrique que l’Europe,
et je m’efforce d’atteindre d’autres régions pour influencer les marchés et la
société dans le monde entier, que le public soit jeune ou âgé. L’UIT a fait un
travail fantastique en rassemblant ces participants dynamiques pour qu’ils
contribuent aux innovations de ce concours 2020.
Mahlet Shimellis
PNUD, Éthiopie/États-Unis d’Amérique
Points de vue d’établissements universitaires ITU News MAGAZINE No. 05, 2020 62
Shutterstock
L’intelligence artificielle et l’apprentissage

automatique au service de communications
ultra fiables à faible temps de latence
M. Andrey Koucheryavy, Professeur, Département des réseaux de télécommunication et
de la transmission des données, SPbSUT, Chercheur principal, NIIR et Président de la CE
11 de l’UIT-T; M. Ammar Muthanna, Directeur adjoint chargé des sciences, Département
des réseaux de télécommunication et de la transmission des données, SPbSUT, et
responsable du Laboratoire SDN; M. Artem Volkov, Chercheur et doctorant, Département
des réseaux de télécommunication et de la transmission des données, SPbSUT, Russie
J Les réseaux 5G sont conçus La Vision pour les télécommunica- S’agissant des communications
de manière à intégrer toutes les tions mobiles internationales (IMT) massives de type machine,
avancées dans le domaine des définie dans la Recommandation le concept de l’Internet des
réseaux de communication fixes UIT-R M. 2083-0 décrit trois objets (Recommandation UIT-T
et mobiles afin de transmettre des scénarios d’utilisation de la 5G: Y.2060/Y.4000) renvoie à des mil-
données à ultra-haut débit, prenant 1) le large bande mobile évo- liers de milliards d’objets connec-
en charge un large éventail de lué (eMBB); 2) les communica- tés et dotés d’un identifiant unique,
nouveaux services grâce à de tions massives de type machine et suppose d’opérer un change-
nouvelles structures d’informatique (mMTC); et 3) les communications ment fondamental par rapport aux
en nuage, comme l’informatique ultra-fiables présentant un faible idées traditionnelles concernant
géodistribuée et l’informatique en temps de latence (URLLC). le nombre et le volume de bases
périphérie. de données des dispositifs dans
le réseau.
Scénarios d’utilisation de la 5G tirés de la Recommandation de l’UIT-R

sur la vision pour les IMT-2020
Large bande mobile évolué

Gigaoctets par seconde
Écrans vidéo 3D ultra haute définition (UHD)

Domicile/bâtiment intelligent Travail et jeux dans le cloud
Réalité augmentée
Voix Automatisation industrielle
Applications essentielles pour
IMT de demain les missions, p. ex. cybersanté
Ville intelligente Voiture autopiloté
Communications massives Communications ultrafiables

de type machine présentant un faible
temps de latence
L’Internet des objets, qui consti- Réduire le temps de Cela suppose une transition vers
tue un élément catalyseur pour le latence dans les réseaux un plus grand nombre et une plus
développement des technologies 5G et au-delà grande diversité de technologies
de réseau, a apporté une véritable de réseau et de technologies
couche de nouveaux services dans Il est possible de réduire consi- informatiques, ce qui se traduit par
tous les aspects du quotidien et de dérablement le temps de latence des réseaux et par une gestion de
la société. dans les réseaux 5G et au-delà, réseau plus complexes.
en tirant parti d’innovations dans
Toutefois, les communications les domaines des réseaux pilotés Il est ainsi nécessaire de procéder
ultra-fiables à faible temps de par logiciel, de la virtualisation des un examen des principes établis
latence sont source de défis de fonctions de réseau et de l’infor- dans le domaine de la gestion
taille pour la communauté scien- matique en périphérie. de réseaux.
tifique et technique. Bien que ces
communications soient suscep- Pour atteindre l’objectif ambitieux L’intelligence artificielle entre ici
tibles de donner naissance à des consistant à réduire le temps de en jeu, car elle offre de nouvelles
applications d’Internet tactile dans latence à moins de 1 milliseconde capacités parfaitement adaptées
des domaines tels que la télémé- pour prendre en charge les appli- pour prendre en charge le degré
decine, les véhicules autonomes cations tactiles, la communauté de programmabilité élevé et la
et la robotique industrielle, elles scientifique et technique se tourne fourniture automatisée que per-
créent aussi de nouvelles exi- vers les technologies d’informa- mettent les systèmes d’orchestra-
gences strictes en matière de tique géodistribuée et d’infor- tion fondés sur les réseaux pilotés
qualité de service. matique en périphérie en tant par logiciel.
qu’approches architecturales dans
les réseaux futurs.
En 2020, l’Internet
tactile aurait
pu trouver une
application dans
Shutterstock
les robots contrôlés
à distance visant
à aider les patients
dans les hôpitaux
insuffisamment Internet tactile
préparés face
à la pandémie
de COVID-19. Les principales caractéristiques des applications de l’Internet tactile
sont les suivantes:
Une architecture de réseau décentralisée permettant des services

MM. Andrey Koucheryavy, Internet tactiles en périphérie du réseau. (La décentralisation des
Ammar Muthanna réseaux peut-elle réduire les inégalités numériques?)
et Artem Volkov
Une interaction tactile en temps réelle équivalente aux
sensations humaines nécessite un temps de latence inférieur à 1
milliseconde.
’objectif d’un temps de latence de moins d’une milliseconde

fait naître de nouvelles exigences rigoureuses concernant les
L’Intelligence artificielle relève solutions de réseau et de système.
d’une catégorie d’algorithmes
et de modèles mathématiques En 2020, l’Internet tactile aurait pu trouver une application dans
d’apprentissage automatique et les robots contrôlés à distance visant à aider les patients dans les
d’algorithmes de traitement des hôpitaux insuffisamment préparés face à la pandémie de COVID-19.
mégadonnées. Les dernières tech-
nologies de processeur permettent
de mettre en œuvre des algo-
rithmes d’intelligence artificielle
avec une grande efficacité. Les outils existants relatifs à la Les opérateurs ont également
qualité de service ne peuvent besoin de prévisions complètes sur
Le volume du trafic est en aug- pas fonctionner au niveau requis. le développement de l’infrastruc-
mentation, et celui-ci est de plus En outre, la plupart des solutions ture tenant compte de la vitesse à
en plus hétérogène. L’Internet doivent déjà disposer de pré- laquelle les nouvelles technologies
des objets et les communications visions de charge pour certains sont mises en place, de façon à
ultra-fiables avec un faible temps services, prévisions qui tiennent offrir de nouveaux services sur l’In-
de latence s’accompagnent de compte de facteurs géogra- ternet et à s’adapter aux change-
nouvelles exigences très diverses, phiques et dynamiques tels que ments qu’ils devraient produire sur
de sorte que les processus déci- les mouvements des abonnés, y le quotidien des populations.
sionnels relatifs à la qualité de compris à grande vitesse.
service devront être beaucoup
plus efficaces.
De nouvelles approches l’intelligence artificielle et l’appren-

de l’identification du trafic tissage automatique dans la 5G
fondées sur l’intelligence vise à analyser les métadonnées La principale
artificielle grâce aux issues des flux de réseaux pilotés avancée permettant
réseaux pilotés par logiciel par logiciel afin d’identifier et de de concrétiser
prévoir le trafic.
pleinement les
L’Intelligence artificielle peut
effectuer deux tâches essentielles Cette méthode d’identification et promesses des
pour l’évaluation de la qualité de de prévision du trafic n’entraîne applications de
service: l’identification du trafic aucun retard dans le trafic transmis communication
sans ambiguïté et les prévisions au niveau du plan de données,
de trafic. garantit la portabilité des modules
tactiles ultra-fiables
analytiques sur les contrôleurs à faible temps
La tâche consistant à identifier SDN et permet d’élargir l’éven- de latence sera
le trafic suppose la nécessité de tail des types de trafic pris en certainement la
prendre en considération un grand considération.
nombre de types de trafic, sans
prochaine génération
ajouter de retards supplémentaires Les algorithmes d’intelligence de technologies de
(compte tenu des services de com- artificielle, associés aux nouvelles la couche physique.
munication ultra-fiables à faible technologies de calcul concernant
temps de latence) et la nécessité la création de réseaux et de ser-
de développer et d’adapter l’algo- vices en nuage, peuvent appuyer Andrey Koucheryavy,
rithme d’intelligence artificielle aux utilement la transition vers des Ammar Muthanna,
différents lieux géographiques où communications ultra fiables à Artem Volkov
sont situés les réseaux et services. faible temps de latence.
Les capacités de réseau piloté Toutefois, la principale avancée

par logiciel des réseaux 5G rend permettant de concrétiser pleine-
possible l’adoption de nouvelles ment les promesses des applica-
approches en matière d’identifica- tions de communication tactiles
tion du trafic. ultra-fiables à faible temps de
latence sera certainement la pro-
Le modèle d’apprentissage auto- chaine génération de technologies
matique conçu par l’Université de de la couche physique, c’est-à-dire
Saint-Pétersbourg (SPbSUT) dans les communications quantiques.
le cadre du Concours de l’UIT sur
Shutterstock
L’intégration de l’intelligence artificielle et de

l’apprentissage automatique dans les réseaux
autonomes: une nouvelle direction pour les
télécommunications de prochaine génération
Akihiro Nakao, professeur, Université deTokyo, Japan
J Les services commerciaux dans la 5G ont été récemment déployés

