JP7797704B2 - モデル選択方法、ネットワーク側デバイス及び可読記憶媒体 - Google Patents

Description

本願は、通信の技術分野に属し、具体的に、モデル選択方法、装置及びネットワーク側デバイスに関する。

通信ネットワークでは、一部のネットワーク要素（例えば、ネットワークデータ分析機能（Ｎｅｔｗｏｒｋ Ｄａｔａ Ａｎａｌｙｔｉｃｓ Ｆｕｎｃｔｉｏｎ，ＮＷＤＡＦ）など）は、知能化されたデータ分析を行って、一部のタスクのデータ分析結果を生成することができる。このデータ分析結果は、ネットワーク内外のデバイスによるポリシー決定を補助することができ、これによって、デバイスによるポリシー決定の知能化の度合いを向上させることができる。

ＮＷＤＡＦにおけるモデルトレーニング論理機能（Ｍｏｄｅｌ Ｔｒａｉｎｉｎｇ Ｌｏｇｉｃａｌ Ｆｕｎｃｔｉｏｎ，ＭＴＬＦ）は、トレーニングデータに基づいて、人工知能（ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）／機械語（ｍａｃｈｉｎｅ ｌａｎｇｕａｇｅ，ＭＬ）モデルのトレーニングを行うことによって、あるＡＩデータ分析タスクに適用されるモデルを取得することができる。ＮＷＤＡＦにおける分析論理機能（Ａｎａｌｙｔｉｃｓ Ｌｏｇｉｃａｌ Ｆｕｎｃｔｉｏｎ，ＡｎＬＦ）は、ＡＩ／ＭＬモデルと推論入力データに基づいてモデル推論を行うことによって、ある具体的なＡＩデータ分析タスクのデータ分析結果（推論結果（ａｎａｌｙｔｉｃｓ）とも呼ばれる）を取得することができる。これによって、ネットワーク内のポリシー制御機能エンティティ（Ｐｏｌｉｃｙ Ｃｏｎｔｒｏｌ Ｆｕｎｃｔｉｏｎ，ＰＣＦ）は、このデータ分析結果に基づいて、対応するポリシーを知能的に実行することができる。例えば、ユーザーのサービス行動の分析結果により、知能的なユーザー滞在ポリシーを策定して、ユーザーのサービスエクスペリエンスを向上させる。あるいは、アクセス・モビリティ管理エンティティ（Ａｃｃｅｓｓ ａｎｄ Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ Ｆｕｎｃｔｉｏｎ，ＡＭＦ）は、このデータ分析結果に基づいて、モビリティ管理操作を知能的に実行し、例えば、ユーザーの移動軌跡の分析結果によりユーザーのページングを知能的に行い、ページング到達率を向上させる。

しかし、上記のプロセスにおいて、ネットワーク内外のデバイスがデータ分析結果により正しいポリシー決定を行えるか否かは、正しいデータ分析結果に基づくことがその前提である。データ分析結果の確度が低いと、誤った情報が参照のためにネットワーク内外のデバイスに提供され、ネットワーク内外のデバイスの誤ったポリシー決定、又は不適切な操作の実行につながる可能性がある。そのため、如何にＡＩ／ＭＬモデルのデータ分析性能（例えば、確度）を確保するかが喫緊の課題となっている。

本願の実施例は、従来のＡＩ／ＭＬモデルのデータ分析性能が悪いという課題を解決することができるモデル選択方法、装置及びネットワーク側デバイスを提供する。

第１の側面において、第１のネットワーク要素がＮ個の候補モデルのモデル情報を記録するステップであって、Ｎ個の候補モデルが、第１の分析識別子に対応するデータ分析タスクに適用されるステップと、第１のネットワーク要素が第２のネットワーク要素から第１のモデル要求メッセージを受信するステップと、Ｎ個の候補モデルのうちのＭ個の候補モデルのモデル情報が、第１のモデル要求メッセージに対応するモデル情報とマッチしている場合、第１のネットワーク要素が第２のネットワーク要素へＭ個の候補モデルのうちのＰ個の候補モデルのモデル情報を送信するステップと、を含み、ここで、Ｎ、Ｍ及びＰはいずれも正の整数であり、且つ、Ｎ≧Ｍ≧Ｐである、モデル選択方法が提供されている。

第２の側面において、Ｎ個の候補モデルのモデル情報を記録するために使用される記録モジュールであって、Ｎ個の候補モデルが、第１の分析識別子に対応するデータ分析タスクに適用される記録モジュールと、第２のネットワーク要素から第１のモデル要求メッセージを受信するために使用される第１の受信モジュールと、Ｎ個の候補モデルのうちのＭ個の候補モデルのモデル情報が、第１のモデル要求メッセージに対応するモデル情報とマッチしている場合、第２のネットワーク要素へＭ個の候補モデルのうちのＰ個の候補モデルのモデル情報を送信するために使用される第１の送信モジュールと、を含み、ここで、Ｎ、Ｍ及びＰはいずれも正の整数であり、且つ、Ｎ≧Ｍ≧Ｐである、モデル選択装置が提供されている。

第３の側面において、プロセッサとメモリとを含み、メモリには、プロセッサで実行可能なプログラム又はコマンドが記憶され、プログラム又はコマンドがプロセッサによって実行されると、第１の側面に記載の方法のステップが実現される、ネットワーク側デバイスが提供されている。

第４の側面において、プロセッサ及び通信インタフェースを含み、プロセッサは、Ｎ個の候補モデルのモデル情報を記録するために使用され、Ｎ個の候補モデルは、第１の分析識別子に対応するデータ分析タスクに適用され、通信インタフェースは、第２のネットワーク要素から第１のモデル要求メッセージを受信し、Ｎ個の候補モデルのうちのＭ個の候補モデルのモデル情報が、第１のモデル要求メッセージに対応するモデル情報とマッチしている場合、第２のネットワーク要素へＭ個の候補モデルのうちのＰ個の候補モデルのモデル情報を送信するために使用され、ここで、Ｎ、Ｍ及びＰはいずれも正の整数であり、且つ、Ｎ≧Ｍ≧Ｐである、ネットワーク側デバイスが提供されている。

第５の側面において、プロセッサによって実行されると、第１の側面に記載のモデル選択方法のステップが実現されるプログラム又はコマンドが記憶されている、可読記憶媒体が提供されている。

第６の側面において、結合されたプロセッサと通信インタフェースとを含み、プロセッサが、プログラム又はコマンドを実行することにより、第１の側面に記載のモデル選択方法を実現するためのものである、チップが提供されている。

第７の側面において、記憶媒体に記憶されており、少なくとも１つのプロセッサによって実行されることにより、第１の側面に記載のモデル選択方法のステップを実現する、コンピュータプログラム／プログラム製品が提供されている。

本願の実施例では、第１のネットワーク要素は、第１の分析識別子に対応するデータ分析タスクに適用されるＮ個の候補モデルのモデル情報を記録し、第２のネットワーク要素から第１のモデル要求メッセージを受信し、Ｎ個の候補モデルのうちのＭ個の候補モデルのモデル情報が、第１のモデル要求メッセージに対応するモデル情報とマッチしている場合、第２のネットワーク要素へＭ個の候補モデルのうちのＰ個の候補モデルのモデル情報を送信することができ、ここで、Ｎ、Ｍ及びＰはいずれも正の整数であり、且つ、Ｎ≧Ｍ≧Ｐである。この方案により、第１のネットワーク要素は、データ分析タスクに適用される候補モデルのモデル情報を記録することができるので、第１のネットワーク要素が第１のモデル要求メッセージを受信した後、記録された候補モデルのモデル情報が第１のモデル要求メッセージに対応するモデル情報とマッチしているか否かを決定することができ、これによって、第１のモデル要求メッセージに適合する最適モデル又は性能要件に適合するモデルを決定することができる。このように、モデルのデータ分析における性能を確保することができる。

本願の実施例によって提供される無線通信システムのブロック図である。 本願の実施例によって提供されるモデル選択方法の模式的なフローチャートである。 本願の実施例によって提供されるモデル選択方法の応用の流れの模式図その１である。 本願の実施例によって提供されるモデル選択方法の応用の流れの模式図その２である。 本願の実施例によって提供されるモデル選択装置の構造の模式図である。 本願の実施例によって提供されるネットワーク側デバイスの構造の模式図である。 本願の実施例によって提供されるネットワーク側デバイスのハードウェアの模式図である。

以下において、本願の実施例における図面を参照しながら、本願の実施例における技術的解決手段を明確に説明し、当然ながら、説明される実施例は本願の実施例の一部であり、全ての実施例ではない。本願における実施例に基づき、当業者によって得られた他の全ての実施例は、いずれも本願の保護範囲に属するものである。

本願の明細書及び特許請求の範囲における用語「第１」、「第２」等は、特定の順序又は前後の順番を記述するためのものではなく、類似する対象を区別するためのものである。理解すべきこととして、このように使用される用語は、本願の実施例をここで図示又は説明する以外の順番で実施できるように、場合によっては互換してもよく、また、「第１」、「第２」で区別される対象は通常同じ種類のものであり、対象の数が限定されていない。例えば、第１のモデルは、１つであっても複数であってもよい。また、明細書及び請求項において、「及び／又は」は、接続される対象のうちの少なくとも一つを表し、符号「／」は、一般的に前後の関連する対象が「又は」の関係にあることを表す。

指摘すべきこととして、本願の実施例で説明される技術は、ロングタームエボリューション（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ，ＬＴＥ）／ＬＴＥアドバンスト（ＬＴＥ－Ａｄｖａｎｃｅｄ，ＬＴＥ－Ａ）システムに使用されることに限らず、符号分割多元接続（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ，ＣＤＭＡ）、時分割多元接続（Ｔｉｍｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ，ＴＤＭＡ）、周波数分割多元接続（Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ，ＦＤＭＡ）、直交周波数分割多元接続（Ｏｒｔｈｏｇｏｎａｌ Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ，ＯＦＤＭＡ）、シングルキャリア周波数分割多元接続（Ｓｉｎｇｌｅ－ｃａｒｒｉｅｒ Ｆｒｅｑｕｅｎｃｙ－Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ，ＳＣ－ＦＤＭＡ）などの他の無線通信システム及び他のシステムにも使用され得る。本願の実施例における技術用語「システム」及び「ネットワーク」は、多くの場合に互換的に使用され、説明される技術は、上記のシステムと無線技術だけでなく、他のシステムと無線技術にも使用され得る。以下の説明において、例示の目的で５Ｇシステムを説明し、且つ以下の説明の大部分において５Ｇ用語を使用するが、これらの技術は、第６世代（６ｔｈ Ｇｅｎｅｒａｔｉｏｎ，６Ｇ）通信システムなどの５Ｇシステム用途以外にも応用され得る。

