运用生成式 AI 革新电信网络运营模式
生成式 AI 正在塑造电信网络运营的未来。用于提升网络运营的潜在应用包括：预测关键绩效指标 (KPI) 的数值、预测流量拥堵、推动向规范性分析的转变、提供设计咨询服务，以及充当网络运营中心 (NOC) 助手。
除了这些功能外，生成式 AI 还能革新驱动测试、优化网络资源分配、自动化故障检测、优化外勤派工，并通过个性化服务提升客户体验。运营商和供应商已经在识别并利用这些机会。
然而，在实施生成式 AI 支持的用例时仍然存在挑战，包括实施速度，以及如何避免各自为政的孤立部署，这些都会阻碍全面扩展并影响投资回报的优化。
在之前的博客中，我们介绍了高效网络运营的三层模型。在这些层面应用生成式 AI 的主要挑战包括：
- 数据层：生成式 AI 项目本质上是数据项目，而数据理解不足是其中的主要复杂性之一。在电信领域，网络数据通常具有供应商特性，这使其难以理解和高效使用。此外，这些数据分散在多个运营支持系统 (OSS) 工具中，增加了获取网络统一视图的难度。
- 分析层：基础模型针对不同的用例具有不同的功能和应用程序。完美的基础模型并不存在，因为单一模型无法在不同运营商间统一应对相同的用例。这种复杂性源于每个网络所呈现的多样化需求和独特挑战，包括网络架构、运营优先级和数据环境的差异。该层包含各种分析功能，包括传统的 AI 和机器学习模型、大语言模型以及为运营商量身定制的高度定制基础模型。
- 自动化层：基础模型在摘要、回归和分类等任务中表现出色，但它们并非可独立用于优化的完整解决方案。尽管基础模型可以提出多种策略以主动应对预测问题，但它们无法识别出绝对最佳的策略。要评估每种策略的正确性和影响，并推荐最优策略，我们需要先进的模拟框架。基础模型可以支持这一过程，但无法取代它。
我们将重点介绍关键原则和策略，而不是提供详尽的用例列表或详细的框架。这些重点在于如何在三层中有效地将生成式 AI 融入电信网络运营，如图 1 所示。
我们的目标是强调强大数据管理、定制化分析和先进自动化技术的重要性，这些要素共同提升网络运营、性能和可靠性。
1. 数据层：使用生成式 AI 优化电信网络数据
理解网络数据是电信领域任何生成式 AI 解决方案的起点。然而，电信环境中的每个供应商都有独特的计数器，具有特定的名称和值范围，这使得数据难以理解。此外，电信环境通常涉及多个供应商，进一步增加了复杂性。掌握这些供应商特定的细节需要专业知识，而这种知识并不总是容易获得。如果不了解自身所拥有的数据，电信公司就无法有效地构建和部署生成式 AI 用例。
我们已经看到，基于检索增强生成 (RAG) 的架构在应对这一挑战方面非常有效。根据我们在与客户进行概念验证 (PoC) 项目中的经验，以下是在数据层中利用生成式 AI 的最佳方法：
- 了解供应商数据：生成式 AI 可以处理大量供应商文档，以提取有关单个参数的关键信息。工程师可以使用自然语言查询与 AI 进行交互，从而获得即时、精确的响应。这样就无需手动浏览复杂繁多的供应商文档，从而节省了大量的时间和精力。
- 构建知识图谱：生成式 AI 可以通过理解不同供应商复杂的数据模型，自动构建全面的知识图谱。这些知识图谱表示数据实体及其关系，提供了供应商生态系统的结构化和相互关联的视图。这有助于在上层实现更好的数据整合和利用。
- 数据模型转换：通过深入理解不同供应商的数据模型，生成式 AI 可以将数据从一个供应商的模型转换到另一个模型。这一能力对于需要在不同系统和供应商间统一数据的电信公司至关重要，可确保数据的一致性和兼容性。
自动化理解供应商特定数据、生成元数据、构建详细知识图谱以及实现数据模型无缝转换，是关键流程。这些流程在基于 RAG 架构的数据层支持下，能够使电信公司充分发挥其数据的潜力。
2. 分析层：利用多种模型获取网络洞察分析
从宏观层面来看，我们可以将网络分析的用例分为两类：使用案例围绕 理解过去和当前网络状态，以及使用案例 预测未来网络状态。
对于第一类用例，即涉及高级数据关联并生成关于过去和当前网络状态的洞察，运营商可以利用大语言模型 (LLM)，如 Granite、Llama、GPT、Mistral 等。尽管这些大语言模型 (LLM) 的训练并未特别包含结构化的运营商数据，但我们可以通过结合多次提示有效地使用它们。这种方法有助于为运营商数据的解读引入额外的知识和上下文。
对于第二类用例，即侧重于预测未来网络状态（如预测网络故障和流量负载），运营商无法依赖通用大语言模型 (LLM）。这是因为这些模型缺乏处理网络特定结构化和半结构化数据所需的训练。相反，运营商需要针对其独特的数据和运营特性专门定制的基础模型。为了准确预测未来网络行为，我们必须针对运营商特有的模式和趋势对这些模型进行训练，例如历史性能数据、事件报告和配置变更。
为实施专门的基础模型，网络运营商应与 AI 技术提供商密切合作。建立持续的反馈循环至关重要，要在其中定期监控模型性能，并使用数据来迭代改进模型。此外，将多个模型结合的混合方法（每个模型专注于网络分析的不同方面）可以提升整体性能和可靠性。最后，引入人类专业知识来验证和微调模型的输出，可以进一步提高准确性，并建立对系统的信任。
3. 自动化层：集成生成式 AI 和网络模拟，以获得最佳解决方案
这一层负责根据分析层的洞察（例如未来网络状态预测）以及运营团队提供的网络操作指令或意图，确定并执行最优操作。
人们常有一个误解，认为生成式 AI 可以处理优化任务，并能够针对预测的网络状态确定最优响应。然而，对于最优操作决策的用例，自动化层必须集成网络仿真工具。这种整合使得能够利用数字网络孪生体（网络的虚拟副本）对所有潜在的优化操作进行详细模拟。这些模拟在受控环境中测试不同场景，而不会影响实际运行的网络。
通过利用这些模拟，运营商可以比较和分析结果，从而识别最符合优化目标的操作。值得强调的是，这些模拟通常会利用来自分析层的专用基础模型，例如掩码语言模型。这些模型允许操控参数并评估其在网络情境中对特定掩码参数的影响。
自动化层利用生成式 AI 的另一类用例，即用于执行操作的脚本自动生成。这些操作由网络洞察或人工提供的意图触发，需要定制化脚本以相应更新网络元素。传统上，这一过程在电信公司中是手动完成的，但随着生成式 AI 的进步，自动生成脚本成为可能。在这种情况下，具有通用 LLM 和检索增强生成 (RAG) 的架构表现出良好的性能，前提是运营商能够确保访问供应商文档和合适的程序方法 (MOP)。
从预测关键绩效指标到响应网络洞察和用户意图，生成式 AI 将在未来的电信运营中发挥重要作用。然而，解决高效数据理解、专用预测分析和自动化网络优化等挑战至关重要。IBM 在这些领域均拥有实践经验，提供高效数据集成、专用基础模型以及自动化网络优化工具的解决方案。
有兴趣在您的网络中实施生成式 AI 用例？将您的用例交给我们，让我们帮您释放其全部潜力。欢迎与我们联系。