à l’échelle mondiale et sont désormais utilisés dans le monde entier.
Parallèlement, des stratégies de recherchedéveloppement (R&D) visant à
Les nouvelles
aller au-delà de la 5G, c’est-à-dire vers la 6G, ont déjà été lancées. propositions de
stratégie visant
Au Japon, les services 5G ont été lancés au printemps 2020. Le Ministère à aller au-delà de
de l’Intérieur et des Communications (MIC) avait déjà mis en place, en
janvier 2020, un groupe d’étude chargé de définir les axes de R&D qu’il
la 5G et vers la
convenait de choisir pour mettre en œuvre la 6G. 6G prévoient de
nouveaux indicateurs
En juin 2020, le Conseil stratégique du MIC sur les suites de la 5G a pré- clés de performance.
senté des propositions stratégiques sur les travaux de R&D concernant la
6G.
Akihiro Nakao
Les nouvelles propositions de optimale plus sophistiquée que les Nous reconnaissons
stratégie visant à aller au-delà réseaux filaires et hertziens. la nécessité de mener
de la 5G et vers la 6G prévoient
de nouveaux indicateurs clés de La société NTT a récemment
des recherches sur les
performance (KPI) qui devraient organisé un forum mondial appelé réseaux autonomes.
améliorer les capacités visées pour Innovative Optical and Wireless
les technologies hertziennes 5G Network (réseau optique et
actuelles, notamment en termes hertzien novateur, IOWN). Bien Akihiro Nakao
de largeur de bande, de faible que le concept s’appuie sur de
temps de latence et de nombre nombreuses briques de base
de connexions, ces capacités évoluées comme les réseaux
devant être considérablement plus entièrement photoniques centrés
élevées. Les propositions prévoient sur les données, à faible puissance
aussi de nouveaux éléments dans et à faible latence, son principal
des domaines tels que l’ultra-faible objectif semble être de permettre d’étude transversal sur les réseaux
puissance, la sécurité, l’autonomie la construction d’une infrastructure super-intelligents, dont j’assume
et la facilité de déploiement. capable de fonctionner automati- la présidence.
quement grâce à des algorithmes
Ces deux derniers nouveaux élé- intelligents qui dépassent l’intelli- Le premier symposium organisé
ments sont particulièrement inté- gence et l’expérience humaines. par RISING a donné l’occasion de
ressants car ils devraient permettre présenter 111 affiches et débats
de créer des réseaux autonomes et de tables rondes, qui avaient pour
d’ouvrir les télécommunications à La recherche de pointe but de sensibiliser de nombreux
des systèmes dont le déploiement sur la communication étudiants et jeunes chercheurs. Il
était considéré jusqu’à présent au Japon a suscité un vif intérêt auprès des
comme difficile, par exemple des chercheurs dans tous les domaines
stations placées sur des plates- Dans le monde universitaire technologiques liés aux infrastruc-
formes à haute altitude (HAPS), ou japonais, l’Institute of Electronics, tures de communication filaires
sous l’eau, etc. Information and Communication et hertziennes.
Engineers (Institut d’ingénierie en
De fait, les réseaux autonomes électronique, en informatique et
exploitant l’apprentissage automa- en communication, IEICE) joue un L’UIT, l’IA et l’apprentissage
tique et l’intelligence artificielle (IA) rôle moteur dans les recherches automatique dans la 5G
ont fait l’objet de nombreux débats de pointe sur la communication.
récemment. «L’autonomie» s’en- Nous reconnaissons la nécessité
tend de la conception et de la mise de mener des recherches sur les De nombreux acteurs japonais,
en œuvre d’une infrastructure de réseaux autonomes afin d’automa- notamment l’Université de Tokyo,
communication capable de fonc- tiser l’exploitation et de détecter mais aussi des partenaires du
tionner de manière indépendante, et prévoir automatiquement les secteur privé ont participé au
c’est-à-dire sans l’intervention d’un pannes des infrastructures de Groupe spécialisé de l’UIT sur
être humain. Il s’agit de réseaux l’information et de la commu- l’apprentissage automatique pour
«sans intervention», qui nécessitent nication. C’est pourquoi nous les réseaux futurs, y compris les
la construction d’une infrastructure avons créé RISING, un groupe réseaux 5G (FG-ML5G).
Principales fonctionnalités au-delà de la 5G
SynSynchronisation de l’espace
physique et du cyberespace
Au-delà de la 5G
Ondes THz Détection
Ultra-rapides et de forte capacité Latence ultra-faible Connectivité ultra-nombreuse
(Ultra eMBB*) (Ultra URLLC*) (Ultra mMTC*)
Accès au réseau: Latence: 1/10 de la 5G

Connectivité simultanée:
10x plus rapide que dans la 5G Synchronisation évoluée avec le CPS 10x plus que dans la 5G
Accès au réseau central: Haut degré de synchronisation avec un
100x plus rapide qu’actuellement réseau complémentaire
Réseau entièrement photonique Chiffrement quantique

Mise à jour ultérieure
Consommation d’énergie des fonctionnalités de la 5G
Ultra-sécurité et ultra-résilience
ultra-faible
eMBB URLLC mMTC
Consommation d’énergie: Garantie permanente de la cybersécurité
1/100 de la consommation actuelle 5G Rétablissement instantané après une
Sans mesure de réduction, la consommation
de puissance liée aux TIC devrait être 36x catastrophe ou une panne
supérieure à la consommation actuelle (1,5x la L’offre de nouvelles fonctionnalités
consommation totale actuelle). contribue à ajouter de la valeur
supplémentaire durable
Semiconducteur à faible HAPS
consommation d’énergie
Autonomie Montée en charge Interface inclusive
Connexion continue avec des satellites et des plates-formes HAPS

Coordination autonome entre des dispositifs sans intervention
(y compris dans l’espace et sous l’océan)
manuelle
Transformation de différentes interfaces, notamment des
Construction d’un réseau optimisé intégrant en profondeur des
terminaux et des fenêtres donnant accès à des stations de base
connexions filaires et hertziennes
Connexions ubiquitaires grâce à une coordination entre les
dispositifs
Virtualisation complète
Les termes en vert sont des exemples de domaines dans lesquels le Japon dispose d’avantages ou dans lesquels il s’est engagé activement.
*eMBB: enhanced mobile broadband (large bande mobile évolué)
*URLLC: Ultra-reliable and low latency communications (communications ultra-fiables et à latence ultra-faible)
*mMTC: massive Machine Type Communication (communication massive de type machine)
Le Ministère de l’Intérieur et des la recherche de solutions à chacun