図１は、本願の実施例が応用できる無線通信システムのブロック図を示す。無線通信システムは、端末１１とネットワーク側デバイス１２とを含む。端末は、ユーザー機器（Ｕｓｅｒ Ｅｑｕｉｐｍｅｎｔ，ＵＥ）とも呼ばれ、端末１１は、携帯電話、タブレットパーソナルコンピュータ（Ｔａｂｌｅｔ Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、ラップトップコンピュータ（Ｌａｐｔｏｐ Ｃｏｍｐｕｔｅｒ，ノートパソコンとも呼ばれる）、パーソナルデジタルアシスタント（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ，ＰＤＡ）、パームトップコンピュータ、ネットブック、ウルトラモバイルパーソナルコンピュータ（ｕｌｔｒａ－ｍｏｂｉｌｅ ｐｅｒｓｏｎａｌ ｃｏｍｐｕｔｅｒ，ＵＭＰＣ）、モバイルインターネットデバイス（Ｍｏｂｉｌｅ Ｉｎｔｅｒｎｅｔ Ｄｅｖｉｃｅ，ＭＩＤ）、拡張現実（ａｕｇｍｅｎｔｅｄ ｒｅａｌｉｔｙ，ＡＲ）／仮想現実（ｖｉｒｔｕａｌ ｒｅａｌｉｔｙ，ＶＲ）デバイス、ロボット、ウェアラブルデバイス（Ｗｅａｒａｂｌｅ Ｄｅｖｉｃｅ）、車載機器（ＶＵＥ）、歩行者端末（ＰＵＥ）、スマートホーム（冷蔵庫、テレビ、洗濯機、又は家具などの無線通信機能を備えた住宅機器）、ゲーム機、パーソナルコンピュータ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、現金自動預払機又はキオスクなどの端末側デバイスであってもよい。ウェアラブルデバイスは、スマートウォッチ、スマートブレスレット、スマートイヤフォン、スマートグラス、スマートアクセサリー（スマートバングル、スマートチェーンブレスレット、スマートリング、スマートネックレス、スマート足輪、スマートアンクレットなど）、スマートリストバンド、スマートウェアなどを含む。説明すべきこととして、本願の実施例では、端末１１の具体的なタイプが限定されていない。ネットワーク側デバイス１２は、アクセスネットワークデバイス又はコアネットワークデバイスを含んでもよく、アクセスネットワークデバイス１２は、無線アクセスネットワークデバイス、無線アクセスネットワーク（Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋ，ＲＡＮ）、無線アクセスネットワーク機能又は無線アクセスネットワークユニットとも呼ばれる。アクセスネットワークデバイス１２は、基地局、ＷＬＡＮアクセスポイント又はＷｉＦｉノードなどを含んでもよく、基地局は、ノードＢ、進化型ノードＢ（ｅＮＢ）、アクセスポイント、ベーストランシーバー基地局（Ｂａｓｅ Ｔｒａｎｓｃｅｉｖｅｒ Ｓｔａｔｉｏｎ，ＢＴＳ）、無線基地局、無線トランシーバー、基本サービスセット（Ｂａｓｉｃ Ｓｅｒｖｉｃｅ Ｓｅｔ，ＢＳＳ）、拡張サービスセット（Ｅｘｔｅｎｄｅｄ Ｓｅｒｖｉｃｅ Ｓｅｔ，ＥＳＳ）、ホームノードＢ、ホーム進化型ノードＢ、送受信ポイント（Ｔｒａｎｓｍｉｔｔｉｎｇ Ｒｅｃｅｉｖｉｎｇ Ｐｏｉｎｔ，ＴＲＰ）、又は前記分野におけるその他の何らかの適切な技術用語とも呼ばれ、同じ技術効果が達成される限り、前記基地局は特定の技術用語に限らない。説明すべきこととして、本願の実施例において、ＮＲシステム中の基地局のみを例として説明し、基地局の具体的なタイプが限定されていない。コアネットワークデバイスは、コアネットワークノード、コアネットワーク機能、ネットワークデータ分析機能（Ｎｅｔｗｏｒｋ Ｄａｔａ Ａｎａｌｙｔｉｃｓ Ｆｕｎｃｔｉｏｎ，ＮＷＤＡＦ）、分析データストレージ機能（ａｎａｌｙｔｉｃｓ ｄａｔａ ｓｔｏｒａｇｅ ｆｕｎｃｔｉｏｎ，ＡＤＲＦ）、モビリティ管理エンティティ（Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ Ｅｎｔｉｔｙ，ＭＭＥ）、アクセス・モビリティ管理機能（Ａｃｃｅｓｓ ａｎｄ Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ Ｆｕｎｃｔｉｏｎ，ＡＭＦ）、セッション管理機能（Ｓｅｓｓｉｏｎ Ｍａｎａｇｅｍｅｎｔ Ｆｕｎｃｔｉｏｎ，ＳＭＦ）、ユーザープレーン機能（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ，ＵＰＦ）、ポリシー制御機能（Ｐｏｌｉｃｙ Ｃｏｎｔｒｏｌ Ｆｕｎｃｔｉｏｎ，ＰＣＦ）、ポリシー・課金ルール機能ユニット（Ｐｏｌｉｃｙ ａｎｄ Ｃｈａｒｇｉｎｇ Ｒｕｌｅｓ Ｆｕｎｃｔｉｏｎ，ＰＣＲＦ）、エッジアプリケーションサーバー発見機能（Ｅｄｇｅ Ａｐｐｌｉｃａｔｉｏｎ Ｓｅｒｖｅｒ Ｄｉｓｃｏｖｅｒｙ Ｆｕｎｃｔｉｏｎ，ＥＡＳＤＦ）、統合データ管理（Ｕｎｉｆｉｅｄ Ｄａｔａ Ｍａｎａｇｅｍｅｎｔ，ＵＤＭ）、統合データリポジトリ（Ｕｎｉｆｉｅｄ Ｄａｔａ Ｒｅｐｏｓｉｔｏｒｙ，ＵＤＲ）、ホーム加入者サーバー（Ｈｏｍｅ Ｓｕｂｓｃｒｉｂｅｒ Ｓｅｒｖｅｒ，ＨＳＳ）、集中型ネットワーク構成（Ｃｅｎｔｒａｌｉｚｅｄ ｎｅｔｗｏｒｋ ｃｏｎｆｉｇｕｒａｔｉｏｎ，ＣＮＣ）、ネットワークリポジトリ機能（Ｎｅｔｗｏｒｋ Ｒｅｐｏｓｉｔｏｒｙ Ｆｕｎｃｔｉｏｎ，ＮＲＦ）、ネットワークエクスポージャー機能（Ｎｅｔｗｏｒｋ Ｅｘｐｏｓｕｒｅ Ｆｕｎｃｔｉｏｎ，ＮＥＦ）、ローカルＮＥＦ（Ｌｏｃａｌ ＮＥＦ又はＬ－ＮＥＦ）、バインディングサポート機能（Ｂｉｎｄｉｎｇ Ｓｕｐｐｏｒｔ Ｆｕｎｃｔｉｏｎ，ＢＳＦ）、アプリケーション機能（Ａｐｐｌｉｃａｔｉｏｎ Ｆｕｎｃｔｉｏｎ，ＡＦ）等のうちの少なくとも１つを含んでもよいが、それらに限定されない。説明すべきこととして、本願の実施例において、５Ｇシステム中のコアネットワークデバイスのみを例として説明し、コアネットワークデバイスの具体的なタイプが限定されていない。

本願の実施例では、ＭＴＬＦとＡｎＬＦはそれぞれ独立したネットワーク要素、又はＮＷＤＡＦ内における論理機能モジュールとされてもよい。ＭＴＬＦとＡｎＬＦは、同一のＮＷＤＡＦに配置されてもよいし、異なるＮＷＤＡＦに個別に配置されてもよいし、ＮＷＤＡＦの外部に配置されてもよい。

以下において、図面を参照しながら、本願の実施例によって提供されるモデル選択方法を、いくつかの実施例及びその応用場面によって詳しく説明する。

図２に示すように、本願の実施例は、モデル選択方法を提供し、この方法は、下記のステップ２０１～ステップ２０３を含む。

ステップ２０１：第１のネットワーク要素がＮ個の候補モデルのモデル情報を記録する。

上記のＮ個の候補モデルは、第１の分析識別子（ａｎａｌｙｔｉｃ ＩＤ）に対応するデータ分析タスクに適用され得る。データ分析タスクは、推論タスクとも呼ばれる。

説明すべきこととして、分析識別子（ａｎａｌｙｔｉｃ ＩＤ）は、データ分析タスクを識別するために使用され得、それ自体がタイプであり、即ち、分析識別子は、データ分析タスクのタイプを指示するために使用され得る。上記の第１の分析識別子に対応するデータ分析タスクは、第１の分析識別子によって識別されるデータ分析タスクであり得ることが理解可能である。

例示的に、ａｎａｌｙｔｉｃ ＩＤがＵＥモビリティ（ｍｏｂｉｌｉｔｙ）であると仮定すると、当該ａｎａｌｙｔｉｃ ＩＤによって識別されるデータ分析タスクは、ＵＥの移動軌跡の予測である。ａｎａｌｙｔｉｃ ＩＤがＵＥ通信（ｃｏｍｍｕｎｉｃａｔｉｏｎ）であると仮定すると、当該ａｎａｌｙｔｉｃ ＩＤによって識別されるデータ分析タスクは、ＵＥの通信性能と行動の予測である。

任意に、本願の実施例では、上記の第１のネットワーク要素は、ＭＴＬＦ又は分析データストレージ機能（ａｎａｌｙｔｉｃｓ ｄａｔａ ｓｔｏｒａｇｅ ｆｕｎｃｔｉｏｎ，ＡＤＲＦ）を含んでもよい。

いくつかの実施例では、ＭＴＬＦによって記録されたＮ個の候補モデルのモデル情報は、ＭＴＬＦ自体によって決定されたモデル情報であってもよく、ＡＤＲＦによって記録されたＮ個の候補モデルのモデル情報は、ＭＴＬＦから取得されたモデル情報であってもよい。

任意に、本願の実施例では、上記のＮ個の候補モデルは、複数の異なるモデルであってもよく、１つのモデルを複数回トレーニング又は再トレーニングして得られた異なるモデルであってもよい。具体的には、実際の使用ニーズに応じて決定することができ、本願の実施例では限定されない。

任意に、本願の実施例では、候補モデルのモデル情報は、下記ａ．～ｆ．のうちの少なくとも１つを含んでもよい。

ａ．候補モデルを一意に識別するために使用される、候補モデルのモデル識別子（ｍｏｄｅｌ ｉｄｅｎｔｉｆｉｅｒ，ｍｏｄｅｌ ＩＤ）。

ｂ．候補モデルのネットワーク構造、重みパラメータ、入出力データなどの候補モデルに関する任意の情報が格納され得る、候補モデルのモデルファイル情報。

ｃ．候補モデルのモデルファイルの記憶アドレスを指示するために使用され、即ち、候補モデルのモデルファイルのダウンロードアドレスを指示するために使用される候補モデルのダウンロードアドレス情報。例えば、候補モデルがＡＤＲＦに記憶されている場合、当該ダウンロードアドレス情報は、ＡＤＲＦのアドレス情報であり得る。

