Aplicar la IA generativa para revolucionar las operaciones de las redes de telecomunicaciones

La IA generativa está dando forma al futuro de las operaciones de las redes de telecomunicaciones. Las posibles aplicaciones para mejorar las operaciones de red incluyen la predicción de los valores de los indicadores clave de rendimiento (KPI), la previsión de la congestión del tráfico, la habilitación del paso a la analítica prescriptiva, la prestación de servicios de asesoramiento en materia de diseño y la actuación como asistentes del centro de operaciones de red (NOC).

Además de estas capacidades, la IA generativa puede revolucionar las pruebas de conducción, optimizar la asignación de recursos de red, automatizar la detección de fallos, optimizar los recorridos de los camiones y mejorar la experiencia del cliente a través de servicios personalizados. Los operadores y proveedores ya están identificando y capitalizando estas oportunidades.

No obstante, siguen existiendo retos en cuanto a la rapidez de implementación de los casos de uso respaldados por la IA generativa, así como en evitar implementaciones aisladas que impiden una ampliación integral y dificultan la optimización del retorno de la inversión.

En un blog anterior, presentamos el modelo de tres capas para operaciones de red eficientes. Los principales retos en el contexto de la aplicación de la IA generativa en estas capas son:

• Capa de datos: las iniciativas de IA generativa son, en esencia, proyectos de datos, y una de sus principales complejidades es la comprensión inadecuada de los datos. En las telecomunicaciones, los datos de red suelen ser específicos del proveedor, lo que dificulta su comprensión y consumo eficiente. También está disperso en múltiples herramientas del sistema de soporte operativo (OSS), lo que complica los esfuerzos para obtener una visión unificada de la red.
• Capa de análisis: los modelos fundacionales tienen diferentes capacidades y aplicaciones para diferentes casos de uso. El modelo fundacional perfecto no existe porque un único modelo no puede abordar de manera uniforme casos de uso idénticos en diferentes operadores. Esta complejidad surge de los diversos requisitos y desafíos únicos que presenta cada red, incluidas las variaciones en la arquitectura de red, las prioridades operativas y los panoramas de datos. Esta capa alberga una variedad de análisis, incluidos modelos tradicionales de IA y machine learning, grandes modelos de lenguaje y modelos fundacionales altamente personalizados adaptados al operador.
• Capa de automatización: los modelos fundacionales destacan en tareas como el resumen, la regresión y la clasificación, pero no son soluciones independientes para la optimización. Aunque los modelos fundacionales pueden sugerir varias estrategias para abordar de forma proactiva los problemas previstos, no pueden identificar la mejor estrategia. Para evaluar la corrección y el impacto de cada estrategia y recomendar la óptima, necesitamos marcos de simulación avanzados. Los modelos fundacionales pueden apoyar este proceso, pero no pueden reemplazarlo.

En lugar de proporcionar una lista exhaustiva de casos de uso o detalles específicos del marco, destacaremos los principios y estrategias clave. Estos se centran en integrar eficazmente la IA generativa en las operaciones de la red de telecomunicaciones en las tres capas, como se ilustra en la Figura 1.

Nuestro objetivo es enfatizar la importancia de una sólida gestión de datos, análisis personalizados y técnicas avanzadas de automatización que colectivamente mejoran las operaciones, el rendimiento y la fiabilidad de la red.

1. Capa de datos: optimización de los datos de la red de telecomunicaciones mediante IA generativa

Comprender los datos de la red es el punto de partida para cualquier solución de IA generativa en telecomunicaciones. Sin embargo, cada proveedor en el entorno de las telecomunicaciones tiene contadores únicos, con nombres y rangos de valores específicos, lo que dificulta la comprensión de los datos. Además, el panorama de las telecomunicaciones suele contar con múltiples proveedores, lo que aumenta la complejidad. Adquirir experiencia en estos detalles específicos del proveedor requiere conocimientos especializados, que no siempre están disponibles. Sin una comprensión clara de los datos que poseen, las empresas de telecomunicaciones no pueden construir e implementar eficazmente casos de uso de IA generativa.

Hemos visto que las arquitecturas basadas en la generación aumentada por recuperación (RAG) pueden ser muy eficaces para abordar este desafío. Basándonos en nuestra experiencia en proyectos de prueba de concepto (PoC) con clientes, estas son las mejores formas de aprovechar la IA generativa en la capa de datos:

• Comprender los datos de los proveedores: la IA generativa puede procesar una extensa documentación de los proveedores para extraer información crítica sobre parámetros individuales. Los ingenieros pueden interactuar con la IA mediante consultas en lenguaje natural, recibiendo respuestas instantáneas y precisas. Esto elimina la necesidad de examinar manualmente la compleja y voluminosa documentación de los proveedores, lo que ahorra mucho tiempo y esfuerzo.
• Creación de gráficos de conocimiento: la IA generativa puede crear automáticamente gráficos de conocimiento completos al comprender los intrincados modelos de datos de diferentes proveedores. Estos gráficos de conocimiento representan entidades de datos y sus relaciones, proporcionando una visión estructurada e interconectada del ecosistema de proveedores. Esto ayuda a una mejor integración y utilización de datos en las capas superiores.
• Traducción de modelos de datos: con un conocimiento profundo de los modelos de datos de diferentes proveedores, la IA generativa puede traducir datos del modelo de un proveedor a otro. Esta capacidad es crucial para las empresas de telecomunicaciones que necesitan armonizar los datos de diversos sistemas y proveedores, garantizando la coherencia y la compatibilidad.