De nombreux acteurs Communications ainsi que les de ces problèmes.
japonais, notamment sociétés KDDI, NEC, Hitachi et
l’Université de NICT sont tous des entités japo- Le groupe RISING a proposé son
naises qui mènent des travaux de propre énoncé de problème dans
Tokyo, mais aussi recherche-développement sur l’in- le domaine de la communica-
des partenaires du tégration de l’IA dans les réseaux, tion hertzienne.
secteur privé ont et qui ont proposé de nombreuses
participé au Groupe contributions au groupe ML5G. Le concours s’est achevé à la mioc-
tobre 2020. Nous allons désigner
spécialisé de l’UIT Depuis juillet 2020, l’UIT organise trois vainqueurs par énoncé, et
sur l’apprentissage un Concours sur l’intelligence nous espérons que les chercheurs
automatique artificielle et l’apprentissage auto- concernés pourront présenter
pour les réseaux matique dans la 5G qui a pour but leurs résultats à la conférence
de trouver des solutions à des pro- mondiale organisée en ligne par
futurs, y compris blèmes liés à l’application de l’IA l’UIT du 15 au 17 décembre 2020.
les réseaux 5G. et de l’apprentissage automatique
dans les réseaux 5G. Compte tenu des travaux de
recherchedéveloppement accom-
Akihiro Nakao Certains pays comme la Chine, le plis et de l’engagement considé-
Brésil, la Turquie, l’Irlande, l’Inde rable de nombreux acteurs envers
et les États-Unis d’Amérique ont ce concours de l’UIT, nous consi-
accueilli des épreuves de ce dérons que l’intégration de l’IA et
concours. Dans notre région, une de l’apprentissage automatique
épreuve a été organisée par une dans les réseaux est un axe de
coalition de partenaires tels que recherche prometteur pour définir
TTC et NEC/KDDI autour de la les télécommunications de pro-
communauté du groupe RISING chaine génération, et en particulier
évoqué plus haut. les réseaux audelà de la 5G et vers
la 6G.
Lors de l’épreuve régionale organi-
sée par l’UIT au Japon, les sociétés Nous sommes résolus à contribuer
KDDI et NEC ont chacune présenté aux travaux de recherche-déve-
un certain nombre d’énoncés de loppement et de normalisation sur
problème. Une vingtaine d’équipes l’intégration de l’IA et de l’ap-
composées de quatre personnes prentissage automatique dans les
se sont inscrites pour participer à télécommunications au cours de la
décennie à venir.
Shutterstock
Simulations réalistes sous Raymobtime pour

concevoir la couche physique de systèmes
hertziens fondés sur l’intelligence artificielle
Aldebaro Klautau, professeur, Université fédérale de Pará, Brésil, et Nuria González-Prelcic,
professeur associé, Université publique de Caroline du Nord, États-Unis d’Amérique
J Pour innover dans le domaine de la 5G et au-delà, l’une des tendances

les plus évidentes consiste à apprendre à partir de l’expérience.
Les environnements de réseaux simulés nous aident à étudier un Pour innover dans
ensemble de questions ouvertes qui ont une importance fondamentale au le domaine de la 5G
regard du rôle que l’intelligence artificielle (IA) va jouer dans les communi-
et au-delà, l’une des
cations hertziennes.
tendances les plus
La conception des systèmes hertziens actuels repose sur des modèles évidentes consiste à
mathématiques complexes, et son principal moteur était l’intelligence apprendre à partir
humaine. Cependant, les systèmes évoluent vers des réseaux hertziens
de l’expérience.
fondés sur l’IA dans lesquels les algorithmes d’apprentissage automatique
jouent un rôle déterminant.
Pour mettre au point des solutions fondées sur l’IA, il faut disposer de Aldebaro Klautau et
différents jeux de données volumineux qui permettent de généraliser Nuria González-Prelcic
les résultats, notamment si l’on emploie des méthodes d’apprentissage
profond.
Les jeux de données constitués sous Raymobtime de longues séries de mesure de

et le Concours de l’UIT sur l’intelligence artificielle canaux afin de constituer ces
et l’apprentissage automatique dans la 5G données, en raison du coût et des
contraintes de temps de cette
opération. Au demeurant, il serait
Il est essentiel de disposer de jeux de données et de bancs d’essai cohérents nécessaire de faire des choix de
pour orienter les travaux de recherche. Le système Raymobtime concerne conception avant de construire un
la couche physique (PHY), mais des jeux de données utiles à bien d’autres tel système.
applications sont désormais disponibles dans le cadre du Concours de l’UIT
sur l’intelligence artificielle et l’apprentissage automatique dans la 5G, dont Dans ce contexte, les simulations
l’organisation est arrivée à point nommé. réalistes se révèlent précieuses.
Il existe actuellement dix jeux de données sous Raymobtime, qui sont Elles ne remplacent pas entière-
disponibles ici et qui représentent au total 290 000 canaux de communication. ment les prototypes et les mesures,
mais elles favorisent une innova-
Un sous-ensemble de ces jeux de données a été mis à la disposition des tion rapide en fournissant des envi-
participants au concours de l’UIT ayant choisi l’un des deux énoncés de ronnements efficaces pour évaluer
problème suivants: de nouveaux algorithmes.
ML5G-PHY [Choix des faisceaux]: ce scénario repose sur un système
en ondes millimétriques (mmWave) dans un réseau de type véhicule-à-
infrastructure construit sur une architecture MIMO analogique. Le modèle Contribution des jeux de
d’apprentissage automatique à créer admet en entrée des éléments comme données Raymobtime au
ceux qui sont présentés dans la Figure 2, et produit en sortie les indices des Concours de l’UIT
meilleures paires de faisceaux.
Le système Raymobtime a été
ML5G-PHY [Estimation des canaux]: cet énoncé s’attaque à l’un des
problèmes les plus difficiles de la couche physique 5G, à savoir l’acquisition conçu pour fournir des simulations
d’informations sur les canaux pour établir une liaison mmWave dans une réalistes de canaux de communica-
architecture MIMO hybride. Il consiste à évaluer les canaux sélectifs en tion en s’appuyant sur le tracé de
fréquence à partir d’un petit nombre de pilotes d’entraînement donnés. rayons, compte tenu de la mobilité
des émetteursrécepteurs et des
Ces deux énoncés portent sur des problématiques essentielles de la 5G pour diffuseurs radioélectriques et de
lesquelles l’apprentissage automatique offre des solutions utiles. D’autres leur évolution dans le temps.
problématiques de ce type existent aussi, par exemple le choix de l’utilisateur,
l’adaptation de la liaison et le positionnement ou la communication conjoints. Si l’on choisit des valeurs réalistes
pour les intervalles d’échantillon-
nage entre des scènes distinctes
(instantanés), un tracé de rayons
permet de simuler des canaux
de communication de manière
Certaines applications de l’appren- En revanche, la possibilité d’em- cohérente dans le temps, les
tissage profond aux réseaux 5G, ployer l’apprentissage automa- fréquences et l’espace. Ces canaux
comme la détection d’anomalies tique pour concevoir la couche permettent par exemple d’évaluer
fondée sur des indicateurs de per- physique dépend de la disponibi- des méthodes de poursuite de
formance fournis par les routeurs lité de données sur les canaux. canaux fondées sur l’apprentissage
ou d’autres éléments du réseau, automatique afin d’exploiter des
s’appuient sur des données qui Il est impossible de construire algorithmes à entrées multiples
sont disponibles en abondance. une infrastructure et des proto- et sorties multiples (MIMO) et à
types hertziens pour effectuer utilisateurs multiples.
Au demeurant, les jeux de don- par la lumière). On utilise les logi- objets mobiles tels que des voi-
nées Raymobtime ne sont pas limi- ciels ouverts Blender et BlenSor tures, des piétons et des drones
tés aux canaux de communication. pour simuler respectivement des sont également modélisés en 3D
caméras et des capteurs LIDAR. On et leur position sur différentes
Comme on emploie de plus en emploie également les solutions scènes est pilotée par le simulateur
plus souvent des informations commerciales Wireless InSite de ouvert SUMO (Simulator of Urban
de détection pour appuyer les la société Remcom et Winprop Mobility, simulateur de mobi-
systèmes de communication, de la société Altair pour le tracé lité urbaine).
d’autres logiciels sont utilisés de rayons.
pour constituer des jeux de don- Le simulateur SUMO permet d’im-
nées multimodaux. Le système Raymobtime per- poser des statistiques de trafic réa-
met en outre de mettre au point listes et facilite ainsi le traitement
La Figure 1 montre que le système des algorithmes pilotés par les des éléments saisonniers dans les
Raymobtime a été un pionnier des données pour simuler des sites études, notamment les variations
simulations associant le tracé de urbains particuliers. quantitatives du trafic d’usagers et
rayons et les graphiques infor- de données dans certaines régions
matiques en 3D. Il produit des Pour obtenir des données réa- au cours d’une journée.
informations «appairées» sur le listes et construire des scénarios
canal de communication et les de fonctionnement en extérieur, L’interaction entre tous ces logi-
informations visuelles correspon- Raymobtime utilise les logiciels ciels est orchestrée par un pro-
dantes envoyées par une caméra Cadmapper et OpenStreetMap gramme en Python. Ce langage de
ou le nuage de points d’un cap- afin de simuler en 3D les programmation est très répandu
teur LIDAR (Light Detection and immeubles, les rues et d’autres dans le domaine de l’IA car il per-
Ranging, détection et localisation objets immobiles du site. Les met aussi d’intégrer les différentes
Figure 1 – Diagramme illustrant les logiciels employés et la manière dont les