ｄ．候補モデルが適用されるデータ分析タスクを識別するために使用される、候補モデルの分析識別子。例えば、第１の分析識別子である。

ｅ．使用領域範囲、使用時間範囲、使用対象範囲のうちの少なくとも１つを指示し得る、候補モデルの使用範囲（ｕｓａｇｅ ｓｃｏｐｅ）情報。

使用対象は１つのＵＥ、複数のＵＥ、又は任意のＵＥを含んでもよい。具体的には、実際の使用ニーズに応じて決定することができ、本願の実施例では限定されない。ＵＥは、ＵＥ ＩＤ、ＵＥアドレス情報、ＵＥ ｇｒｏｕｐ ＩＤなどによって識別され得る。

ｆ．候補モデルのモデル性能情報。

本願の実施例では、モデル性能情報は、モデルの出力結果（即ち、予測値又は統計値）と真値の一致度又はマッチングの度合いを特徴付けるために使用され得る。ここで、マッチングとは、予測値（又は統計値）と真値との偏差が既定範囲内にあることを指す。

一形態では、マッチングの度合いは、一回又は複数回の比較の結果によって取得することができ、例えば、予測値と真値を複数回比較することによって、マッチングの度合いを取得することができる。別の形態では、マッチングの度合いは、予測値と真値が一致又はマッチする回数と予測の総回数の比の値であり得る。

任意に、本願の実施例では、モデル性能情報によって指示される性能は、モデル確度（ａｃｃｕｒａｃｙ）、モデル平均絶対誤差（ｍｅａｎ ａｂｓｏｌｕｔｅ ｅｒｒｏｒ，ＭＡＥ）のうちの少なくとも１つを含む。当然ながら、実際に実現する時、モデル性能情報は、モデルの性能を反映できる他の情報をさらに含んでもよく、具体的には、実際の使用ニーズに応じて決定される。

説明すべきこととして、モデル性能情報によって指示される性能は、数値、レベル、パーセンテージなど、任意の可能な形式で表現され得る。例えば、モデル性能情報によって指示される性能がモデル確度を含む場合、当該モデル確度は、正確な数値で表現され得る。

本願の実施例では、候補モデルのモデル情報は、候補モデルの実際の使用プロセスにおける性能パフォーマンス及びそれに対応する使用範囲を反映することができるので、他のネットワーク要素（例えば、本願の実施例における第２のネットワーク要素）がモデルを要求する時、第１のネットワーク要素は、これらの情報により、他のネットワーク要素によって送信されたモデル要求メッセージ（例えば、本願の実施例における第１のモデル要求メッセージ）とマッチしている最適モデルを決定することができる。例えば、モデル情報が使用範囲情報を含む場合、第１のネットワーク要素は、異なる使用範囲に対して異なるモデルを提供することができ、これによって、モデルのネットワークでのデータ分析における性能を向上させることができる。モデル情報がモデル性能情報を含む場合、第１のネットワーク要素は、要求されるモデルの性能要件により、条件に適合するモデルを選択することができ、これによって、モデルのネットワークでのデータ分析における性能を向上させることができる。

説明すべきこととして、上記の実際の使用プロセスは、実際の使用とネットワークでのデータ推論（又はデータ分析）のプロセスを含み得る。

ステップ２０２：第１のネットワーク要素が第２のネットワーク要素から第１のモデル要求メッセージを受信する。

任意に、本願の実施例では、第２のネットワーク要素は、ＡｎＬＦ又はＭＴＬＦを含んでもよい。

本願の実施例では、第１のネットワーク要素はＭＴＬＦ、第２のネットワーク要素はＡｎＬＦであり、又は、第１のネットワーク要素はＡＤＲＦ、第２のネットワーク要素はＡｎＬＦ若しくはＭＴＬＦであり、又は、第１のネットワーク要素はＭＴＬＦ １、第２のネットワーク要素はＭＴＬＦ ２である。ＭＴＬＦ １和ＭＴＬＦ ２は異なるＭＴＬＦであり得る。

説明すべきこととして、本願の実施例では、例として第１のネットワーク要素をＭＴＬＦ、第２のネットワーク要素をＡｎＬＦとして例示的に説明する。

任意に、本願の実施例では、上記の第１のモデル要求メッセージは、下記のＡ．～Ｅ．のうちの少なくとも１つを含んでもよい。

Ａ．要求されるモデルが適用されるデータ分析タスクを識別するために使用され得る、第２の分析識別子。例えば、第２の分析識別子はＵＥモビリティ（ｍｏｂｉｌｉｔｙ）であり、この場合、要求されるモデルが適用されるデータ分析タスクは、ユーザーの移動軌跡の予測である。

Ｂ．要求されるモデルが満たす必要のある条件を指示するために使用され得る、モデル濾過情報。例えば、関心領域（ａｒｅａ ｏｆ ｉｎｔｅｒｅｓｔ，ＡＯＩ）、単一ネットワークスライス選択支援情報（ｓｉｎｇｌｅ ｎｅｔｗｏｒｋ ｓｌｉｃｅ ｓｅｌｅｃｔｉｏｎ ａｓｓｉｓｔａｎｃｅ ｉｎｆｏｒｍａｔｉｏｎ，Ｓ－ＮＳＳＡＩ）、データネットワーク名（ｄａｔａ ｎｅｔｗｏｒｋ ｎａｍｅ，ＤＮＮ）などである。

Ｃ．要求されるモデルのトレーニング対象を指示するために使用され得る、モデル対象情報。当該トレーニング対象は、１つのＵＥ、複数のＵＥ、又は任意のＵＥであり得る。

Ｄ．要求されるモデルの報告方式、適用時間又は報告時間のうちの少なくとも１つを含み得る、モデル報告情報。モデルの報告方式は、周期的な報告又は条件付き報告を含み得る。当然ながら、実際に実現する時、モデル報告情報は、その他の任意の可能な情報をさらに含んでもよく、本願の実施例では具体的に限定しない。

Ｅ．要求されるモデルが満たす必要のある性能を指示するために使用され得る、モデル性能要件情報。例えば、モデルが達する必要のある最小確度、最大ＭＡＥなどである。

ステップ２０３：Ｎ個の候補モデルのうちのＭ個の候補モデルのモデル情報が、第１のモデル要求メッセージに対応するモデル情報とマッチしている場合、第１のネットワーク要素が第２のネットワーク要素へＭ個の候補モデルのうちのＰ個の候補モデルのモデル情報を送信する。

ここで、Ｎ、Ｍ及びＰはいずれも正の整数であり、且つ、Ｎ≧Ｍ≧Ｐである。

上記のＰ個の候補モデルは、Ｍ個の候補モデルであってもよく、Ｍ個の候補モデルのうちの一部の候補モデルであってもよいことが理解可能である。

本願の実施例では、第１のネットワーク要素が上記の第１のモデル要求メッセージを受信した後、第１のネットワーク要素は、上記のＮ個の候補モデルから、モデル情報が第１のモデル要求メッセージに対応するモデル情報とマッチしている候補モデル、例えば、上記のＭ個の候補モデルを決定することができる。当該Ｍ個の候補モデルが決定された後、第１のネットワーク要素は、当該Ｍ個の候補モデルの一部又は全部（即ち、上記のＰ個の候補モデル）のモデル情報を、第２のネットワーク要素に送信することができる。これによって、第２のネットワーク要素は、当該Ｐ個の候補モデルに基づいて、第１の分析識別子に対応するデータ分析タスクを実行することで、対応するデータ分析結果を得ることができる。

任意に、本願の実施例では、上記のＭ個の候補モデルのモデル情報が、第１のモデル要求メッセージに対応するモデル情報とマッチしていることは、以下のことのうちの少なくとも１つを含んでもよい。

（１）第１の分析識別子と第２の分析識別子とが同じであること。第１の分析識別子と第２の分析識別子とが同じである場合、第１の分析識別子に対応するデータ分析タスクと第２の分析識別子に対応するデータ分析タスクとは同じであることが理解可能である。

（２）Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用領域範囲が、上記の第１のモデル要求メッセージに含まれるモデル濾過情報とマッチしていること。例えば、Ｍ個の候補モデルのモデル使用範囲情報に含まれるＳ－ＮＳＳＡＩ、関心領域、ＤＮＮと上記のモデル濾過情報におけるＳ－ＮＳＳＡＩ、関心領域又はＤＮＮとが同じであること、又は、Ｍ個の候補モデルのモデル使用範囲情報に含まれるＳ－ＮＳＳＡＩ、関心領域又はＤＮＮが、上記のモデル濾過情報におけるＳ－ＮＳＳＡＩ、関心領域又はＤＮＮを含むこと。Ｍ個の候補モデルのモデル使用範囲情報は、複数のＤＮＮを含んでもよく、即ち、当該モデル使用範囲情報は、１つのＤＮＮリスト（ｌｉｓｔ）に対応してもよく、その場合、モデル濾過情報におけるＤＮＮは、当該ＤＮＮ ｌｉｓｔにおけるＤＮＮであってもよい。

（３）Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用対象範囲が、上記の第１のモデル要求メッセージに含まれるモデル対象情報とマッチしていること。例えば、Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用対象範囲は、複数の対象（例えば、複数のＵＥ）を含んでもよく、即ち、当該使用対象範囲は、１つの対象ｌｉｓｔに対応してもよく、その場合、当該モデル対象情報によって指示される対象は、当該対象ｌｉｓｔにおける対象であってもよい。

（４）Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用時間範囲が、上記の第１のモデル要求メッセージに含まれるモデル報告情報とマッチしていること。例えば、当該Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用時間範囲と上記のモデル報告情報に対応するモデルの適用時間とが同じであること、又は、上記のモデル報告情報に対応するモデルの適用時間が当該使用時間範囲内に含まれることなど。

（５）Ｍ個の候補モデルのモデル性能情報が、上記の第１のモデル要求メッセージに含まれるモデル性能要件情報によって指示される性能を満たしていること。例えば、当該Ｍ個の候補モデルのモデル性能情報に対応するモデルの性能が上記のモデル性能要件情報によって指示される性能より高いこと。

任意に、本願の実施例では、第１のネットワーク要素がＭＴＬＦであり、第２のネットワーク要素がＡｎＬＦである場合、ＡｎＬＦとＭＴＬＦは、Ｎｎｗｄａｆ＿ＭＬＭｏｄｅｌＰｒｏｖｉｓｉｏｎ＿ＳｕｂｓｃｒｉｂｅとＮｎｗｄａｆ＿ＭＬＭｏｄｅｌＰｒｏｖｉｓｉｏｎ＿Ｎｏｔｉｆｙによってモデル情報を要求して取得し、又は、ＡｎＬＦとＭＴＬＦは、Ｎｎｗｄａｆ＿ＭＬＭｏｄｅｌＩｎｆｏ＿ＲｅｑｕｅｓｔメッセージとＮｎｗｄａｆ＿ＭＬＭｏｄｅｌＩｎｆｏ＿Ｒｅｓｐｏｎｓｅメッセージによってモデル情報を要求して取得する。