Automatizar la comprensión de los datos específicos del proveedor, generar metadatos, construir gráficos de conocimiento detallados y facilitar la traducción fluida del modelo de datos son procesos clave. Juntos, estos procesos, respaldados por una capa de datos con arquitectura basada en RAG, permiten a las empresas de telecomunicaciones aprovechar todo el potencial de sus datos.

2. Capa de análisis: aprovechamiento de diversos modelos para conocimiento de red

En un nivel alto, podemos dividir los casos de uso de las analytics en dos categorías: casos de uso que giran en torno a la comprensión del estado pasado y actual de la red y casos de uso que predicen el estado futuro de la red.

Para la primera categoría, que implica correlaciones de datos avanzadas y la creación de conocimiento sobre el estado pasado y actual de la red, los operadores pueden aprovechar modelos de lenguaje de gran tamaño (LLM) como Granite, Llama, GPT, Mistral y otros. Aunque el entrenamiento de estos LLM no incluyó específicamente datos de operadores estructurados, podemos utilizarlos eficazmente en combinación con indicaciones multi-shot. Este enfoque ayuda a aportar conocimientos y contexto adicionales a la interpretación de los datos del operador.

Para la segunda categoría, que se centra en predecir el estado futuro de la red, como anticipar fallos de red y prever cargas de tráfico, los operadores no pueden confiar en LLM genéricos. Esto se debe a que estos modelos carecen del entrenamiento necesario para trabajar con datos estructurados y semiestructurados específicos de la red. En su lugar, los operadores necesitan modelos fundacionales adaptados específicamente a sus datos únicos y características operativas. Para prever con precisión el comportamiento futuro de la red, debemos entrenar estos modelos en los patrones y tendencias específicos exclusivos del operador, como datos de rendimiento históricos, informes de incidentes y cambios de configuración.

Para implementar modelos fundacionales especializados, los operadores de red deben colaborar estrechamente con los proveedores de tecnología de IA. Es esencial establecer un bucle de feedback continuo, en el que se monitorice regularmente el rendimiento del modelo y se utilicen los datos para mejorar el modelo de forma iterativa con feedback. Además, los enfoques híbridos que combinan múltiples modelos, cada uno especializado en diferentes aspectos del análisis de redes, pueden mejorar el rendimiento y la fiabilidad generales. Por último, incorporar la experiencia humana para validar y afinar las salidas del modelo puede mejorar aún más la precisión y generar confianza en el sistema.

3. Capa de automatización: integración de IA generativa y simulaciones de red para soluciones óptimas 

Esta capa es responsable de determinar y aplicar acciones óptimas basadas en conocimiento de la capa de análisis, como predicciones futuras del estado de la red, así como instrucciones de red de operaciones o intenciones del equipo de operaciones.

Existe la idea errónea de que la IA generativa gestiona las tareas de optimización y puede determinar la respuesta óptima a los estados de red previstos. Sin embargo, para los casos de uso de determinación de acciones óptimas, la capa de automatización debe integrar herramientas de simulación de red. Esta integración permite simulaciones detalladas de todas las posibles acciones de optimización utilizando un gemelo de red digital (una réplica virtual de la red). Estas simulaciones crean un entorno controlado para probar diferentes escenarios sin afectar a la red activa.

Al aprovechar estas simulaciones, los operadores pueden comparar y analizar los resultados para identificar las acciones que mejor cumplen los objetivos de optimización. Cabe destacar que las simulaciones suelen aprovechar modelos fundacionales de la capa de análisis, como los modelos de lenguaje enmascarado. Estos modelos permiten manipular parámetros y evaluar su impacto en parámetros enmascarados específicos dentro del contexto de la red.

La capa de automatización aprovecha otro conjunto de casos de uso para la IA generativa, a saber, la generación automatizada de scripts para la ejecución de acciones. Estas acciones, desencadenadas por conocimientos de red o intenciones proporcionadas por humanos, requieren scripts personalizados para actualizar los elementos de red en consecuencia. Tradicionalmente, este proceso ha sido manual dentro de las empresas de telecomunicaciones, pero con los avances en la IA generativa, existe potencial para la generación automática de scripts. Las arquitecturas con LLM genéricos aumentados con generación aumentada por recuperación (RAG) muestran un buen rendimiento en este contexto, siempre que los operadores garanticen el acceso a la documentación del proveedor y a los métodos de procedimiento (MOP) adecuados.

La IA generativa desempeña un papel importante en las futuras operaciones de telecomunicaciones, desde la predicción de los KPI hasta la respuesta a los conocimientos de la red y las intenciones de los usuarios. Sin embargo, es crucial abordar desafíos como la comprensión eficiente de los datos, el análisis predictivo especializado y la optimización automatizada de la red. IBM tiene experiencia práctica en cada una de estas áreas y ofrece soluciones para la integración eficiente de datos, modelos fundacionales especializados y herramientas automatizadas de optimización de redes.

¿Le interesa implementar casos de uso de IA generativa en su red? Tráiganos su caso de uso y permítanos desbloquear todo su potencial. Póngase en contacto con nosotros.