jeux de données Raymobtime sont utilisés pour résoudre les problèmes de
communication en s’appuyant sur l’apprentissage automatique
Jeux de données
Paramètres de
Scénarios Scène à l’instant t Données Traitement communication
réalistes établis sur le tracé des signaux (canal MIMO,
à partir de données Statique de rayons puissance, etc.)
de satellites
Nuage de Paramètres
points d’un de sortie
Mobile capteur LIDAR
Paramètres
d’entrée
Images Extraction des
Positions provenant caractéristiques
de caméras
simulées
Positions
(«selon le GPS»)
SUMO = Simulator of urban mobility (simulateur de mobilité urbaine)
MIMO = Multiple-input multiple-output (entrées multiples et sorties multiples)
Figure 2 – Exemple de scénario

en 3D dans lequel le nombre de
faces a été réduit pour raccourcir
le temps d’exécution du tracé de Le temps d’exécution du tracé de ce qui permettra d’effectuer des
rayons. Les véhicules sont signalés rayons dépend de la complexité études dans le contexte de l’ap-
par des couleurs vives de la scène en 3D, qui dépend prentissage par transfert.
dans la rue étudiée. elle-même du nombre de faces
(c’est-à-dire du rendu des objets Ce mélange de systèmes de com-
simulés). Il est possible de réduire munication et de réalité virtuelle
le nombre de faces d’une scène sera aussi utile à la recherche sur
en 3D pour accélérer le tracé les modèles de canaux hybrides
de rayons et créer des simula- qui combinent le tracé de rayons
tions plus fluides des immeubles et les modèles de canaux statis-
superposés à l’image satellite de la tiques.
scène urbaine.
La recherche se poursuit pour

Figure 3 – Évolution du réalisme
optimiser le compromis entre la
dans la description de scénarios
vitesse du tracé de rayons et la
en 3D pour simuler des réseaux
précision des scènes en 3D dans
hertziens
le contexte des communications
exploitant l’IA.
Il convient aussi d’améliorer, dans

le système Raymobtime, l’attribu-
tion d’un matériau à chaque face
ou objet composant une scène
étapes de l’extraction des caracté- en 3D.
ristiques et la modélisation en IA,
comme le montre la Figure 1. Chaque matériau a des propriétés
électromagnétiques qui ont une
incidence sur le tracé des rayons, Tracé de rayons statique utilisant des
Recherche visant et par conséquent sur le canal formes rectangulaires
à améliorer le de communication. Le système
système Raymobtime Raymobtime a évolué depuis les
premières simulations, qui étaient
Les coûts en termes de puissance plus simples et ne comportaient
de calcul peuvent devenir pro- que deux matériaux, comme le
blématiques si l’on emploie de montre la Figure 3.
manière récurrente le tracé de
rayons et d’autres techniques de La version 2 de Raymobtime
simulation, car les échelles de intègrera une attribution automa-
temps diffèrent considérablement. tique de propriétés électroma-
gnétiques à des matériaux. Elle Raymobtime
Un canal hertzien peut varier en exploitera aussi des moteurs de 3D
quelques dizaines de millise- améliorés qui serviront à produire
condes, même si certains objets des jeux de données concernant
comme des véhicules bougent un plus grand nombre de sites,
à peine.
Raymobtime v2.0
Shutterstock
Construire des systèmes fiables et qui

inspirent confiance grâce aux simulateurs
de réseaux et aux normes
Francesc Wilhelmi, chercheur postdoctorant, Centre Tecnològic
de Telecomunicacions de Catalunya (CTTC), Espagne
J Les simulateurs de réseaux peuvent jouer un rôle déterminant dans

la construction de systèmes d’apprentissage automatique fiables et
qui inspirent confiance. Cependant, pour qu’ils puissent jouer ce rôle,
il faut aussi innover en matière de réseaux 5G et 6G pour les rendre Les simulateurs de
compatibles avec l’apprentissage automatique afin de pouvoir intégrer réseaux peuvent jouer
des environnements de test interopérables.
un rôle déterminant
Il sera possible dans un proche avenir de créer des systèmes de commu- dans la construction
nication réellement autonomes, sûrs et fiables, et qui prennent en charge de systèmes
l’apprentissage automatique. Les simulateurs de réseaux vont contribuer d’apprentissage
à la mise en place de ces systèmes. Toutefois, le succès de l’adoption des
automatique fiables
simulateurs va dépendre de la définition et de la normalisation de compo-
santes interopérables. et qui inspirent
confiance.
L’intégration de simulateurs dans des réseaux autonomes compatibles
avec l’apprentissage automatique est désormais possible du fait que les
fonctions de réseau se virtualisent et sont de plus en plus souvent assurées Francesc Wilhelmi
par des logiciels.
En matière de simulateurs de Qu’est-ce que le Résoudre les problèmes

réseaux, une pléthore d’outils pro- ML5G? de fiabilité et de confiance
priétaires et ouverts (par exemple à l’aide des simulateurs
ns3, OMNET++, OPNET) per-
mettent de décrire tout un éventail Les mécanismes d’apprentissage
de scénarios, de technologies et Le recours croissant
automatique peuvent produire des
à l’apprentissage
de fonctions de réseau. résultats non linéaires, par exemple
automatique dans les
réseaux de communication des fonctions de prévision, ce qui
Il est cependant très difficile de s’explique par des volumes peut amener à s’interroger sur
regrouper tous ces outils, et cette considérables de données la fiabilité des réponses de ces
tâche ne peut être accomplie qu’en inexploitées et par la «boîtes noires».
définissant et en mettant en œuvre complexité inhérente des
des interfaces normalisées. nouveaux cas d’utilisation, Les boîtes noires sans doute les
comme par exemple les plus connues sont les modèles
L’interopérabilité des réseaux communications de véhicule d’apprentissage profond, qui sont
à tout autre élément
futurs compatibles avec l’ap- destinés à résoudre des problèmes
(V2X), les communications
prentissage automatique per- massives de type dans des espaces à plusieurs
mettra à des entités de différents machine (mMTC) et les dimensions dont la précision est
domaines, comme des fonctions communications de réalité généralement liée à la complexité.
de réseau, des référentiels de augmentée ou de vidéos de Plus le jeu de données est com-
modèles d’apprentissage auto- haute qualité. plexe, plus le nombre de neurones
matique et des fournisseurs de et de couches cachées devra être
données, d’interagir de manière Ces cas d’utilisation ont grand dans le modèle d’appren-
transparente pour régler les pro- des besoins de mobilité, tissage profond, ce qui com-
blèmes d’optimisation. de largeur de bande et plique le travail d’interprétation
de latence ainsi qu’un et d’explication.
nombre de dispositifs
L’interopérabilité transversale
très variables. Dans des
constituera l’un des principaux En outre, selon les caractéristiques
réseaux 5G complexes,
vecteurs de succès des réseaux il est possible d’obtenir du cas d’utilisation, les données
futurs entièrement autonomes; des gains de performance d’entraînement peuvent être rares,
c’est pourquoi les conditions de importants si les ordinateurs bruyantes, voire non stationnaires,
cette interopérabilité doivent parviennent à apprendre ce qui compromet la fiabilité des
être établies aussi rapidement automatiquement des modèles à apprentissage auto-
que possible. structures complexes et matique et remet en question leur
à s’adapter à différents durabilité. Les modèles hautement
contextes et domaines.
complexes peuvent par ailleurs
nécessiter une forte puissance
Ainsi, les réseaux de de calcul, qui n’est pas toujours
neurones sont de plus en
disponible.
plus souvent employés dans
le traitement des signaux
du fait qu’ils sont capables
de décrire des modèles de
canaux inconnus.
Considérons les communications Valider le résultat de modèles Dans les normes