任意に、第１のネットワーク要素がＡＤＲＦであり、第２のネットワーク要素がＡｎＬＦである場合、ＡｎＬＦとＡＤＲＦは、Ｎａｄｒｆ＿ＤａｔａＭａｎａｇｅｍｅｎｔ＿ＲｅｔｒｉｅｖａｌＲｅｑｕｅｓｔメッセージとＮａｄｒｆ＿ＤａｔａＭａｎａｇｅｍｅｎｔ＿ＲｅｔｒｉｅｖａｌＲｅｓｐｏｎｓｅメッセージによってモデル情報を要求して取得し、又は、ＡｎＬＦとＡＤＲＦは、Ｎａｄｒｆ＿ＤａｔａＭａｎａｇｅｍｅｎｔ＿ＲｅｔｒｉｅｖａｌＳｕｂｓｃｒｉｂｅとＮａｄｒｆ＿ＤａｔａＭａｎａｇｅｍｅｎｔ＿ＲｅｔｒｉｅｖａｌＮｏｔｉｆｙによってモデル情報を要求して取得する。

本願の実施例では、第１のネットワーク要素は、データ分析タスクに適用される候補モデルのモデル情報を記録することができるので、第１のネットワーク要素が第１のモデル要求メッセージを受信した後、記録された候補モデルのモデル情報が、第２のネットワーク要素によって送信された第１のモデル要求メッセージに対応するモデル情報とマッチしているか否かを決定することができ、これによって、第１のモデル要求メッセージに適合する最適モデル又は性能要件に適合するモデルを決定することができる。このように、モデルのデータ分析における性能を確保することができる。

任意に、上記のステップ２０１の前に、本願の実施例によって提供されるモデル選択方法は、下記のステップ２０４をさらに含んでもよい。

ステップ２０４：第１のネットワーク要素が、Ｋ個のモデルのモデル性能情報により、Ｋ個のモデルから既定条件を満たしているＮ個の候補モデルを決定する。

上記のＫ個のモデルは、上記の第１の分析識別子に対応するデータ分析タスクに適用され得、Ｋは正の整数である。上記の既定条件は、
モデル性能情報によって指示される性能が上記のＫ個のモデルの中で最も高いことと、
モデル性能情報によって指示される性能が第１の既定性能より高いことと、のうちのいずれか１つを含み得る。

説明すべきこととして、モデル性能情報によって指示される性能は、数値、レベル、パーセンテージなど、任意の可能な形式で表現され得る。例えば、モデル性能情報によって指示される性能がモデル確度を含む場合、当該モデル確度は、正確な数値で表現され得る。上記の第１の既定性能も数値、レベル、又はパーセンテージであり得ることが理解可能である。

任意に、本願の実施例では、上記のＫ個のモデルは、第１の分析識別子に対応するデータ分析タスクに適用される複数の候補モデルを含んでもよく、又は、当該Ｋ個のモデルは、第１の分析識別子に対応するデータ分析タスクによりトレーニングを複数回行って得られた複数のモデルを含んでもよい。

任意に、本願の実施例では、上記のＫ個のモデルが、第１の分析識別子に対応するデータ分析タスクによりトレーニングを複数回行って得られた複数のモデルを含む場合、本願の実施例によって提供されるモデル選択方法は、下記のステップ２０５とステップ２０６をさらに含んでもよい。

ステップ２０５：第１のネットワーク要素が第４のネットワーク要素へ送信した第１のモデルの性能が第２の既定性能より低い場合、第１のネットワーク要素が、第１のモデルの使用範囲情報により、第１のモデルに対して再トレーニングを行うか、又はモデルの再選択を行うことによって、第２のモデルを得る。

上記の第２のモデルは、Ｋ個のモデルのうちのモデルである。上記の第４のネットワーク要素はＡｎＬＦであってもよく、例えば、第４のネットワーク要素はＡｎＬＦ １であってもよい。

任意に、本願の実施例では、上記の第４のネットワーク要素は、第２のネットワーク要素とは同じであってもよい。つまり、第１のモデルを取得するためのモデル要求メッセージと上記の第１のモデル要求メッセージとは、同一のネットワーク要素によって送信されたものであり、例えば、いずれもＡＮＬＦ １によって送信されたものであってもよい。例えば、ＡＮＬＦ １が異常のために最適モデルを失った後、ＭＴＬＦ又はＡＤＲＦへモデル要求メッセージを送信することによって、最適モデルを再取得することができる。

任意に、本願の実施例では、上記の第１のモデルの使用範囲情報は、第４のネットワーク要素から取得されたものであってもよい。

本願の実施例では、上記の第１のネットワーク要素が、第１のモデルの使用範囲情報により、第１のモデルに対して再トレーニングを行うこととは、第１のモデルの使用範囲に対して、第１のモデルにモデルの再トレーニングを行うことを指す。具体的には、第１のネットワーク要素がＭＴＬＦ、第４のネットワーク要素がＡｎＬＦ １であることを例として、ＭＴＬＦは、第１のモデルの使用範囲に対応するラベルデータをトレーニングデータセットとして収集し、当該トレーニングデータセットに基づいてモデルを再トレーニングする。当該トレーニングデータセットにおけるトレーニングデータは、データプロバイダー（ｄａｔａ ｐｒｏｖｉｄｅｒ）から取得されたラベルデータ、ＭＴＬＦによってＡｎＬＦ １から取得されたラベルデータを含み得る。ＭＴＬＦで使用されるトレーニングデータには、ラベルデータが含まれることが理解可能である。

上記の第１のモデルの再トレーニングに基づいて、第１のネットワーク要素は、第１のモデルの現在のネットワークにおける性能パフォーマンスにより、当該第１のモデルを更新して反復し、モデルの性能パフォーマンスを毎回記録し、第１のモデルの使用範囲情報に対応する最適モデル又は最も適切なモデルを探して記録することができる。その後、他のネットワーク要素（例えば、上記の第４のネットワーク要素又は第５のネットワーク要素）がモデルの取得を要求する時、第１のネットワーク要素は、要求されるモデルの使用範囲により最適モデル又は最も適切なモデルを提供することができる。

上記のモデルの再選択とは、第１のネットワーク要素が第４のネットワーク要素へ第１のモデルのモデル情報を送信した後、当該第４のネットワーク要素のモデル要求メッセージ（例えば、本願の実施例における第２のモデル要求メッセージ）に対して、選択できる候補モデル（既に送信された第１のモデルを含む）が複数存在する場合、第１のモデルの性能が第２の既定性能より低いと、第１のネットワーク要素は、それらの複数の候補モデルから別の候補モデル（例えば、第２のモデル）を再選択して第４のネットワーク要素に送信することができることを指す。

上記のモデル再選択に基づいて、第１のネットワーク要素は、上記の複数のモデルの実際の使用プロセスにおける性能パフォーマンス及びそれらに対応する使用範囲を取得して記録することができる。その後、他のネットワーク要素（例えば、第４のネットワーク要素又は第５のネットワーク要素）がモデルの取得を要求する時、第１のネットワーク要素は、要求されるモデルの使用範囲により最適モデル又は最も適切なモデルを提供することができる。

ステップ２０６：第１のネットワーク要素が第４のネットワーク要素又は第５のネットワーク要素へ第２のモデルのモデル情報を送信する。

任意に、本願の実施例では、上記の第５のネットワーク要素は、ＡｎＬＦであってもよい。第５のネットワーク要素と上記の第４のネットワーク要素とは異なるＡｎＬＦであり、例えば、第４のネットワーク要素はＡｎＬＦ １、第５のネットワーク要素はＡｎＬＦ ２であることが理解可能である。

任意に、本願の実施例では、上記の第１のネットワーク要素が第４のネットワーク要素へ第２のモデルのモデル情報を送信することは、２つの可能な実施形態を含んでもよい。１つの形態において、第１のネットワーク要素が第２のモデルを得た後、第１のネットワーク要素は、第２のモデルのモデル情報を第４のネットワーク要素へアクティブにプッシュする。もう１つの形態において、第１のネットワーク要素が第２のモデルを得た後、第１のネットワーク要素は、第４のネットワーク要素によって再送信されたモデル要求メッセージ（例えば、第３のモデル要求メッセージ）を受信すると、当該第２のモデルのモデル情報を第４のネットワーク要素へ送信することができる。任意に、当該第３のモデル要求メッセージに対応する要求されるモデルの使用範囲は、第２のモデルの使用範囲とは同じである。

本願の実施例では、上記の第２のモデルが、第１のモデルを再トレーニングして得られたモデルであり、且つ前記第２のモデルが、第１のモデルを更新して置き換えたものである場合、当該第２のモデルのモデル識別子は、第１のモデルのモデル識別子（例えば、ｍｏｄｅｌ ＩＤ１）とは同じである。第２のモデルが、モデルの再選択を行って得られたモデル、又は第１のモデルを再トレーニングして得られた新しいモデル（第１のモデルを置き換えていない）である場合、第２のモデルのモデル識別子は、新しいモデル識別子（例えば、ｍｏｄｅｌ ＩＤ２）に対応し、当該新しいモデル識別子は、第１のモデルのモデル識別子とは異なってもよい。

任意に、本願の実施例によって提供されるモデル選択方法は、下記のステップ２０７をさらに含んでもよい。

ステップ２０７：第１のネットワーク要素が第４のネットワーク要素又は第５のネットワーク要素へ第２のモデルの使用範囲情報を送信する。

第２のモデルの使用範囲情報によって指示される使用範囲は、第１のモデルの使用範囲情報によって指示される使用範囲と同じであり、又は、第２のモデルの使用範囲情報によって指示される使用範囲は、第１のモデルの使用範囲情報によって指示される使用範囲により決定される。

説明すべきこととして、上記の第２のモデルの使用範囲情報が第１のモデルの使用範囲情報により決定されることは、第２のモデルの使用範囲情報によって指示される使用範囲が、第１のモデルの使用範囲情報によって指示される使用範囲を含み、又は、第２のモデルの使用範囲情報によって指示される使用範囲と第１のモデルの使用範囲情報によって指示される使用範囲とが交差すると理解され得る。当該使用範囲は、使用時間範囲、使用対象範囲及び使用領域範囲のうちの少なくとも１つを含み得る。

本願の実施例では、第１のネットワーク要素が上記の第２のモデルを第４のネットワーク要素へ送信する場合、第１のネットワーク要素は、第４のネットワーク要素へ第２のモデルの使用範囲情報を送信することができる。第１のネットワーク要素が第２のモデルを第５のネットワーク要素へ送信する場合、第１のネットワーク要素は、第５のネットワーク要素へ第２のモデルの使用範囲情報を送信することができる。

