Appliquer l’IA générative pour révolutionner les opérations des réseaux télécoms

L’IA générative façonne l’avenir des opérations des réseaux de télécommunications. Les applications potentielles visant à améliorer les opérations réseau comprennent la prévision des valeurs des indicateurs clés de performance (KPI), la prévision de la congestion du trafic, le passage à l’analyse prescriptive, la fourniture de services de conseil en conception et l’assistance aux centres d’exploitation réseau (NOC).

En plus de ces capacités, l’IA générative peut révolutionner les tests sur route, optimiser l’allocation des ressources réseau, automatiser la détection des pannes, optimiser les déplacements des camions et améliorer l’expérience client grâce à des services personnalisés. Les opérateurs et les fournisseurs identifient déjà ces opportunités et en tirent parti.

Néanmoins, des défis persistent en ce qui concerne la rapidité de mise en œuvre des cas d’utilisation soutenus par l’IA générative, ainsi que la nécessité d’éviter les mises en œuvre cloisonnées qui entravent la mise à l’échelle globale et nuisent à l’optimisation du retour sur investissement.

Dans un article de blog précédent, nous avons présenté le modèle à trois couches pour des opérations réseau efficaces. Les principaux défis liés à l’application de l’IA générative sur ces couches sont les suivants :

• Couche de données : les initiatives d’IA générative sont essentiellement des projets de données, dont l’une des principales complexités réside dans la compréhension insuffisante des données. Dans le secteur des télécommunications, les données réseau sont souvent spécifiques à chaque fournisseur, ce qui les rend difficiles à comprendre et à exploiter efficacement. Elles sont également dispersées dans plusieurs outils de système de soutien opérationnel (OSS), ce qui complique les efforts visant à obtenir une vue unifiée du réseau.
• Couche analytique : les modèles de fondation offrent différentes capacités et applications pour différents cas d’utilisation. Le modèle de fondation parfait n’existe pas, car un seul modèle ne peut pas répondre de manière uniforme à des cas d’utilisation identiques pour différents opérateurs. Cette complexité résulte des exigences diverses et des défis uniques que chaque réseau présente, notamment les variations dans l’architecture du réseau, les priorités opérationnelles et les environnements. Cette couche héberge une variété d’analyses, notamment des modèles traditionnels d’IA et de machine learning, de grands modèles de langage et des modèles de fondation hautement personnalisés adaptés à l’opérateur.
• Couche d’automatisation : les modèles de fondation excellent dans des tâches telles que la synthèse, la régression et la classification, mais ils ne constituent pas des solutions autonomes pour l’optimisation. S’ils peuvent suggérer diverses stratégies en vue de traiter de manière proactive les problèmes prévus, ils ne peuvent toutefois pas identifier la meilleure stratégie absolue. Afin d’évaluer la pertinence et l’impact de chaque stratégie et de recommander la plus optimale, nous avons besoin de cadres de simulation avancés. Les modèles de fondation peuvent soutenir ce processus, mais ne peuvent le remplacer.

Au lieu de fournir une liste exhaustive de cas d’utilisation ou des informations détaillées sur le cadre des exigences, nous mettrons en évidence des principes clés et des stratégies. Celles-ci se concentrent sur l’intégration efficace de l’IA générative dans les opérations des réseaux de télécommunications à travers les trois couches, comme l’illustre la figure 1.

Nous souhaitons souligner l’importance d’une gestion robuste des données, d’analyses personnalisées et de techniques d’automatisation avancées qui, ensemble, améliorent les opérations, les performances et la fiabilité du réseau.

1. Couche de données : optimiser les données des réseaux de télécommunications à l’aide de l’IA générative

La compréhension des données réseau constitue le point de départ de toute solution d’IA générative dans le secteur des télécommunications. Cependant, chaque fournisseur de l’environnement dispose de compteurs uniques, avec des noms et des plages de valeurs spécifiques, ce qui rend la compréhension des données difficile. De plus, la multiplicité des fournisseurs complique encore davantage les choses. Acquérir une expertise dans ces informations spécifiques à chaque fournisseur nécessite des connaissances spécialisées, qui ne sont pas toujours facilement accessibles. Sans une compréhension claire des données dont elles disposent, les entreprises de télécommunications ne peuvent pas créer et déployer efficacement des cas d’utilisation de l’IA générative.

Nous avons vu que les architectures basées sur la génération augmentée de récupération peuvent être très efficaces pour relever ce défi. D’après notre expérience liée aux preuves de concept (PoC) avec les clients, voici les meilleurs moyens de tirer parti de l’IA générative dans la couche de données :

• Comprendre les données des fournisseurs : l’IA générative peut traiter une documentation complète sur les fournisseurs pour extraire des informations critiques sur les paramètres individuels. Les ingénieurs peuvent interagir avec l’IA en utilisant des requêtes en langage naturel et recevoir des réponses instantanées et précises. Cela élimine le besoin de parcourir manuellement la documentation des fournisseurs, souvent complexe et volumineuse, ce qui permet d’économiser beaucoup de temps et d’efforts.
• Créer des graphes de connaissances : l’IA générative peut créer automatiquement des graphes de connaissances complets en comprenant les modèles de données complexes des différents fournisseurs. Ces graphes de connaissances représentent les entités de données et leurs relations, offrant une vue structurée et interconnectée de l’écosystème des fournisseurs. Cela contribue à une meilleure intégration et utilisation des données dans les couches supérieures.
• Traduire les modèles de données : grâce à une compréhension approfondie des modèles de données des différents fournisseurs, l’IA générative peut traduire les données d’un modèle de fournisseur à un autre. Cette capacité est cruciale pour les entreprises de télécommunications qui doivent harmoniser les données entre divers systèmes et fournisseurs, afin de garantir la cohérence et la compatibilité.