de type V2X, dont la sécurité est à apprentissage automatique qu’elle a établies, l’UIT
critique et pour lesquelles les avant de les appliquer à un a proposé une boîte à
véhicules et les dispositifs mobiles réseau opérationnel.
connectés créent des environ-
outils pour introduire
nements de radiofréquences Produire des données des méthodes
complexes. L’apprentissage auto- artificielles pour entraîner d’apprentissage
matique peut aider à gérer cette des modèles à apprentissage automatique dans
complexité, mais si les données et automatique, qui permettent
la capacité de calcul sont insuffi- de compenser le manque de
des réseaux 5G.
santes, le modèle peut avoir un données ou d’étendre des jeux
mauvais comportement; dans ce de données d’entraînement.
cas, les indicateurs clés de perfor- Francesc Wilhelmi
mance, qui décrivent la manière Entraîner des modèles à
dont le réseau a pris en charge apprentissage automatique
l’apprentissage automatique, dans une simulation
peuvent se dégrader. de domaine, ce qui est
particulièrement utile pour
Les recherches menées dans le éviter les effets de l’exploration
de réseaux. Les jeux de données
domaine de l’IA explicable, qui dans un apprentissage en ligne.
artificielles ainsi obtenus ont d’ail-
sont prometteuses, pourraient
leurs joué un rôle important lors du
contribuer à inspirer confiance Jouer un rôle d’experts pour
dans les résultats des réseaux de faciliter l’exploitation de
artificielle et l’apprentissage auto-
neurones et d’autres méthodes modèles à apprentissage
matique dans la 5G.
d’IA complexes. Toutefois, à brève automatique, en fournissant
échéance, les simulateurs de des orientations dans certaines
réseaux sont sans doute les outils situations (par exemple en cas
L’architecture souple
les plus puissants pour renforcer d’initialisation, d’exploration
et le bac à sable
la confiance envers les systèmes à restreinte ou de départage).
d’apprentissage
apprentissage automatique. Ces
automatique proposés
simulateurs peuvent aussi être Pour illustrer les simulateurs
par l’UIT
intégrés dans des systèmes de potentiels des futurs systèmes de
communication compatibles avec communication, considérons par
Parmi les normes qu’elle a établies,
l’apprentissage automatique. exemple la mise en œuvre d’un
l’UIT a proposé une boîte à outils
émetteur-récepteur fondé sur des
pour introduire des méthodes
Les simulateurs de réseaux per- réseaux de neurones.
d’apprentissage automatique dans
mettent de reproduire à peu de
des réseaux 5G.
frais le comportement des sys- Pour améliorer la précision de ce
tèmes de communication, depuis type de solutions, les simulateurs
La Recommandation UIT Y.3172
les protocoles de communication de réseaux peuvent produire des
est particulièrement pertinente à
jusqu’aux phénomènes physiques données artificielles décrivant le
cet égard, car elle définit un cadre
liés à la propagation des signaux. comportement humain afin d’en-
architectural permettant une inté-
richir les jeux de données d’en-
gration souple de l’apprentissage
Ils peuvent être intégrés dans des traînement. C’est pourquoi nous
automatique dans des réseaux.
réseaux fondés sur l’apprentissage concevons à présent de nouveaux
automatique pour offrir les fonc- jeux de données et outils norma-
tionnalités suivantes: lisés, y compris des simulateurs
Proposition de bac à sable pour l’apprentissage automatique
BAC À SABLE RÉSEAU
Dupliquer
SIMULER
Gérer Observer
Entraîner/Tester
Valider
Adopter
OPÉRATIONS DE ML
ML = apprentissage automatique
L’architecture prévue dans cette de tester et d’évaluer des modèles de manière efficace et souple le
Recommandation prévoit de créer à apprentissage automatique dans comportement du réseau dans
un bac à sable pour l’apprentis- un environnement isolé avant différents scénarios.
sage automatique afin de renforcer d’utiliser ces modèles dans des
la confiance envers les applications réseaux opérationnels. L’UIT a entrepris de mener des
exploitant cette technologie. études pour définir les exigences,
Les simulateurs de réseaux consti- l’architecture et les interfaces du
Un bac à sable d’apprentissage tuent un élément important de bac à sable envisagé pour l’ap-
automatique permet d’entraîner, ce bac à sable car ils décrivent prentissage automatique.
Federal University of Technology, Minna, Nigeria
Au Nigéria, les projets de recherche font évoluer

l’enseignement et la reconnaissance vocale
James Agajo, professeur associé et chef du Groupe de recherche WINEST,
Département d’ingénierie informatique, Abdullahi Sani Shuaibu et Blessed
Guda, étudiants, Université fédérale de technologie de Minna, Nigéria
J Dans le cadre de notre participation au Groupe spécialisé de l’UIT-T sur Améliorer l’enseignement
l’apprentissage automatique pour les réseaux futurs, y compris les réseaux en Afrique
5G (FG-ML5G), notre Groupe de recherche WINEST (Wireless Networks
and Embedded Systems Technologies, technologies de réseaux hertziens Cette étude nous a conduits à
et de systèmes intégrés) a lancé en mars 2019 une étude sur «les cas proposer un projet de «salle de
d’utilisation et les solutions de migration des réseaux IMT-2020/5G sur les classe exploitant l’intelligence
marchés émergents». artificielle», qui visait à améliorer
l’enseignement destiné aux jeunes
Notre objectif était de déterminer comment l’apprentissage automatique élèves d’Afrique.
pouvait aider les marchés émergents à faire un saut de plusieurs généra-
tions technologiques pour tirer parti des réseaux émergents et futurs tout Ce projet est mené par des
en optimisant la consommation d’énergie, la couverture des réseaux et les étudiants sous la direction de
données de service des communications. James Agajo, chef du Groupe de
recherche WINEST à l’Université
fédérale de technologie de Minna,
au Nigéria.
Cette étude nous a affichage numérique situé dans Ce projet a vu le jour grâce aux
conduits à proposer la salle de classe. Le système est débats que nous avons menés au
le projet de «salle destiné à soutenir le travail des terme de notre exposé sur ce pro-
de classe exploitant enseignants de cours élémentaires, jet lors du 7ème atelier régional
et non à le remplacer. sur «la normalisation des réseaux
l’intelligence futurs pour améliorer la connecti-
artificielle», qui Il est essentiel de disposer au vité en Afrique». Cet atelier avait
visait à améliorer préalable d’une bibliothèque de été organisé à Abuja, au Nigéria,
l’enseignement reconnaissance vocale efficace les 3 et 4 février 2020 à l’initiative
pour pouvoir intégrer de l’IA dans du Groupe d’experts de la norma-
destiné aux jeunes ce système de salle de classe. lisation chargé des réseaux futurs
élèves d’Afrique. et de l’informatique en nuage au
Or il a été très difficile de trouver sein de la Commission d’études 13
cette bibliothèque. du Secteur de la normalisation de
l’UIT (UIT-T).
James Agajo, Abdullahi
Sani Shuaibu et Blessed Une reconnaissance vocale Les enseignements recueillis
Guda automatique pour l’Afrique auprès des experts lors de l’atelier
Université fédérale de d’Abuja nous ont encouragés à
technologie de Minna, Nous recherchions une biblio- lancer un projet pilote au Nigéria
Nigéria helmi thèque de reconnaissance vocale pour créer un système africain de
qui soit capable de fonctionner reconnaissance vocale automa-
localement et de répondre aux tique (ASR).
impératifs de confidentialité des
utilisateurs, et qui soit gratuite. Nous avons entrepris de recueil-
Compte tenu du nombre extraor- lir des données vocales et de
Grâce au traitement des langues dinaire de langues parlées au développer le moteur d’ASR pour
naturelles (NLP) par intelligence Nigéria, et plus généralement en construire un prototype avant de
artificielle (IA), les conversations Afrique, nous avions aussi besoin passer à la création d’un sys-
entre élèves et enseignants dans d’une bibliothèque capable de tème commercialisable.
une salle de classe sont traitées traiter un anglais prononcé de très
à la périphérie du réseau pour nombreuses manières différentes. Nous avons développé une appli-
extraire des mots clés tout en pré- cation mobile appelée «Wazobia»
servant l’anonymat des orateurs. Nous avons évalué beaucoup de pour recueillir les données
bibliothèques logicielles, mais nécessaires auprès de «donateurs
Ces mots clés sont transmis à aucune n’est parvenue à répondre de voix» nigérians ayant accepté
un classifieur situé sur le serveur à toutes ces exigences. de lire des textes à haute voix et
central qui a été préalablement de faire don anonymement de
entraîné et qui est capable de C’est ce qui nous a conduits à leur enregistrement.
recommander des contenus multi- lancer le projet du Groupe de
médias passionnants, de proposer recherche WINEST en février 2020: Le nom «Wazobia» est un amal-
aux élèves des exemples intuitifs nous avons développé un nouveau game de trois mots signifiant
et d’appuyer les explications de cadre de reconnaissance vocale «venir» en Yoruba (wa), en Hausa
l’enseignant. Le contenu multi- capable de répondre aux exi- (zo) et en Igbo (bia), les trois plus
média est ensuite partagé sur un gences très particulières du projet grands groupes linguistiques
de salle de classe exploitant l’IA. du Nigéria.
Architecture du projet africain de reconnaissance

