Aplicação de IA generativa para revolucionar as operações de rede de telecomunicações

A IA generativa está moldando o futuro das operações das redes de telecomunicações. As possíveis aplicações para aprimorar as operações de rede incluem prever os valores dos principais indicadores de desempenho (KPIs), forecasting do congestionamento do tráfego, permitir a migrar para análises de dados prescritiva, fornecer serviços de consultoria de projeto e atuar como assistentes do centro de operações de rede (NOC).

Além desses recursos, a IA generativa pode revolucionar os testes de drive, otimizar a alocação de Recursos de rede, automatizar a detecção de falhas, otimizar os truck rolls e melhorar a experiência do cliente por meio de serviços personalizados. Operadores e fornecedores já estão identificando e aproveitando essas oportunidades.

No entanto, persistem desafios na velocidade da implementação de casos de uso viabilizados pela IA generativa, além de evitar implementações isoladas que impedem a expansão abrangente e dificultam a otimização do retorno sobre o investimento.

Em um blog anterior, apresentamos o modelo de três camadas para operações de rede eficientes. Os principais desafios no contexto da aplicação da IA generativa nessas camadas são:

• Camada de dados: iniciativas de IA generativa são projetos de dados em sua essência, com a compreensão inadequada de dados sendo uma das principais complexidades. Em telecomunicações, os dados de rede geralmente são específicos do fornecedor, o que dificulta a compreensão e o consumo eficiente. Também está espalhado por várias ferramentas do sistema de suporte operacional (OSS), complicando os esforços para obter uma visão unificada da rede.
• Camada de análise de dados: os modelos de base têm diferentes recursos e aplicações para diferentes casos de uso. O modelo de base perfeito não existe porque um único modelo não pode lidar uniformemente com casos de uso idênticos em diferentes operadores. Essa complexidade surge dos diversos requisitos e desafios únicos que cada rede apresenta, incluindo variações na arquitetura de rede, prioridades operacionais e cenários de dados. Essa camada hospeda uma variedade de análises de dados, incluindo modelos tradicionais de IA e aprendizado de máquina, grandes modelos de linguagem e modelos de base altamente personalizados, adaptados para o operador.
• Camada de automação: os modelos de base se destacam em tarefas como resumo, regressão e classificação, mas não são soluções independentes de otimização. Embora os modelos de base possam sugerir várias estratégias para lidar proativamente com os problemas previstos, eles não conseguem identificar a melhor estratégia. Para avaliar a exatidão e o impacto de cada estratégia e recomendar a melhor, precisamos de frameworks de simulação avançados. Os modelos de base podem apoiar esse processo, mas não podem substituí-lo.

Em vez de fornecer uma lista completa de casos de uso ou frameworks detalhados, destacaremos os princípios e estratégias fundamentais. Eles se concentram na integração efetiva da IA generativa às operações da rede de telecomunicações nas três camadas, conforme ilustrado na Figura 1.

Nosso objetivo é enfatizar a importância de um gerenciamento de dados robusto, análise de dados personalizada e técnicas avançadas de automação que, de maneira coletiva, aprimoram as operações, o desempenho e a confiabilidade da rede.

1. Camada de dados: otimização dos dados da rede de telecomunicações usando IA generativa

Compreender os dados da rede é o ponto de partida para qualquer solução de IA generativa em telecomunicações. No entanto, cada fornecedor no ambiente de telecomunicações possui contadores exclusivos, com nomes e intervalos de valores específicos, o que dificulta a compreensão dos dados. Além disso, o cenário de telecomunicações geralmente tem várias funcionalidades, aumentando a complexidade. Obter experiência nesses detalhes específicos do fornecedor requer conhecimento especializado, que nem sempre está prontamente disponível. Sem uma compreensão clara dos dados que possuem, as empresas de telecomunicações não podem criar e implementar casos de uso de IA generativa com eficácia.

Vimos que arquiteturas baseadas em geração aumentada de recuperação (RAG) podem ser altamente eficazes para enfrentar esse desafio. Com base em nossa experiência em projetos de prova de conceito (PoC) com clientes, aqui estão as melhores maneiras de aproveitar a IA generativa na camada de dados:

• Compreensão dos dados do fornecedor: a IA generativa pode processar uma extensa documentação do fornecedor para extrair informações críticas sobre parâmetros individuais. Os engenheiros podem interagir com a IA usando consultas de linguagem natural, recebendo respostas instantâneas e precisas. Isso elimina a necessidade de navegar manualmente por uma documentação complexa e volumosa do fornecedor, economizando tempo e esforço significativos.
• Criação de gráficos de conhecimento: a IA generativa pode criar automaticamente gráficos de conhecimento abrangentes ao compreender os intrincados modelos de dados de diferentes fornecedores. Esses gráficos de conhecimento representam entidades de dados e seus relacionamentos, fornecendo uma visão estruturada e interconectada do ecossistema do fornecedor. Isso ajuda a melhor integração e utilização de dados nas camadas superiores.
• Tradução de modelos de dados: com uma compreensão profunda dos modelos de dados de diferentes fornecedores, a IA generativa pode traduzir dados de um modelo de um fornecedor para outro. Esse recurso é crucial para empresas de telecomunicações que precisam harmonizar dados entre diversos sistemas e fornecedores, garantindo consistência e compatibilidade.

