电信行业数据管理未来状态参考架构
背景
电信行业面临数据量激增和数据碎片化挑战，现有数据管理架构难以应对。独立网络领域元素、服务保证引擎等系统产生的数据孤岛阻碍了高度多代理操作。数据管理需实现战略性增强，设计原生预测领域碎片化的架构，强制无缝和安全的数据交换，并确保为多代理系统做好准备。
行业、技术和商业趋势
- 行业趋势：数据量持续增长，现有数据管理架构成本高，数据策划能力不足。
- 技术趋势：人工智能使用增加，需更高数据质量和数量，推动数据访问便利性。
- 商业趋势：企业加速自动化和自主网络投资，重视数据时效性、可用性和AI准备情况。
数据管理演变
现代数据管理系统需处理多来源数据，进行编目、去标识化和民主化，将原始数据集精炼为可处理的数据集。系统需与数据湖无缝集成，从单体架构转向分布式联合系统，覆盖多种用例，支持数据安全管理和高效治理。
目标业务目标
随着网络向5级自主性发展，数据管理未来状态架构需从批量存储转变为实时、丰富上下文的AI原生结构。关键挑战包括数据碎片化和联邦化、实时低延迟处理、上下文管理、治理合规和安全、可观察性及代理操作复杂性。
北极星愿景
数据管理的北极星愿景是开发一个演变的、AI准备好的数据管理套件，包含安全组件，支持数据统一、联合数据服务，以及与数据源的可扩展无缝集成。所有数据以均匀方式消耗，利用复合的、良好治理的和高效的数据管道为AI准备好的数据提供支持，支持语义建模。
数据统一与联邦
联合系统解决数据量增长问题，将计算资源部署到离数据更近的地方，优化处理时间。需共同框架支持健壮且无缝集成的数据孤岛创建与互通，实施用于数据管理和共享的共同规范。数据联合分解为统一的数据目录体验、跨岛屿的管道编排、安全的远程数据访问、智能数据移动和数据治理原则。
为AI提供数据准备
AI应用需可靠及时地访问可信数据，支持接近实时的决策制定、学习循环和安全自治。需语义和上下文上使能和管理输入，特征工程和特征存储需超越战术的AI或机器学习工具，演变为语义丰富的组件，与语义模型、本体和知识图紧密集成。
数据集成和数据管道效率
- 数据集成：传统僵化集成模型无法容纳AI驱动的实时和语义丰富的应用。现代架构将北向系统和南向系统视为持续学习的生态系统中的智能实体。需语义感知连接器、AI增强的可组合管道、语义互操作性、自主集成服务和边缘到云的集成。
- 数据管道效率：构建高效数据管道的第一步是可观测性，需在管道每个步骤中拥有遥测数据。集中式可观测性功能观察来自数据管道所有组件的遥测，并控制重新配置。
数据治理
有效的数据治理是基础能力，需综合方法覆盖数据摄取、存储、处理、共享和分析，确保政策、安全和隐私得到持续遵循。
数据安全
数据安全需与数据一起传播，被代理理解，并能实时适应环境。需与数据结构、语义模型、政策引擎和身份框架深度集成，确保自治和安全协同增长。分类和基于AI的访问控制与去标识化是确保数据安全的重要部分。
数据产品和价值
解决数据产品的创建和曝光，以及通信服务提供商在产品层面和数据产品容量层面的货币化机会。数据产品是有价值和可操作的数据集，需可追溯和可信，通过数据市场提供，并宣传其可用性。
参考架构
人工智能准备好的数据管理的未来状态参考架构主要由四个领域组成：数据源、数据摄取、数据精炼和治理，以及数据消费支持。
标准化活动
爱立信的目标是避免碎片化并促进行业对齐。参考架构基于3GPP、O-RAN和Apache项目标准，扩展和新特性将被提交给受影响的标准化机构。
结论
数据基础是人工智能、分析和自动化的关键促进因素，需多领域且具备适应性，以满足不同消费者的需求。建立数据基础是成功进行数字化转型的必要条件，人工智能将在其中扮演重要角色。