vocale automatique
L’IA et l’apprentissage
automatique pour aider
Serveur central l’Afrique à gérer les
Entraînement pandémies
du modèle ML Données vocales
Texte À ces futurs Concours de l’UIT sur
Données vocales Données vocales l’intelligence artificielle et l’appren-
[Anonymes, [Non validées] Données tissage automatique dans la 5G,
non validées] vocales nous envisageons aussi de propo-
[Validées] ser une nouvelle application de
traçage de contacts par Bluetooth®
qui s’appuiera sur l’apprentis-
sage automatique.
Don de données Validation des Reconnaissance vocale
vocales données vocales automatique
ML = Apprentissage automatique Ce projet d’application de tra-
çage des pandémies (PTA) vise
à construire des modèles de
prévision de l’exposition au risque
Par défaut, les données vocales Nous progressons dans les entraînés sur des données d’utilisa-
sont stockées sur notre serveur domaines de la segmentation et teurs anonymisées (voir le tableau).
avec le statut «non validées» en du prétraitement des données
attendant d’être validées colla- recueillies en vue de les exploiter
borativement par des volontaires dans des environnements d’ap- Recueil de données
utilisant l’application Wazobia. prentissage automatique supervi- permettant à une
Cette validation permet d’effec- sés et semisupervisés. Toutefois, application de traçage
tuer une évaluation booléenne à ce stade le projet d’ASR africain des pandémies
de la précision des transcriptions ne prend en charge que l’anglais de détecter des
d’enregistrements effectuées par le comme langue d’entrée. contacts
moteur d’ASR.
Nous souhaitons intégrer aussi des Distance en ligne droite
À ce jour, nous avons recueilli langues africaines à mesure que le entre des équipements
plus de trois heures d’enregistre- projet se développe. Nous allons d’utilisateur
ments vocaux provenant de plus favoriser cette évolution essen-
Puissance du signal
de 170 donateurs de voix. tielle en proposant notre corpus
Bluetooth
de parole contenant différentes
La phase de développement du langues africaines lors de futurs Modèle de l’équipement
système d’ASR africain comporte Concours de l’UIT sur l’intelligence d’utilisateur
une étape de prétraitement des artificielle et l’apprentissage auto-
données, puis la conception du matique dans la 5G AI Concours Version du système
logiciel et l’entraînement. Nous de l'UIT sur l'intelligence artificielle d’exploitation
avons exploité le kit ASR appelé et l'apprentissage automatique
Wav2letter++ et nous nous dans la 5G et audelà. En intérieur/
sommes appuyés sur un article en extérieur
concernant des recherches en AI (selon la lumière
menées par Facebook pour mettre ambiante)
en œuvre notre système.
Brouillage des
radiofréquences (réseau
local hertzien)
Architecture de l’application de traçage des pandémies
Conditions environnementales
Capteurs extérieurs Serveur central

(ex. météo) Modèle ML
(Entraînement)
Paramètres du modèle
Conditions environnementales
A B
Déploiement du modèle
Source spécialisée (OMS)
Données sur les contacts rapprochés
Modèle ML
de prévision
des risques
Application
de traçage ML = Apprentissage automatique
des pandémies OMS = Organisation mondiale de la Santé
Le scénario proposé pour ce projet des paramètres configurables Les données d’entraînement seront
de PTA intègrerait des données pour pouvoir être employé propres aux pandémies, confor-
recueillies auprès de personnes mément à la recommandation
lors de futures pandémies.
utilisant le système Bluetooth® de l’Organisation mondiale de la
détectable pour que tous les utili- 2. Il réutilisera des fonctions Santé (OMS) et d’autres autorités
sateurs ne soient pas obligés d’ins- pertinentes de certains sanitaires. Les modèles de pré-
taller l’application. Néanmoins, il cadres existants qui auront vision de l’exposition au risque
est possible d’obtenir une image été personnalisées pour une ainsi développées seront aussi
de l’environnement plus détaillée propres aux pandémies (et seront
application en Afrique.
en intégrant des données prove- entraînés et déployés à partir d’un
nant des gyroscopes et des accé- 3. Il intègrera, dans sa serveur central).
léromètres des appareils mobiles conception même, des
lorsque deux appareils connectés mécanismes de protection de Nous travaillons actuellement à la
en Bluetooth® sont équipés de la vie privée. constitution des jeux de données
l’application de PTA. 4. L’application déterminera la nécessaires et nous envisageons
de les soumettre à de futurs
portée adéquate du partage
L’application de PTA proposée Concours de l’UIT sur l’intelligence
sera développée selon les lignes de données en fonction des artificielle et l’apprentissage auto-
directrices suivantes: préférences de protection matique dans la 5G et audelà.
1. Le traçage de contacts sera de la vie privée définies par
générique mais proposera l’utilisateur sur son appareil.
Shutterstock
Pourquoi de nouveaux partenariats sont nécessaires

pour produire de nouvelles données
Ignacio Rodriguez Larrad, Postdoctorant, Réseaux de
communications hertziens, Université d’Aalborg, Danemark
J Dans le cadre du Concours de l’UIT sur l’intelligence artificielle

et l’apprentissage automatique dans la 5G, différents organismes
industriels et universitaires ont proposé plus de 30 énoncés de
problème. Des participants venus de toutes les parties du monde sont
Nous attendons avec
en compétition pour mettre au point des algorithmes fondés sur des impatience la grande
réseaux de neurones afin de de trouver la solution optimale. finale du concours
prévue en décembre.
Les énoncés de problème proposés sont regroupés par domaine
technique, par exemple les réseaux, la sécurité, les opérateurs ou les
marchés verticaux.
Ignacio Rodriguez Larrad
Le nombre d’énoncés va sans doute augmenter considérablement
dans les futures éditions du Concours. L’exploitation de l’intelligence
artificielle (IA) et de l’apprentissage automatique dans les réseaux
intéresse de plus en plus le secteur privé et le monde universitaire, et ce
concours va associer un nombre croissant d’étudiants, de chercheurs et
d’ingénieurs.
Nous attendons avec impatience la Les facteurs réglementaires et

Il est essentiel de
grande finale du concours prévue commerciaux mais aussi la nature disposer de données
en décembre, car elle offrira cer- même des données ont une d’entrée de haute
tainement de nouveaux éclairages incidence considérable sur la qualité pour que les
sur la manière dont l’IA et l’appren- disponibilité des données; or cette
tissage automatique peuvent nous disponibilité détermine directe-
algorithmes d’IA
aider à optimiser les réseaux. ment le succès des compétitions et d’apprentissage
mondiales comme le Concours automatique puissent
de l’UIT. devenir précis et
De nouveaux partenariats
pour élargir l’accès Cette observation met aussi en
fonctionnels.
aux données évidence l’importance de ce
Concours, du fait qu’il encourage
L’une des principales difficultés la mise à disposition de données. Ignacio Rodriguez Larrad
en matière d’innovation en IA et
en apprentissage automatique L’UIT s’efforce d’attirer et de
consiste à se procurer des don- motiver de nouvelles institutions
nées de haute qualité. qui soient en mesure de parta-
ger des énoncés de problème
Les jeux de données artificielles et des données avec la commu-
construits à partir de simulations nauté internationale.
ont joué un rôle majeur dans le Les réseaux de recherche qui sont
Concours de l’UIT en raison de Il est essentiel de disposer de de vrais réseaux opérationnels
la difficulté de se procurer des données d’entrée de haute gérés par des établissements de
données issues des réseaux opéra- qualité pour que les algorithmes recherche publics, vont continuer
tionnels. Au demeurant, si certains d’IA et d’apprentissage automa- à jouer dans les prochaines années
énoncés de problème étaient très tique puissent devenir précis un rôle déterminant dans le recueil
pertinents et bien formulés, ils et fonctionnels. de données destinées à l’IA et à
manquaient de sources de don- l’apprentissage automatique.
nées, et les participants ont dû se L’idéal serait d’utiliser de vastes
procurer eux-mêmes leurs propres jeux de données issus des réseaux S’il est vrai que les données
jeux de données pour pouvoir opérationnels pour alimenter recueillies par ces réseaux de
trouver des solutions. ces algorithmes. Cependant, il recherche nécessitent également
est très difficile actuellement de un certain travail, généralement
Si la plupart des énoncés de pro- se procurer ces jeux de données pour les traiter et les anonymiser, il
blème étaient ouverts à des par- auprès d’opérateurs de réseaux n’en reste pas moins que les opéra-
ticipants internationaux, certains commerciaux. En effet, le recueil teurs de ces réseaux ont moins de
étaient limités à des compétitions de données spécifiques, puis leur difficultés à partager leurs jeux de
nationales. Or il faut comprendre traitement pour les anonymiser données avec d’autres institutions.
que les données appartiennent représente un travail important. En
aux institutions qui les fournissent outre, les opérateurs doivent pro- Dans le monde entier, des éta-
et sont donc soumises à des régle- téger la confidentialité des don- blissements de recherche ont
mentations internes ou nationales nées de leurs clients, et ils hésitent rejoint le mouvement en faveur
en matière d’exportation, ainsi à partager des données contenant des données ouvertes, et certaines
qu’à des réglementations géné- des informations essentielles à communautés de chercheurs
rales concernant la protection leurs activités commerciales, et qui recommandent d’ouvrir l’accès à
des données. concernent notamment l’état opé- des données de recherche expé-
rationnel et la qualité de fonction- rimentale et aux résultats et aux
nement de leurs réseaux. articles scientifiques connexes.
Cependant, il n’est pas facile La collaboration de à un large éventail d’équipements