Automatizar a compreensão dos dados específicos do fornecedor, gerar metadados, construir gráficos de conhecimento detalhados e facilitar a tradução perfeita do modelo de dados são processos essenciais. Juntos, esses processos, apoiados por uma camada de dados com arquitetura baseada em RAG, permitem que as empresas de telecomunicações aproveitem todo o potencial de seus dados.

2. Camada de análise de dados: aproveitando diversos modelos para insights de rede

Em um nível elevado, podemos dividir os casos de uso da análise de dados em duas categorias: casos de uso que giram em torno da compreensão do estado passado e atual da rede e casos de uso que preveem o estado futuro da rede.

Na primeira categoria, que envolve correlações de dados avançadas e criação de insights sobre o estado passado e atual da rede, os operadores podem aproveitar grandes modelos de linguagem (LLMs), como Granite, Llama, GPT, Mistral e outros. Embora o treinamento desses LLMs não tenha incluído dados estruturados de operador, podemos usá-los efetivamente em combinação com prompts multi-shot. Essa abordagem ajuda a trazer conhecimento e contexto adicionais para a interpretação de dados dos operadores.

Para a segunda categoria, que se concentra em prever o estado futuro da rede, como antecipar falhas de rede e realizar forecasting de cargas de tráfego, as operadoras não podem confiar em LLMs genéricos. Isso ocorre porque esses modelos não têm o treinamento necessário para trabalhar com dados estruturados e semiestruturados específicos da rede. Em vez disso, os operadores precisam de modelos de base especificamente adaptados aos seus dados exclusivos e características operacionais. Para prever com precisão o comportamento futuro da rede, devemos treinar esses modelos nos padrões específicos e tendências exclusivos do operador, como dados de desempenho, relatórios de incidentes e mudanças de configuração.

Para implementar modelos de base especializados, as operadoras de rede devem colaborar estreitamente com os provedores de tecnologia de IA. Estabelecer um ciclo de feedback contínuo é essencial, no qual você monitora regularmente o desempenho do modelo e usa os dados para melhorar o modelo de forma iterativa. Além disso, abordagens híbridas que combinam vários modelos, cada um especializado em diferentes aspectos da análise de dados da rede, podem melhorar o desempenho geral e a confiabilidade. Por fim, incorporar o conhecimento humano para validar e realizar o ajuste fino das saídas do modelo pode melhorar ainda mais a precisão e gerar confiança no sistema.

3. Camada de automação: integração de IA generativa e simulações de rede para soluções ideais 

Essa camada é responsável por determinar e aplicar ações ideais com base em insights da camada de análise de dados, como previsões de estado futuro da rede, bem como instruções operacionais de rede ou intenções da equipe de operações.

Há um equívoco comum de que a IA generativa lida com tarefas de otimização e pode determinar a resposta ideal para os estados de rede previstos. No entanto, para casos de uso de determinação de ação ideal, a camada de automação deve integrar ferramentas de simulação de rede. Essa integração permite simulações detalhadas de todas as possíveis ações de otimização usando um gêmeo de rede digital (uma réplica virtual da rede). Essas simulações criam um ambiente controlado para testar diferentes cenários sem afetar a rede em operação.

Ao aproveitar essas simulações, os operadores podem comparar e analisar os resultados para identificar as ações que melhor atendem aos objetivos de otimização. Vale destacar que as simulações geralmente aproveitam modelos de base especializados da camada de análise de dados, como modelos de linguagem mascarada. Esses modelos permitem manipular parâmetros e avaliar seu impacto em parâmetros mascarados específicos no contexto da rede.

A camada de automação aproveita outro conjunto de casos de uso da IA generativa: a geração automatizada de scripts para execução de ações. Essas ações, acionadas por insights da rede ou intenções fornecidas por humanos, exigem scripts personalizados para atualizar os elementos de rede adequadamente. Tradicionalmente, esse processo tem sido manual dentro das empresas de telecomunicações, mas com os avanços na IA generativa, há potencial para a geração automática de scripts. Arquiteturas com LLMs genéricos ampliados com geração aumentada de recuperação (RAG) apresentam desempenho bom nesse contexto, desde que os operadores garantam o acesso à documentação do fornecedor e a métodos de procedimento (MOP) adequados.

A IA generativa desempenha um papel significativo nas futuras operações de telecomunicações, desde a previsão de KPIs até a resposta a insights de rede e intenções de usuário. No entanto, é crucial lidar com desafios como a compreensão eficiente de dados, a análise preditiva de dados e a otimização de rede automatizada. A IBM tem experiência prática em cada uma dessas áreas, oferecendo soluções para integração eficiente de dados, modelos de base especializados e ferramentas automatizadas de otimização de rede.

Tem interesse em implementar casos de uso de IA generativa na sua rede? Traga seu caso de uso para nós liberarmos todo o potencial dele. Entre em contato conosco