Automatiser la compréhension des données spécifiques aux fournisseurs, générer des métadonnées, élaborer des graphes de connaissances détaillés et faciliter la traduction transparente des modèles de données sont autant de processus essentiels. Ensemble et soutenus par une couche de données avec une architecture basée sur la RAG, ils permettent aux entreprises de télécommunications d’exploiter tout le potentiel de leurs données.

2. Couche d’analytique : exploiter divers modèles pour obtenir des informations sur le réseau

De manière générale, on peut diviser les cas d’utilisation de l’analyse de réseau en deux catégories : ceux qui tournent autour de la compréhension de l’état passé et actuel du réseau et ceux qui prédisent l’état futur du réseau.

Pour la première catégorie, qui implique des corrélations de données avancées et la création d’informations sur l’état passé et actuel du réseau, les opérateurs peuvent exploiter des grands modèles de langage (LLM) tels que Granite, Llama, GPT, Mistral et autres. Bien que l’entraînement de ces LLM ne fasse pas particulièrement appel à des données structurées provenant des opérateurs, nous pouvons les utiliser efficacement en combinaison avec des prompts multi-shot. Cette approche permet d’apporter des connaissances et un contexte supplémentaires à l’interprétation des données des opérateurs.

Pour la deuxième catégorie, qui se concentre sur la prévision de l’état futur du réseau, comme l’anticipation des pannes réseau et la prévision des charges de trafic, les opérateurs ne peuvent pas s’appuyer sur des LLM génériques. En effet, ces modèles ne disposent pas de l’entraînement nécessaire pour traiter des données structurées et semi-structurées spécifiques au réseau. Les opérateurs ont plutôt besoin de modèles de fondation spécialement adaptés à leurs données et à leurs caractéristiques opérationnelles uniques. Afin de prévoir avec précision le comportement futur du réseau, nous devons entraîner ces modèles sur les schémas et les tendances spécifiques à l’opérateur, tels que les données historiques de performance, les rapports d’incidents et les changements de configuration.

En vue de mettre en œuvre des modèles de fondation spécialisés, les opérateurs de réseau doivent collaborer étroitement avec les fournisseurs de technologies d’IA. Il est essentiel d’établir une boucle de rétroaction continue, dans laquelle vous surveillez régulièrement les performances des modèles et utilisez les données pour les améliorer de manière itérative. En outre, les approches hybrides qui combinent plusieurs modèles, chacun spécialisé dans différents aspects de l’analyse de réseau, peuvent améliorer les performances et la fiabilité globales. Enfin, l’intégration de l’expertise humaine pour valider et affiner les résultats des modèles peut encore améliorer la précision et renforcer la confiance dans le système.

3. Couche d’automatisation : intégrer l’IA générative et les simulations de réseau pour des solutions optimales 

Cette couche est chargée de déterminer et d’appliquer les actions optimales sur la base des informations fournies par la couche d’analyse, telles que les prévisions de l’état futur du réseau, ainsi que les instructions opérationnelles ou les intentions de l’équipe opérationnelle.

Il existe une idée fausse courante selon laquelle l’IA générative gère les tâches d’optimisation et peut déterminer la réponse optimale aux états prévus du réseau. Cependant, dans le cas de la détermination des actions optimales, la couche d’automatisation doit intégrer des outils de simulation de réseau. Cette intégration permet des simulations détaillées de toutes les actions d’optimisation potentielles à l’aide d’un jumeau numérique du réseau (une réplique virtuelle du réseau). Ces simulations créent un environnement contrôlé pour tester différents scénarios sans affecter le réseau en direct.

En tirant parti de ces simulations, les opérateurs peuvent comparer et analyser les résultats pour identifier les actions qui répondent le mieux aux objectifs d’optimisation. Il convient de souligner que les simulations tirent souvent parti de modèles de fondation issus de l’analytique, comme les modèles de langage masqué. Ces modèles permettent de manipuler les paramètres et d’évaluer leur impact sur des paramètres masqués spécifiques dans le contexte du réseau.

La couche d’automatisation exploite un autre ensemble de cas d’utilisation de l’IA générative, à savoir la génération automatisée de scripts pour l’exécution d’actions. Ces actions, déclenchées par des informations sur le réseau ou des intentions fournies par des humains, nécessitent des scripts sur mesure afin de mettre à jour les éléments du réseau en conséquence. Traditionnellement, ce processus était manuel dans les entreprises de télécommunications, mais grâce aux progrès de l’IA générative, il est désormais possible de générer automatiquement des scripts. Les architectures dotées de LLM génériques et augmentées par la RAG affichent de bonnes performances dans ce contexte, à condition que les opérateurs garantissent l’accès à la documentation des fournisseurs et à des méthodes de procédure appropriées.

L’IA générative joue un rôle important dans les futures opérations de télécommunications, qu’il s’agisse de prédire les KPI ou de répondre aux informations du réseau et aux intentions des utilisateurs. Cependant, il est crucial de relever des défis tels que la compréhension efficace des données, l’analyse prédictive spécialisée et l’optimisation automatisée du réseau. IBM possède une expérience pratique dans chacun de ces domaines et propose des solutions pour une intégration efficace des données, des modèles de fondation spécialisés et des outils automatisés d’optimisation des réseaux.

Vous souhaitez mettre en œuvre des cas d’utilisation de l’IA générative dans votre réseau ? Présentez-nous votre cas d’utilisation et laissez-nous en exploiter tout le potentiel. Contactez-nous.