de construire des réseaux de l’Université d’Aalborg avec de fabrication et de production de
recherche. le secteur privé dans le niveau industriel, qui sont mis à
cadre du laboratoire AAU disposition par différents four-
S’il est très courant que des 5G Smart Production Lab nisseurs. Il s’agit notamment de
réseaux de recherche fonctionnent modules faisant partie de chaînes
dans des bandes de fréquences À titre d’exemple, un réseau de de production, de bras robotisés,
non soumises à licence, comme recherche à fort potentiel en de robots mobiles autonomes, etc.
c’est le cas des réseaux WiFi ou matière d’IA et d’apprentissage a
des réseaux hertziens destinés à été créé par un établissement de En collaboration avec les labo-
l’Internet des objets (IoT), comme recherche public en collaboration ratoires Nokia Bell Labs et l’opé-
par exemple le réseau LoRa, il avec des fournisseurs et des opéra- rateur de télécommunications
est rare que ce type de réseaux teurs. C’est ainsi que l’Université Telenor Denmark, ce laboratoire
fonctionnent sur des systèmes d’Aalborg (AAU), au Danemark, de recherche a été équipé de
cellulaires 4G ou 5G. accueille désormais l’un des ter- réseaux 4G (deux réseaux privés),
rains de jeux les plus évolués de 5G (un réseau privé autonome) et
En effet, ces réseaux sont beau- l’industrie 4.0 en Europe. WiFi 6 (deux réseaux). Les cher-
coup plus coûteux, et les établis- cheurs de l’Université et leurs
sements de recherche dépendent Le laboratoire AAU 5G Smart partenaires industriels peuvent
alors du mécénat de fournisseurs Production Lab (Laboratoire de ainsi travailler ensemble à l’intégra-
et d’opérateurs, ainsi que d’une production intelligente dans la 5G tion et aux essais de systèmes IoT
collaboration étroite avec eux. de l’AAU), qui a été récemment industriels de pointe pour conce-
inauguré, est un petit laboratoire voir les usines du futur.
de recherche industriel ayant accès
AAU 5G Smart Production Lab

Laboratoire de production intelligente
dans la 5G de l’AAU
Serveurs périphériques en nuage Système de NOTE – La multiconnectivité est aussi possible! MES = Manufacturing Execution System
localisation UWB (Système d’exécution de la fabrication)
Contrôleur Gestion Gestionnaire GW = Gateway (Passerelle)
MES de GW de flotte AMR AMR = Autonomous Mobile Robot (Robot
mobile autonome)
WiFi 5 (ac) I/O SCREEN I/O SCREEN
IN IN ac = IEEE 802.11ac
2,4/5 GHz x3 PLC PLC
GW
AMR ax = IEEE 802.11ax
GW GW SWITCH GW SWITCH
UWB = Ultra-Wideband (bande ultra-large)
WiFi 6 (ax) pLTE = Private LTE (LTE privé)
5 GHz x3
dLTE = Dedicated LTE (LTE dédié)
I/O SCREEN
pNR = Private NR (NR privé)
WiFi 6 (ax) PLC IN
dNR = Dedicated NR (NR dédié)

5 GHz x3
GW SWITCH
LTE = Long-Term Evolution (évolution à long
Module de terme, 4G)
production LoRaWAN
pLTE 4G x3 868 MHz NR= New Radio (nouveau réseau radioélectrique,
GW
Réseau 3,5 GHz 5G)
central pLTE 1
pLTE 4G x3 I/O SCREEN
Gestion Réseau 3,5 GHz

PLC IN
Internet de réseau central pLTE 2 GW SWITCH
Réseau pNR 5G x3
3,7 GHz dNR x3
central pNR 1,8/2,1/2,6 GHz 5G pLTE x3
Réseau 3,5 GHz 4G
central 4G/5G
public
Source: Université d’Aalborg, Danemark, 2020.

Le Laboratoire de production
Le laboratoire dispose aussi des chercheurs spécialisés dans
intelligente dans la 5G de l’AAU,
d’un réseau de recherche LoRa les applications d’IA et d’appren-
qui a été récemment inauguré
financé par Cibicom Denmark, tissage automatique destinées
et d’un système de localisation à aux réseaux.
bande ultra-large.
Tous les réseaux de recherche Poursuivons nos

hertziens du laboratoire sont travaux ensemble
interconnectés par une interface
dédiée de gestion de réseau qui
permet non seulement de piloter Les réseaux de recherche
et de configurer les différents construits conjointement par des
réseaux, mais aussi de suivre les communautés de chercheurs Source: Université d’Aalborg,
trajectoires et de recueillir les don- et des entreprises permettent Danemark, 2020.
nées de réseaux correspondantes de produire de vastes jeux de
dans des serveurs périphériques données sur la performance Équipement du Laboratoire de
en nuage dédiés. des réseaux dans de multiples production intelligente
domaines et avec diverses dans la 5G de l’AAU
Le fait de pouvoir enregistrer technologies. Ces données
des informations de réseau sans pourraient être très utiles pour
aucune restriction tout en effec- concevoir et optimiser des
tuant des mesures à partir des dif- solutions hertziennes évoluées
férents dispositifs des utilisateurs répondant à différents besoins
ouvre de nouvelles perspectives de communication dans des cas
de recherche à l’Université ainsi d’utilisation réels et opérationnels
qu’à la communauté internationale de l’Internet des objets.
Industrie 4.0
Source: Université d’Aalborg,

Connexion
Automatisation Danemark, 2020.
Internet des
objets (IoT) Mégadonnées
Intégration des
systèmes Informatique en
nuage
Source: techstartups.com, 2020.

Shutterstock
Orchestration des fonctions de l’apprentissage

automatique pour la future génération
de réseaux de communication
Mme Shagufta Henna, Maître de conférence en informatique, Institut de
technologie de Letterkenny, Irlande
J Les opérateurs de réseau de cinquième génération et au-delà