本願の実施例では、第１のネットワーク要素が第１のモデルのモデル性能情報を取得した後、第１のモデルは、当該第１のモデルのモデル性能情報により、第１のモデルの性能が上記の第２の既定性能より低いか否かを決定することができ、これによって、第１のモデルを再トレーニングするか否かを決定することができる。これに基づいて、本願の実施例によって提供されるモデル選択方法は、下記のステップ２０８、ステップ２０９又はステップ２１０のうちのいずれか１つをさらに含んでもよい。

ステップ２０８：第１のネットワーク要素が第１のモデルのモデル性能情報を計算する。

上記の第１のモデルのモデル性能情報は、第１のモデルの性能を指示するために使用される。

第１のネットワーク要素がＭＴＬＦであることを例として、ＭＴＬＦは、第１のモデルの使用範囲情報により、対応する検証データセット（ラベルデータ、ｇｒｏｕｎｄ ｔｒｕｔｈなどが含まれる）を取得し、当該検証データセットとそれ自体が第１のモデルを実行したデータ分析出力結果に基づいて、第１のモデルの出力結果性能、例えば、第１のモデルの出力結果確度を計算することによって、第１のモデルのモデル性能情報を得る。

任意に、本願の実施例では、上記のステップ２０８に基づいて、第１のネットワーク要素は、第１のモデルの使用範囲情報を記録することができる。当該使用範囲情報によって指示されるのは、第１のモデルによるデータタスク分析又はモデル性能計測の範囲であり、第１のモデルの使用領域範囲、第１のモデルの使用時間範囲、第１のモデルの使用対象範囲などを含む。

ステップ２０９：第１のネットワーク要素が第４のネットワーク要素から第１のモデルのモデル性能情報を受信する。

第４のネットワーク要素がＡｎＬＦであることを例として、ＡｎＬＦは、第１のモデルの使用範囲情報により、対応する検証データセット（ラベルデータ、ｇｒｏｕｎｄ ｔｒｕｔｈなどが含まれる）を取得し、当該検証データセットと第１のモデルのデータ分析出力結果セットに基づいて、第１のモデルの出力結果性能、例えば、第１のモデルの出力結果確度を計算することによって、第１のモデルのモデル性能情報を取得し、当該第１のモデルのモデル性能情報を第１のネットワーク要素、例えばＭＴＬＦに送信する。

任意に、本願の実施例では、上記のステップ２０９に基づいて、第４のネットワーク要素は、第１のネットワーク要素へ第１のモデルの使用範囲情報を送信することができ、これによって、第１のネットワーク要素は、第４のネットワーク要素から第１のモデルの使用範囲情報を受信することができる。第１のモデルの使用範囲情報の詳細については、上記の実施例における関連説明を参照すればよく、重複を避けるために、ここで説明を省略する。

任意に、本願の実施例では、第４のネットワーク要素は、複数のネットワーク要素を含んでもよい。これに基づいて、これらの複数のネットワーク要素は、同一の第１のモデルを共同で使用し、同じ又は交差する使用範囲内に当該第１のモデルを使用することができる。また、これらの複数のネットワーク要素は、それぞれ第１のモデルのモデル性能情報、例えば、第１のモデルの出力結果確度（即ち、モデル確度）を報告することができる。

ステップ２１０：第１のネットワーク要素がデータ分析消費者から第１のモデルのモデル性能情報を受信する。

任意に、本願の実施例では、上記のデータ分析消費者は、ＰＣＦ、ＡＭＦなどの他の任意の可能なデータ分析消費者であってもよい。具体的には、実際の使用ニーズに応じて決定することができ、本願の実施例では限定されない。

本願の実施例では、データ分析消費者は、第４のネットワーク要素（例えば、ＡｎＬＦ）から取得された第１のモデルのデータ分析結果、及び当該モデルのデータ分析結果がデータ分析消費者に使用される範囲により、対応する検証データセット（ラベルデータ、ｇｒｏｕｎｄ ｔｒｕｔｈなどが含まれる）を取得し、当該検証データセットと当該第１のモデルのデータ分析結果に基づいて、第１のモデルの出力結果性能、例えば、第１のモデルの出力結果確度を計算することによって、当該第１のモデルのモデル性能情報を取得し、当該第１のモデルのモデル性能情報を第１のネットワーク要素、例えばＭＴＬＦに送信することができる。データ分析消費者は、当該第１のモデルのモデル性能情報を第１のネットワーク要素に直接送信してもよく、第４のネットワーク要素を介して第１のネットワーク要素に送信してもよい。

任意に、本願の実施例では、上記のデータ分析消費者は複数であってもよく、即ち、上記のデータ分析結果を使用するデータ分析消費者が複数であってもよい。これらの複数のデータ分析消費者は、上記の第１のモデルのモデル性能情報、例えば第１のモデルの出力結果確度（即ち、モデル確度）を共同で計算して報告し得る。

任意に、本願の実施例では、上記のステップ２１０に基づいて、データ分析消費者は、第１のネットワーク要素へ第１のモデルの使用範囲情報を送信することができ、これによって、第１のネットワーク要素は、データ分析消費者から第１のモデルの使用範囲情報を受信することができる。データ分析消費者は、当該第１のモデルの使用範囲情報を第１のネットワーク要素に直接送信してもよく、第４のネットワーク要素を介して第１のネットワーク要素に送信してもよい。第１のモデルの使用範囲情報の詳細については、上記の実施例における関連説明を参照すればよく、重複を避けるために、ここで説明を省略する。

説明すべきこととして、本願の実施例では、上記のＫ個のモデルが、上記の第１の分析識別子に対応するデータ分析タスクに適用される複数の候補モデルを含む場面について、第１のネットワーク要素は、上記のステップ２０８、ステップ２０９又はステップ２１０の方式により、それらの複数の候補モデルのモデル性能情報を取得することができる。

任意に、本願の実施例では、上記のステップ２０５の前に、本願の実施例によって提供されるモデル選択方法は、下記のステップ２１１とステップ２１２をさらに含んでもよい。

ステップ２１１：第１のネットワーク要素が第４のネットワーク要素の第２のモデル要求メッセージを受信する。

ステップ２１２：第１のネットワーク要素が第２のモデル要求メッセージにより、第４のネットワーク要素へ第１のモデルのモデル情報を送信する。

上記の第１のモデルは、１つのモデル又は複数のモデルを含み得る。第２のモデル要求メッセージの詳細については、上記の実施例における第１のモデル要求メッセージについての詳しい説明を参照すればよく、ここでは説明を省略する。

任意に、本願の実施例では、上記の第１のモデルが複数のモデルを含む場合、上記のステップ２１２の前に、本願の実施例によって提供されるモデル選択方法は、下記のステップ２１３又はステップ２１４をさらに含んでもよい。

ステップ２１３：第１のネットワーク要素が、第４のネットワーク要素が複数のモデルの取得をサポートするか否かを決定する。

ステップ２１４：第１のネットワーク要素が、第４のネットワーク要素のモデル使用能力を決定する。

本願の実施例では、第２のモデル要求メッセージに対応するモデル情報とマッチしているモデルが複数存在する場合、第１のネットワーク要素は、第４のネットワーク要素が複数のモデルの取得をサポートするか否か、又は第４のネットワーク要素のモデル使用能力を決定することによって、第４のネットワーク要素が複数のモデルの使用をサポートするか否かを決定することができ、第４のネットワーク要素が複数のモデルの使用をサポートできる場合、第１のネットワーク要素は、それらの複数のモデルのモデル情報をすべて第４のネットワーク要素に送信し、そうでなければ、第１のネットワーク要素は、それらの複数のモデルのうちの１つのみを第４のネットワーク要素に送信し、即ち、第１のネットワーク要素は、それらの複数のモデルのモデル情報を同時に第４のネットワーク要素に送信しない。

任意に、本願の実施例では、上記の第１のネットワーク要素がＡＤＲＦである場合、本願の実施例によって提供されるモデル選択方法は、下記のステップ２１５をさらに含んでもよい。

ステップ２１５：第１のネットワーク要素が第３のネットワーク要素からＮ個の候補モデルのモデル情報を取得する。

本願の実施例では、上記の第３のネットワーク要素はＭＴＬＦであり得る。このように、ＡＤＲＦが上記のＮ個の候補モデルのモデル情報を記録する前に、ＡＤＲＦは、まず、ＭＴＬＦから当該Ｎ個の候補モデルのモデル情報を取得することができる。

第１のネットワーク要素がＭＴＬＦである場合、ＭＴＬＦは、上記のＮ個の候補モデルのモデル情報を自ら取得してから、当該Ｎ個の候補モデルのモデル情報を記録し得ることが理解可能である。

任意に、本願の実施例では、上記のステップ２０１（第１のネットワーク要素がＮ個の候補モデルのモデル情報を記録する）の前に、本願の実施例によって提供されるモデル選択方法は、下記のステップ２１６をさらに含んでもよい。

ステップ２１６：第１のネットワーク要素がＮ個の候補モデルのうちの各候補モデルの使用範囲情報及び／又はモデル性能情報を取得する。

本願の実施例では、第１のネットワーク要素が上記のＮ個の候補モデルのモデル情報を記録する前、第１のネットワーク要素は、まず当該Ｎ個の候補モデルのうちの各候補モデルの使用範囲情報及び／又はモデル性能情報を取得することにより、当該Ｎ個の候補モデルのモデル情報を対応付けて記録することができる。

この形態では、第１のネットワーク要素は、当該Ｎ個の候補モデルに対してスクリーニングを行わず、当該Ｎ個の候補モデルに対応する情報（使用範囲情報、モデル性能情報などを含む）を記録するだけであることが理解可能である。その後、他のネットワーク要素によって送信されたモデル要求メッセージを受信した後、これらの情報により、適切なモデルを選択して当該ネットワーク要素に送信することができる。

任意に、本願の実施例では、上記のステップ２１６は、具体的には、下記のステップ２１６ａ、ステップ２１６ｂ又はステップ２１６ｃによって実現され得る。

ステップ２１６ａ：第１のネットワーク要素が、Ｎ個の候補モデルのうちの各候補モデルの使用範囲情報を決定する、及び／又は、Ｎ個の候補モデルのうちの各候補モデルのモデル性能情報を計算する。

ステップ２１６ｂ：第１のネットワーク要素が第７のネットワーク要素からＮ個の候補モデルのうちの各候補モデルの使用範囲情報及び／又はモデル性能情報を受信する。

上記の第７のネットワーク要素は、１つのネットワーク要素又は複数のネットワーク要素を含み得る。第７のネットワーク要素は、ＡｎＬＦであり得る。

任意に、当該第７のネットワーク要素は、上記の実施例における第２のネットワーク要素とは同じであってもよく、異なってもよい。具体的には、実際の使用ニーズに応じて決定することができ、本願の実施例では限定されない。

ステップ２１６ｃ：第１のネットワーク要素がデータ分析消費者からＮ個の候補モデルのうちの各候補モデルの使用範囲情報及び／又はモデル性能情報を受信する。

説明すべきこととして、第１のネットワーク要素がＮ個の候補モデルのうちの各候補モデルの使用範囲情報及び／又はモデル性能情報を取得することの詳細については、上記の実施例における第１のネットワーク要素が第１のモデルの使用範囲情報及び／又はモデル性能情報を取得することについての詳しい説明を参照すればよく、重複を避けるために、ここで説明を省略する。

任意に、本願の実施例では、上記の第１のネットワーク要素がＭＴＬＦである場合、上記のステップ２０１（第１のネットワーク要素がＮ個の候補モデルのモデル情報を記録する）の後、本願の実施例によって提供されるモデル選択方法は、下記のステップ２１７をさらに含んでもよい。

ステップ２１７：第１のネットワーク要素がＮ個の候補モデルのモデル情報を第６のネットワーク要素に記憶する。

上記の第６のネットワーク要素は、ＡＤＲＦ又は統合データリポジトリ（ｕｎｉｆｉｅｄ ｄａｔａ ｒｅｐｏｓｉｔｏｒｙ，ＵＤＲ）を含み得る。

任意に、本願の実施例では、上記のステップ２１７に基づいて、上記のステップ２０３は、具体的には、下記のステップ２０３ａによって実現され得る。

ステップ２０３ａ：第１のネットワーク要素が第２のネットワーク要素へ第１の情報を送信し、当該第１の情報は、Ｐ個の候補モデルのモデル情報が第６のネットワーク要素に記憶されていることを指示するために使用される。

上記の第１の情報は、第６のネットワーク要素の識別子情報、完全修飾ドメイン名（ｆｕｌｌｙ ｑｕａｌｉｆｉｅｄ ｄｏｍａｉｎ ｎａｍｅ，ＦＱＤＮ）、アドレス情報のうちの少なくとも１つを含み得る。当然ながら、当該第１の情報は、第６のネットワーク要素に対応する他の情報をさらに含んでもよく、具体的には、実際の使用ニーズに応じて決定することができ、本願の実施例では限定されない。

第６のネットワーク要素の識別子情報、ＦＱＤＮ、又はアドレス情報のうちの少なくとも１つは、Ｐ個の候補モデルのダウンロードアドレス情報とすることができ、これによって、第２のネットワーク要素は、第６のネットワーク要素の識別子情報、ＦＱＤＮ、又はアドレス情報のうちの少なくとも１つにより、当該Ｐ個の候補モデルのモデル情報をダウンロードすることができることが理解可能である。

本願の実施例では、ＭＴＬＦが上記のＮ個の候補モデルのモデル情報を第６のネットワーク要素に記憶した後、第２のネットワーク要素が第１のネットワーク要素へ上記の第１のモデル要求メッセージを送信すると、当該Ｎ個の候補モデルのうちのＭ個の候補モデルのモデル情報が、当該第１のモデル要求メッセージに対応するモデル情報とマッチしている場合、第１のネットワーク要素は、第２のネットワーク要素へ上記の第１の情報を送信することができる。これによって、第２のネットワーク要素が当該第１の情報を受信した後、第２のネットワーク要素は、当該第６のネットワーク要素から上記のＰ個の候補モデルのモデル情報をダウンロードすることができる。

任意に、本願の実施例では、第１のネットワーク要素が上記のＮ個の候補モデルのモデル情報を第６のネットワーク要素に記憶した後、第８のネットワーク要素は、第６のネットワーク要素へモデル要求メッセージを直接送信することによって、第６のネットワーク要素からモデルのモデル情報を取得することができる。当該第８のネットワーク要素は、第６のネットワーク要素からモデルのモデル情報を取得するように構成され得、当該第８のネットワーク要素は、ＡｎＬＦ、例えばＡｎＬＦ ３であり得る。

以下、図面を参照しながら、本願の実施例によって提供されるモデル選択方法を例示的に説明する。

実施例１
図３に示すように、ステップ１ａにおいて、ＡｎＬＦ １はＭＴＬＦへモデル要求メッセージ（例えば、要求（ｒｅｑｕｅｓｔ）１）を送信することができ、当該モデル要求メッセージは、分析識別子（ａｎａｌｙｔｉｃ ＩＤ）、モデル濾過情報（ｍｏｄｅｌ ｆｉｌｔｅｒ ｉｎｆｏｒｍａｔｉｏｎ １）などを含み得る。

ステップ１ｂにおいて、ＭＴＬＦはＡｎＬＦ １へＭＬモデル（例えば、ＡＩタスク１に適用されるモデル）のモデル情報を提供することができ、当該モデル情報は、モデル識別子がｍｏｄｅｌ ＩＤ１である初期モデル（ｉｎｉｔｉａｌ ｍｏｄｅｌ）であり得る。

ステップ２において、ＭＴＬＦ／ＡｎＬＦ １／データ分析消費者は、ステップ１ｂにおけるＭＬモデルに対して性能計測／評価（ａｎａｌｙｔｉｃｓ ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ）を行う。モデルのモデル識別子、モデルが適用されるデータ分析タスク、モデル使用範囲を記録する。ＡｎＬＦ １／データ分析消費者が当該モデルに対して性能計測を行うと、ＭＴＬＦへ当該モデル性能情報を報告し、当該モデルの使用範囲情報を報告する。

ステップ３において、上記のＭＬモデルの性能が既定性能より低い場合、ＭＴＬＦは上記のモデル使用範囲により新しいＭＬモデルを再選択又は再トレーニングする。当該新しいＭＬモデルは、初期モデルと異なるモデルであってもよく、初期モデルを更新したモデルであってもよい。

ステップ４ａにおいて（任意に）、ＡｎＬＦ １はＭＴＬＦへモデル要求メッセージ（例えば、ｒｅｑｕｅｓｔ ２）を送信する。

ステップ４ｂにおいて、ＭＴＬＦはＡｎＬＦ １へ当該新しいＭＬモデルのモデル情報を送信する。当該モデル情報は、モデル識別子、モデル使用範囲（ｍｏｄｅｌ ｕｓａｇｅ ｓｃｏｐｅ）を含み得る。当該新しいＭＬモデルは、初期モデルと異なるモデルである場合、モデル識別子がｍｏｄｅｌ ＩＤ２であり得、初期モデルを更新したモデルである場合、モデル識別子がｍｏｄｅｌ ＩＤ１であり得る。

ステップ５において、ＭＴＬＦ／ＡｎＬＦ １／データ分析消費者は、ステップ４ｂにおける新しいＭＬモデルに対して性能計測／評価を行う。具体的には、上記のステップ２における説明を参照すればよい。

ステップ６において、ＭＴＬＦは、上記のステップ２～５で取得された複数のモデルに対応するモデル性能情報により、ターゲットモデルを決定する。当該ターゲットモデルは、それらの複数のモデルのうち、性能が最も高い／最も良いものであってもよく、又は、ターゲットモデルは、それらの複数のモデルのうち、性能が既定性能より高い／優れているものであってもよい。ターゲットモデルは、１つであってもよく、又は、複数であってもよい。

ステップ７において、ＡｎＬＦ ２は、ａｎａｌｙｔｉｃ ＩＤに対応するモデルを要求するために、ＭＴＬＦへモデル要求メッセージ（例えば、ｒｅｑｕｅｓｔ ３）を送信し、当該ａｎａｌｙｔｉｃ ＩＤは、ステップ１ａにおけるａｎａｌｙｔｉｃ ＩＤと同じであってもよい。当該モデル要求メッセージは、モデル濾過情報（例えば、ｍｏｄｅｌ ｆｉｌｔｅｒ ｉｎｆｏｒｍａｔｉｏｎ ２）などを含む。

ステップ８において、ＭＴＬＦは、ステップ７におけるモデル要求メッセージに対応するモデル情報がターゲットモデルのモデル情報とマッチしているか否かを判断し、マッチしている場合、下記のステップ９を実行する。

ステップ９において、ＭＴＬＦは、ターゲットモデルのモデル情報をＡｎＬＦ ２に送信する。

実施例２
依然として図３を参照し、この実施例は、ステップ１ｂにおいて、ＡｎＬＦ １によって送信されたモデル要求メッセージに対して、ＭＴＬＦに要件を満たしている候補モデルが複数存在すると、ＭＴＬＦが、それらの複数の候補モデルを同時にＡｎＬＦ １に発行することができることにおいて、実施例１と異なる。任意に、モデルを発行する前に、ＭＴＬＦは、まず、ＡｎＬＦが複数のモデルの取得をサポートすること、又は使用能力を決定する必要があり、サポートしない場合、ＭＴＬＦは、複数の候補モデルを同時にＡｎＬＦに送信しない。

ステップ２において、実施例１におけるステップ２と類似の方法によって、それらの複数の候補モデルに対して性能計測を実行することができる。

実施例３
図４に示すように、この実施例は、ステップ６ｂにおいて、ＭＴＬＦが、取得したターゲットモデルのモデル情報をデータベース又は統合データプラットフォーム（例えば、ＡＤＲＦ、ＵＤＲなど）に記憶することにおいて、実施例１、実施例２と異なる。

ステップ７において、ＡｎＬＦ ２は、データベース又は統合データプラットフォームへモデル取得要求メッセージを送信する。

ステップ８において、データベース又は統合データプラットフォームは、ステップ７におけるモデル要求メッセージに対応するモデル情報がターゲットモデルのモデル情報とマッチしているか否かを判断し、マッチしている場合、下記のステップ９を実行する。

上記のステップ８のマッチング方法は、実施例１におけるステップ８のマッチング方法と類似していてもよい。

ステップ９において、データベース又は統合データプラットフォームは、ターゲットモデルのモデル情報をＡｎＬＦ ２に送信する。

説明すべきこととして、実施例２と実施例３で説明されていないステップについては、実施例１における関連説明を参照すればよく、重複を避けるために、ここで説明を省略する。

実施例４
ステップ１～６は、上記の実施例１におけるステップ１～６と同じである。

ステップ６ａにおいて、ＭＴＬＦは、ターゲットモデル（即ち、本願の実施例における候補モデル）のモデル情報をＡＤＲＦに記憶し、対応するＡＤＲＦ情報（例えば、ＡＤＲＦの識別子情報、ＡＤＲＦのアドレス情報など）を記録する。

ステップ７～８は、上記の実施例１におけるステップ７～８と同じである。

ステップ９において、ＭＴＬＦは、マッチしているターゲットモデルによって記憶されているＡＤＲＦ情報をＡｎＬＦ ２に送信し、これによって、ＡｎＬＦ ２は、ＡＤＲＦからターゲットモデルのモデル情報を取得することができる。

本願の実施例によって提供されるモデル選択方法は、実行主体がモデル選択装置であり得る。本願の実施例において、モデル選択装置によってモデル選択方法を実行することを例として、本願の実施例によって提供されるモデル選択装置を説明する。