souhaitent exploiter les capacités offertes par l’apprentissage Les opérateurs de
automatique pour résoudre des problèmes difficiles en utilisant réseau de cinquième
une grande quantité de données. génération et au-delà
Toutefois, ces opérateurs de réseau ont des difficultés à intégrer
souhaitent exploiter
l’apprentissage automatique (ML) dans leurs réseaux et s’ap- les capacités offertes
puient souvent sur des scientifiques des données pour créer un par l’apprentissage
pipeline ML reliant la collecte des données et le déploiement automatique pour
de modèle. Lorsqu’ils ne sont pas gérés ou orchestrés de façon
appropriée, les pipelines ML peuvent donner lieu à des goulets
résoudre des problèmes
d’étranglement. En outre, du fait de l’absence de mécanismes difficiles en utilisant
d’orchestration ML normalisés, les pipelines ML peuvent devenir une grande quantité
très complexes et coûteux. de données.
Mme Shagufta Henna
Parmi les autres problèmes rencon- Résoudre les problèmes Orchestrateur des fonctions de
trés dans le domaine des réseaux grâce à l’orchestrateur l’apprentissage automatique
de future génération, on peut des fonctions de
citer la mise à jour des modèles l’apprentissage
ML, l’optimisation des modèles, le
Intentions ML
chaînage des pipelines ML, le suivi Le principal objectif de l’orchestra-
de la qualité de fonctionnement teur des fonctions de l’appren-
des pipelines ML, l’évaluation, tissage automatique (MLFO),
le dédoublement des pipelines, conformément au projet de
le déploiement de pipelines ML Recommandation «Orchestrateur
Orchestrateur des fonctions de
fondé sur les politiques et la ges- des fonctions de l’apprentissage l’apprentissage automatique (MLFO)
tion et la coordination de plusieurs automatique: exigences, architec-
pipelines ML sur le réseau. ture et conception» du Secteur
de la normalisation des télé-
Ces caractéristiques complexes communications de l’UIT (UIT-T)
exigent des outils fondés sur est de surmonter les problèmes
Plan
les mégadonnées capables de susmentionnés liés à l’intégration, de NF NF NF
collecter, de stocker et de prétrai- l’orchestration et la gestion de gestion
ter des données afin d’entraîner nœuds de pipeline et aux dépen- ML sous-jacent
les modèles ML. Actuellement, dances dans un pipeline ML, tout
des efforts sont déployés par en réduisant les coûts d’exploita- ML = apprentissage automatique
certains grands acteurs tels que tion. L’orchestrateur des fonctions NF = fonctions de réseau
Uber, Netflix, Google, Facebook et d’apprentissage automatique offre

Airbnb pour résoudre certains des une architecture unifiée visant à
problèmes susmentionnés, avec faciliter l’orchestration des flux de
l’aide de plates-formes d’orchestra- travail ML de bout en bout, c’est-
tion ML spécifiques. à-dire la collecte des données,
le prétraitement, l’entraînement architecture offre une certaine sou-
Toutefois, ces solutions ont pour ainsi que l’inférence, l’optimisation plesse et une capacité de réutilisa-
objectif une gestion interne des et le déploiement des modèles. tion, et permet d’élargir le pipeline
pipelines ML et ne portent pas Elle permet de suivre et d’éva- ML pour permettre le fonctionne-
sur les exigences liés à divers cas luer les instances de pipeline ML ment et le développement rapides
d’utilisation sur les réseaux 5G et pour en optimiser la qualité de des nœuds de pipeline ML.
au-delà. Les solutions d’orchestra- fonctionnement.
tion ML internes nécessitent des Dans le futur, l’objectif sera d’envi-
investissements considérables, L’objectif est de dissimuler les sager une mise en œuvre distri-
sans que les avantages ne se complexités sous-jacentes de buée tout en limitant au maximum
concrétisent réellement dans un l’orchestration de nœuds de pipe- la complexité et les surcharges. En
environnement commercial. line ML en fournissant un format outre, il sera intéressant de tester
abstrait aux utilisateurs et aux les concepts propres à l’orchestra-
développeurs, à l’aide d’interfaces teur des fonctions de l’appren-
de programmation d’application tissage automatique dans divers
(API) de haut niveau, comme cas d’utilisation sur les réseaux 5G
l’illustre la figure cidessous. Cette et au-delà.
Possibilités de
parrainage pour 2021
Quels sont les
avantages liés au
parrainage de l’édition
du Concours de l’UIT sur
qui aura lieu l’année
prochaine?
Visibilité de la marque durant une année entière

sur le site web du Concours;
durant la série de webinaires de l’UIT sur l’IA/ML dans
la 5G, largement suivis;
lors de la grande finale du Concours.
Possibilités sur le plan des programmes
Possibilités en termes de couverture médiatique
Mentorat
Ateliers pratiques personnalisés
Si vous souhaitez parrainer

l’édition de 2021 du Concours
sur l’IA/ML dans la 5G, veuillez
contacter: ai5gchallenge@itu.int.
Restez au courant //
// Restez informés
Inscrivez-vous:
Tendances essentielles sur les TIC partout dans le monde
Réflexions de spécialistes éclairés des TIC
Informations les plus récentes sur les manifestations et initiatives de l’UIT
Actualités Articles de l’UIT Revue Les Nouvelles
hebdomadaires de l’UIT de l’UIT
Chaque mardi Blogs réguliers Six numéros par an
Podcasts de l’UIT Communiqués de presse Rejoignez la communauté

et avis aux médias en ligne de l’UIT sur votre
média préféré
Recevez les informations

Écoutez des podcasts les plus récentes

2020 ITUNews05-fr

Transféré par

Informations du document

Titre original

Copyright

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

2020 ITUNews05-fr

Titre original :

Transféré par

Droits d'auteur :

No.

Les Nouvelles de l’UIT sont désormais sur une

Pour recevoir le nouveau bulletin

Rejoignez la communauté en ligne de l’UIT sur le support de votre choix

J En février dernier, l’UIT a lancé la radiocommunications de l’UIT (UIT-R)

1 L’intelligence artificielle et l’apprentissage automatique dans

5 L’UIT tient à remercier les sponsors de l’édition de 2020 du Concours

Points de vue du secteur privé

32 Évaluation des capacités et accumulation de technologies

35 Accélérer l’inférence de l’apprentissage profond grâce au kit

38 Difficultés et perspectives pour les fournisseurs de services de

42 Les réseaux autonomes: s’adapter à l’inconnu

46 Essais sur la qualité d’expérience dans les réseaux mobiles

50 Le point de vue d’un opérateur de réseau

55 Intelligence artificielle et interfaces ouvertes: les catalyseurs

58 Citations de certains hôtes du Concours de l’UIT sur l’intelligence

Points de vue d’établissements universitaires

62 L’intelligence artificielle et l’apprentissage automatique au

66 L’intégration de l’intelligence artificielle et de l’apprentissage

70 Simulations réalistes sous Raymobtime pour concevoir

74 Construire des systèmes fiables et qui inspirent confiance grâce

78 Au Nigéria, les projets de recherche font évoluer

82 Pourquoi de nouveaux partenariats sont nécessaires pour

86 Orchestration des fonctions de l’apprentissage automatique

88 Possibilités de parrainage pour 2021

Sponsors de la catégorie bronze

Créer une communauté et

Le présent numéro met en avant De quelle manière le Concours

Message des organisateurs

J Le Concours de l’UIT sur l’intelligence artificielle et l’apprentissage

Le Concours a unis et nos sponsors de la catégo- Les énoncés de problèmes

26 partenaires Voir le site web

Choix des énoncés de problème Allocutions

Barcelona Neural Networking Center (BNN-UPC),

Compression de modèles d’apprentissage profond ZTE

5G+IA (transport intelligent) Université de Jawaharlal Nehru (JNU), Inde

Amélioration de l’expérience et renforcement de l’immersion lors des

5G+ML/IA (accès dynamique au spectre) Indian Institute of Technology Delhi (IITD)

Systèmes IA/ML protégeant la confidentialité des données dans des réseaux 5G

Partage des expériences en matière d’utilisation de systèmes 5G+IA (3D

Démonstration des capacités des systèmes MLFO par mise en œuvre de

ML5G-PHY-estimation des canaux: apprentissage automatique appliqué à la

NEC, RISING Committee, Telecommunication

Exploitation d’informations météorologiques pour prévoir les échecs de liaisons

5G+IA+AR China Unicom (Division de Zhejiang)

Construction d’éléments de réseaux en boucle fondés sur une plate-forme MEC

Alerte et prévention fondées sur des données de télécommunication pour les

Prévisions permettant à des cellules de stations de base d’un réseau de

Optimisation de la topologie des réseaux China Mobile

Analyse des échecs liés aux informations d’itinéraire

Analyse des échecs liés aux informations d’itinéraire

Localisation des pannes dans des éléments de réseaux Guochuang Software

Han Zengfu_Wang Zhiguo_ Zhang Yiwei_Wu

Gang Zhouwei_Rao Qianyin_Feng Zezhong_Xi

14 h 00 Pause Pause Pause

Prévisions permettant à des cellules de stations de base

Prévision d’alerte de panne (OoS) dans une station de

Démonstration des capacités des systèmes MLFO par Université technique de

ML5G-PHY-choix des faisceaux: apprentissage

ML5G-PHY-choix des faisceaux: apprentissage

ML5G-PHY-choix des faisceaux: apprentissage

Améliorer la capacité des réseaux WLAN conformes à Université de Pompeu

Mohammad Abid_Ayman M. Aloshan_Faisal

On trouvera ici la liste des Ne manquez pas la conférence

(Chaque équipe dispose de 8 minutes pour faire son exposé,

13 h 40– Allocution – Le voyage inachevé de l’IA en réseau