図５に示すように、本願の実施例は、モデル選択装置３００を提供し、このモデル選択装置３００は、記録モジュール３０１、第１の受信モジュール３０２及び第１の送信モジュール３０３を含む。記録モジュール３０１は、Ｎ個の候補モデルのモデル情報を記録するために使用され、Ｎ個の候補モデルは、第１の分析識別子に対応するデータ分析タスクに適用される。第１の受信モジュール３０２は、第２のネットワーク要素から第１のモデル要求メッセージを受信するために使用される。第１の送信モジュール３０３は、Ｎ個の候補モデルのうちのＭ個の候補モデルのモデル情報が、第１のモデル要求メッセージに対応するモデル情報とマッチしている場合、第２のネットワーク要素へＭ個の候補モデルのうちのＰ個の候補モデルのモデル情報を送信するために使用される。ここで、Ｎ、Ｍ及びＰはいずれも正の整数であり、且つ、Ｎ≧Ｍ≧Ｐである。

任意に、本願の実施例では、モデル選択装置は、Ｋ個のモデルのモデル性能情報により、Ｋ個のモデルから既定条件を満たしているＮ個の候補モデルを決定するために使用される決定モジュールをさらに含み、Ｋ個のモデルは、第１の分析識別子に対応するデータ分析タスクに適用され、Ｋは正の整数である。既定条件は、モデル性能情報によって指示される性能がＫ個のモデルの中で最も高いことと、モデル性能情報によって指示される性能が第１の既定性能より高いことと、のうちのいずれか１つを含む。

任意に、本願の実施例では、モデル選択装置は、第３のネットワーク要素からＮ個の候補モデルのモデル情報を取得するために使用される第１の取得モジュールをさらに含む。

任意に、本願の実施例では、候補モデルのモデル情報は、
候補モデルのモデル識別子、
候補モデルのモデルファイル情報、
候補モデルのモデルファイルの記憶アドレスを指示するために使用される、候補モデルのダウンロードアドレス情報、
候補モデルが適用されるデータ分析タスクを識別するために使用される、候補モデルの分析識別子、
候補モデルの使用範囲情報、
候補モデルのモデル性能情報
のうちの少なくとも１つを含む。

任意に、本願の実施例では、使用範囲情報は、
使用領域範囲、
使用時間範囲、
使用対象範囲
のうちの少なくとも１つを指示する。

任意に、本願の実施例では、モデル性能情報によって指示される性能は、モデル確度、モデル平均絶対誤差のうちの少なくとも１つを含む。

任意に、本願の実施例では、モデル選択装置は、Ｎ個の候補モデルのうちの各候補モデルの使用範囲情報及び／又はモデル性能情報を取得するために使用される第２の取得モジュールをさらに含む。

任意に、本願の実施例では、第２の取得モジュールは、具体的には、各候補モデルの使用範囲情報を決定する、及び／又は、各候補モデルのモデル性能情報を計算するために使用され、又は、第２の取得モジュールは、具体的には、第７のネットワーク要素から各候補モデルの使用範囲情報及び／又はモデル性能情報を受信するために使用され、又は、第２の取得モジュールは、具体的には、データ分析消費者から各候補モデルの使用範囲情報及び／又はモデル性能情報を受信するために使用される。

任意に、本願の実施例では、第１のモデル要求メッセージは、
要求されるモデルが適用されるデータ分析タスクを識別するために使用される第２の分析識別子、
要求されるモデルが満たす必要のある条件を指示するために使用されるモデル濾過情報、
要求されるモデルのトレーニング対象を指示するために使用されるモデル対象情報、
要求されるモデルの報告方式、適用時間又は報告時間のうちの少なくとも１つを含むモデル報告情報、
要求されるモデルが満たす必要のある性能を指示するために使用されるモデル性能要件情報
のうちの少なくとも１つを含む。

任意に、本願の実施例では、Ｍ個の候補モデルのモデル情報が、第１のモデル要求メッセージに対応するモデル情報とマッチしていることは、
第１の分析識別子と第２の分析識別子とが同じであること、
Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用領域範囲がモデル濾過情報とマッチしていること、
Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用対象範囲がモデル対象情報とマッチしていること、
Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用時間範囲がモデル報告情報とマッチしていること、
Ｍ個の候補モデルのモデル性能情報が、モデル性能要件情報によって指示される性能を満たしていること
のうちの少なくとも１つを含む。

任意に、本願の実施例では、Ｋ個のモデルは、第１の分析識別子に対応するデータ分析タスクに適用される複数の候補モデルを含み、又は、Ｋ個のモデルは、第１の分析識別子に対応するデータ分析タスクによりトレーニングを複数回行って得られた複数のモデルを含む。

任意に、本願の実施例では、Ｋ個のモデルが、第１の分析識別子に対応するデータ分析タスクによりトレーニングを複数回行って得られた複数のモデルを含む場合、モデル選択装置は、第１の送信モジュールが第４のネットワーク要素へ送信した第１のモデルの性能が第２の既定性能より低い場合、第１のモデルの使用範囲情報により、第１のモデルに対して再トレーニングを行うか、又はモデルの再選択を行うことによって、Ｋ個のモデルのうちのモデルである第２のモデルを得るために使用される実行モジュールと、第４のネットワーク要素又は第５のネットワーク要素へ第２のモデルのモデル情報を送信するために使用される第２の送信モジュールと、をさらに含む。

任意に、本願の実施例では、モデル選択装置は、第４のネットワーク要素又は第５のネットワーク要素へ第２のモデルの使用範囲情報を送信するために使用される第３の送信モジュールをさらに含み、第２のモデルの使用範囲情報によって指示される使用範囲は、第１のモデルの使用範囲情報によって指示される使用範囲と同じであり、又は、第２のモデルの使用範囲情報によって指示される使用範囲は、第１のモデルの使用範囲情報によって指示される使用範囲により決定される。

任意に、本願の実施例では、モデル選択装置は、第１のモデルのモデル性能情報を計算するために使用される計算モジュール、又は第４のネットワーク要素から第１のモデルのモデル性能情報を受信するためにも使用される第２の受信モジュール、又はデータ分析消費者から第１のモデルのモデル性能情報を受信するためにも使用される第３の受信モジュールをさらに含み、第１のモデルのモデル性能情報は、第１のモデルの性能を指示するために使用される。

任意に、本願の実施例では、モデル選択装置は、Ｎ個の候補モデルのモデル情報を第６のネットワーク要素に記憶するために使用される記憶モジュールをさらに含む。

任意に、本願の実施例では、第１の送信モジュールは、具体的には、第２のネットワーク要素へ第１の情報を送信するために使用され、第１の情報は、Ｐ個の候補モデルのモデル情報が第６のネットワーク要素に記憶されていることを指示するために使用される。当該第１の情報は、第６のネットワーク要素の識別子情報、ＦＱＤＮ、アドレス情報のうちの少なくとも１つを含む。

任意に、本願の実施例では、第６のネットワーク要素はＡＤＲＦ又はＵＤＲを含む。

任意に、本願の実施例では、第２のネットワーク要素はＡｎＬＦ又はＭＴＬＦを含む。

本願の実施例によって提供されるモデル選択装置について、モデル選択装置は、データ分析タスクに適用される候補モデルのモデル情報を記録することができるので、モデル選択装置が第１のモデル要求メッセージを受信した後、記録された候補モデルのモデル情報が第１のモデル要求メッセージに対応するモデル情報とマッチしているか否かを決定することができ、これによって、第１のモデル要求メッセージに適合する最適モデル又は性能要件に適合するモデルを決定することができる。このように、モデルのデータ分析における性能を確保することができる。

本願の実施例におけるモデル選択装置は、ネットワーク側デバイス、例えば、オペレーティングシステムを備えたネットワーク側デバイスであってもよく、ネットワーク側デバイスにおける部材、例えば、集積回路又はチップであってもよい。当該ネットワーク側デバイスは、ＮＷＤＡＦ、ＭＴＬＦ、ＡｎＬＦ、ＡＲＤＦなどであってもよく、本願の実施例では具体的に限定しない。

本願の実施例によって提供されるモデル選択装置は、上記のモデル選択方法の実施例によって実現される各プロセスを実現し、同じ技術効果を達成することができ、重複を避けるために、ここで説明を省略する。

任意に、図６に示すように、本願の実施例は、プロセッサ４０１とメモリ４０２とを含むネットワーク側デバイス４００をさらに提供し、メモリ４０２には、プロセッサ４０１で実行可能なプログラム又はコマンドが記憶されており、例えば、そのプログラム又はコマンドがプロセッサ４０１によって実行されると、上記のモデル選択方法の実施例の各ステップを実現し、且つ同じ技術効果を達成でき、重複を避けるために、ここで説明を省略する。

具体的には、本願の実施例は、ネットワーク側デバイスをさらに提供する。図７に示すように、当該ネットワーク側デバイス５００は、プロセッサ５０１、ネットワークインタフェース５０２及びメモリ５０３を含む。ネットワークインタフェース５０２は、例えば、共通公衆無線インタフェース（ｃｏｍｍｏｎ ｐｕｂｌｉｃ ｒａｄｉｏ ｉｎｔｅｒｆａｃｅ，ＣＰＲＩ）である。

具体的には、本発明の実施例によるネットワーク側デバイス５００は、メモリ５０３に記憶されており、プロセッサ５０１で実行可能なコマンド又はプログラムをさらに含み、プロセッサ５０１は、メモリ５０３内のコマンド又はプログラムを呼び出して、図６に示す各モジュールによって実行される方法を実行し、且つ同じ技術効果を達成し、重複を避けるために、ここで説明を省略する。

本願の実施例は、プログラム又はコマンドが記憶されている可読記憶媒体をさらに提供し、そのプログラム又はコマンドがプロセッサによって実行されると、上記のモデル選択方法の実施例の各プロセスを実現し、且つ同じ技術効果を達成でき、重複を避けるために、ここで説明を省略する。

プロセッサは、上記の実施例における端末内のプロセッサである。可読記憶媒体は、例えば、コンピュータ読み取り専用メモリＲＯＭ、ランダムアクセスメモリＲＡＭ、磁気ディスク又は光ディスクなどのコンピュータ可読記憶媒体を含む。

本願の実施例はまた、チップを提供し、チップは、結合されたプロセッサと通信インタフェースとを含み、プロセッサは、プログラム又はコマンドを実行することにより、上記のモデル選択方法の実施例の各プロセスを実現するためのものであり、且つ同じ技術効果を達成でき、重複を避けるために、ここで説明を省略する。

理解すべきこととして、本願の実施例に記載されるチップは、システムオンチップ、システムチップ、チップシステム又はＳｏＣ等とも呼ばれる。

本願の実施例はまた、コンピュータプログラム／プログラム製品を提供し、コンピュータプログラム／プログラム製品は、記憶媒体に記憶されており、少なくとも１つのプロセッサによって実行されることにより、上記のモデル選択方法の実施例の各プロセスを実現し、且つ同じ技術効果を達成でき、重複を避けるために、ここで説明を省略する。

説明すべきこととして、本明細書において、用語「含む」、「備える」又はその他のあらゆる変形は、一連の要素を含むプロセス、方法、物品又は装置がそれらの要素のみならず、明示されていない他の要素、又はこのようなプロセス、方法、物品又は装置に固有の要素をも含むように、非排他的包含をカバーすることを意図している。特に断らない限り、「１つの…を含む」という記述により限定される要素は、該要素を含むプロセス、方法、物品又は装置に別の同じ要素がさらに存在することを排除するものではない。また、指摘すべきこととして、本願の実施形態における方法及び装置の範囲は、ここで示された又は議論された順番に機能を実行することに限定されず、関連する機能によっては、ほぼ同時に、或いは反対の順番に機能を実行することをさらに含んでもよい。例えば、説明された順と異なる順番に上記の方法を実行してもよく、さらに、各ステップを追加し、省略し、又は組み合わせてもよい。また、一部の例を参照して説明した特徴を、他の例に組み合わせてもよい。

以上の実施形態の説明によって、当業者であれば、上記実施例の方法がソフトウェアと必要な汎用ハードウェアプラットフォームとの組合せ形態で実現できることを明確に理解可能であり、当然ながら、ハードウェアによって実現してもよいが、多くの場合において前者はより好ましい実施形態である。このような見解をもとに、本願の技術的解決手段は実質的に又は従来技術に寄与する部分はコンピュータソフトウェア製品として具現化することができ、該コンピュータソフトウェア製品は、記憶媒体（例えばＲＯＭ／ＲＡＭ、磁気ディスク、光ディスク）に記憶され、端末（携帯電話、コンピュータ、サーバー、エアコン、又はネットワーク側デバイス等であってもよい）に本願の各実施例による方法を実行させるためのいくつかのコマンドを含む。

以上、図面を参照しながら本願の実施例を説明したが、本願は上記の具体的な実施形態に限定されず、上記の具体的な実施形態は例示的なものに過ぎず、限定的なものではなく、本願の示唆をもとに、当業者が本願の趣旨及び特許請求の保護範囲から逸脱することなくなし得る多くの形態は、いずれも本願の保護範囲に属するものとする。

〔関連出願の相互参照〕
本願は、２０２２年０５月０５日に中国で出願された出願番号が２０２２１０４８３８３７．０である中国特許出願の優先権を主張しており、その内容の全てが援用によりここに組み込まれる。

Claims (16)

1. 第１のネットワーク要素がＮ個の候補モデルのモデル情報を記録するステップであって、前記Ｎ個の候補モデルは、第１の分析識別子に対応するデータ分析タスクに適用されるステップと、
   前記第１のネットワーク要素が第２のネットワーク要素から第１のモデル要求メッセージを受信するステップと、
   前記Ｎ個の候補モデルのうちのＭ個の候補モデルのモデル情報が、前記第１のモデル要求メッセージに対応するモデル情報とマッチしている場合、前記第１のネットワーク要素が前記第２のネットワーク要素へ前記Ｍ個の候補モデルのうちのＰ個の候補モデルのモデル情報を送信するステップと、を含み、
   ここで、Ｎ、Ｍ及びＰはいずれも正の整数であり、且つ、Ｎ≧Ｍ≧Ｐであり、
   第１のネットワーク要素がＮ個の候補モデルのモデル情報を記録する前記ステップの前に、
   前記第１のネットワーク要素が、Ｋ個のモデルのモデル性能情報により、前記Ｋ個のモデルから既定条件を満たしている前記Ｎ個の候補モデルを決定するステップであって、前記Ｋ個のモデルは、前記第１の分析識別子に対応するデータ分析タスクに適用され、Ｋは正の整数であるステップをさらに含み、
   前記既定条件は、
   モデル性能情報によって指示される性能が前記Ｋ個のモデルの中で最も高いことと、
   モデル性能情報によって指示される性能が第１の既定性能より高いことと、
   のうちのいずれか１つを含む、
   モデル選択方法。
2. 前記第１のネットワーク要素が第３のネットワーク要素から前記Ｎ個の候補モデルのモデル情報を取得するステップをさらに含む、
   請求項１に記載のモデル選択方法。
3. 候補モデルのモデル情報は、
   候補モデルのモデル識別子、
   候補モデルのモデルファイル情報、
   候補モデルのモデルファイルの記憶アドレスを指示するために使用される、候補モデルのダウンロードアドレス情報、
   候補モデルが適用されるデータ分析タスクを識別するために使用される、候補モデルの分析識別子、
   候補モデルの使用範囲情報、
   候補モデルのモデル性能情報
   のうちの少なくとも１つを含む、請求項１に記載のモデル選択方法。
4. モデル性能情報によって指示される性能は、モデル確度、モデル平均絶対誤差のうちの少なくとも１つを含む、請求項１に記載のモデル選択方法。
5. 第１のネットワーク要素がＮ個の候補モデルのモデル情報を記録する前記ステップの前に、
   前記第１のネットワーク要素が前記Ｎ個の候補モデルのうちの各候補モデルの使用範囲情報及び／又はモデル性能情報を取得するステップをさらに含み、
   前記第１のネットワーク要素が前記Ｎ個の候補モデルのうちの各候補モデルの使用範囲情報及び／又はモデル性能情報を取得する前記ステップは、
   前記第１のネットワーク要素が、前記各候補モデルの使用範囲情報を決定する、及び／又は、前記各候補モデルのモデル性能情報を計算するステップと、
   前記第１のネットワーク要素が第７のネットワーク要素から前記各候補モデルの使用範囲情報及び／又はモデル性能情報を受信するステップと、
   前記第１のネットワーク要素がデータ分析消費者から前記各候補モデルの使用範囲情報及び／又はモデル性能情報を受信するステップと、を含む、
   請求項１に記載のモデル選択方法。
6. 前記第１のモデル要求メッセージは、
   要求されるモデルが適用されるデータ分析タスクを識別するために使用される第２の分析識別子、
   要求されるモデルが満たす必要のある条件を指示するために使用されるモデル濾過情報、
   要求されるモデルのトレーニング対象を指示するために使用されるモデル対象情報、
   要求されるモデルの報告方式、適用時間又は報告時間のうちの少なくとも１つを含むモデル報告情報、
   要求されるモデルが満たす必要のある性能を指示するために使用されるモデル性能要件情報
   のうちの少なくとも１つを含む、請求項１に記載のモデル選択方法。
7. 前記モデル性能要件情報は、モデルが達する必要のある最小確度と最大ＭＡＥとのうちの少なくとも１つを含む、
   請求項６に記載のモデル選択方法。
8. 前記Ｍ個の候補モデルのモデル情報が、前記第１のモデル要求メッセージに対応するモデル情報とマッチしていることは、
   前記第１の分析識別子と前記第２の分析識別子とが同じであること、
   前記Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用領域範囲が前記モデル濾過情報とマッチしていること、
   前記Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用対象範囲が前記モデル対象情報とマッチしていること、
   前記Ｍ個の候補モデルのモデル使用範囲情報に含まれる使用時間範囲が前記モデル報告情報とマッチしていること、
   前記Ｍ個の候補モデルのモデル性能情報が、前記モデル性能要件情報によって指示される性能を満たしていること
   のうちの少なくとも１つを含む、請求項６に記載のモデル選択方法。
9. 前記Ｋ個のモデルは、前記第１の分析識別子に対応するデータ分析タスクに適用される複数の候補モデルを含み、又は、前記Ｋ個のモデルは、前記第１の分析識別子に対応するデータ分析タスクによりトレーニングを複数回行って得られた複数のモデルを含む、請求項１に記載のモデル選択方法。
10. 前記Ｋ個のモデルが、前記第１の分析識別子に対応するデータ分析タスクによりトレーニングを複数回行って得られた複数のモデルを含む場合、
    前記第１のネットワーク要素が第４のネットワーク要素へ送信した第１のモデルの性能が第２の既定性能より低い場合、前記第１のネットワーク要素が、前記第１のモデルの使用範囲情報により、前記第１のモデルに対して再トレーニングを行うか、又はモデルの再選択を行うことによって、前記Ｋ個のモデルのうちのモデルである第２のモデルを得るステップと、
    前記第１のネットワーク要素が前記第４のネットワーク要素又は第５のネットワーク要素へ前記第２のモデルのモデル情報を送信するステップと、
    をさらに含む、請求項９に記載のモデル選択方法。
11. 前記第１のネットワーク要素が前記第４のネットワーク要素又は前記第５のネットワーク要素へ前記第２のモデルの使用範囲情報を送信するステップをさらに含み、
    前記第２のモデルの使用範囲情報によって指示される使用範囲は、前記第１のモデルの使用範囲情報によって指示される使用範囲と同じであり、又は、前記第２のモデルの使用
    範囲情報によって指示される使用範囲は、前記第１のモデルの使用範囲情報によって指示される使用範囲により決定される、
    請求項１０に記載のモデル選択方法。
12. 前記第１のネットワーク要素が前記第１のモデルのモデル性能情報を計算するステップと、
    前記第１のネットワーク要素が前記第４のネットワーク要素から前記第１のモデルのモデル性能情報を受信するステップと、
    前記第１のネットワーク要素がデータ分析消費者から前記第１のモデルのモデル性能情報を受信するステップと、のうちのいずれか１つをさらに含み、
    前記第１のモデルのモデル性能情報は、前記第１のモデルの性能を指示するために使用される、
    請求項１０に記載のモデル選択方法。
13. 第１のネットワーク要素がＮ個の候補モデルのモデル情報を記録する前記ステップの後、
    前記第１のネットワーク要素が前記Ｎ個の候補モデルのモデル情報を第６のネットワーク要素に記憶するステップをさらに含み、
    前記第１のネットワーク要素が前記第２のネットワーク要素へ前記Ｍ個の候補モデルのうちのＰ個の候補モデルのモデル情報を送信する前記ステップは、
    前記第１のネットワーク要素が前記第２のネットワーク要素へ第１の情報を送信するステップであって、前記第１の情報は、前記Ｐ個の候補モデルのモデル情報が前記第６のネットワーク要素に記憶されていることを指示するために使用されるステップを含み、
    前記第１の情報は、前記第６のネットワーク要素の識別子情報、完全修飾ドメイン名ＦＱＤＮ、アドレス情報のうちの少なくとも１つを含み、
    前記第６のネットワーク要素は、分析データストレージ機能ＡＤＲＦ又は統合データリポジトリＵＤＲを含む、
    請求項１に記載のモデル選択方法。
14. 前記第１のネットワーク要素は、モデルトレーニング論理機能ＭＴＬＦ又は分析データストレージ機能ＡＤＲＦを含み、
    前記第２のネットワーク要素は、分析論理機能ＡｎＬＦ又はＭＴＬＦを含む、
    請求項１に記載のモデル選択方法。
15. プロセッサとメモリとを含み、前記メモリには、前記プロセッサで実行可能なプログラム又はコマンドが記憶され、前記プログラム又はコマンドが前記プロセッサによって実行されると、請求項１～請求項１４のいずれか１項に記載のモデル選択方法のステップが実現される、ネットワーク側デバイス。
16. プロセッサによって実行されると、請求項１～請求項１４のいずれか１項に記載のモデル選択方法のステップが実現されるプログラム又はコマンドが記憶されている、可読記憶媒体。