Menerapkan AI generatif untuk berinovasi dalam operasi jaringan telekomunikasi

AI generatif membentuk masa depan operasi jaringan telekomunikasi. Aplikasi potensial untuk meningkatkan operasi jaringan termasuk memprediksi nilai indikator kinerja utama (KPI), meramalkan kemacetan lalu lintas, memungkinkan pergeseran ke analitik preskriptif, menyediakan layanan konsultasi desain, dan bertindak sebagai asisten pusat operasi jaringan (NOC).

Selain kemampuan ini, AI generatif dapat merevolusi tes mengemudi, mengoptimalkan alokasi sumber daya jaringan, mengotomatiskan deteksi kesalahan, mengoptimalkan pengiriman teknisi ke lapangan, dan meningkatkan pengalaman pelanggan melalui layanan yang dipersonalisasi. Operator dan pemasok sudah mengidentifikasi dan memanfaatkan peluang ini.

Namun demikian, tantangan tetap ada dalam kecepatan penerapan contoh penggunaan yang didukung AI generatif, serta menghindari implementasi terbagi-bagi, yang menghambat penskalaan komprehensif dan menghambat optimalisasi laba atas investasi.

Di blog sebelumnya, kami menyajikan model tiga lapis untuk operasi jaringan yang efisien. Tantangan utama dalam konteks penerapan AI generatif di lapisan ini adalah:

• Lapisan data: Proyek data merupakan inti dari inisiatif AI generatif, dengan pemahaman data yang tidak memadai menjadi salah satu kompleksitas utama. Dalam telekomunikasi, data jaringan sering bersifat khusus vendor, membuatnya sulit untuk dipahami dan dikonsumsi secara efisien. Hal ini juga tersebar di berbagai alat sistem pendukung operasional (OSS), sehingga menyulitkan upaya untuk mendapatkan gambaran terpadu tentang jaringan.
• Lapisan analitik: Model dasar memiliki kemampuan dan aplikasi yang berbeda untuk contoh penggunaan yang berbeda. Tidak ada model dasar yang sempurna, karena satu model tidak dapat menangani secara seragam contoh penggunaan yang identik di operator yang berbeda. Kompleksitas ini muncul dari beragamnya kebutuhan dan tantangan unik yang dihadirkan oleh setiap jaringan, termasuk variasi arsitektur jaringan, prioritas operasional, dan lingkungan data. Lapisan ini menampung berbagai analitik, termasuk AI dan model machine learning, model bahasa besar, dan model dasar yang disesuaikan untuk operator.
• Lapisan otomatisasi: Model dasar unggul dalam berbagai tugas seperti ringkasan, regresi, dan klasifikasi, tetapi mereka bukan solusi yang berdiri sendiri untuk pengoptimalan. Meskipun model dasar dapat menyarankan berbagai strategi untuk secara proaktif mengatasi masalah yang diprediksi, mereka tidak dapat mengidentifikasi strategi terbaik. Untuk mengevaluasi kebenaran dan dampak dari setiap strategi dan merekomendasikan strategi yang optimal, kita memerlukan kerangka kerja simulasi tingkat lanjut. Model dasar dapat mendukung proses ini tetapi tidak dapat menggantikannya.

Alih-alih menyediakan daftar lengkap contoh penggunaan atau kerangka kerja yang terperinci, kami akan menyoroti prinsip dan strategi utama. Semuanya berfokus pada pengintegrasian AI generatif secara efektif ke dalam operasi jaringan telekomunikasi di tiga lapisan, seperti yang diilustrasikan pada Gambar 1.

Kami bertujuan untuk menekankan pentingnya manajemen data yang kuat, analitik yang disesuaikan, dan teknik otomatisasi canggih yang secara kolektif meningkatkan operasi jaringan, kinerja, dan keandalan.

1. Lapisan data: mengoptimalkan data jaringan telekomunikasi menggunakan AI generatif

Memahami data jaringan adalah titik awal untuk setiap solusi AI generatif di telekomunikasi. Namun, setiap vendor di lingkungan telekomunikasi memiliki penghitung yang unik, dengan nama dan rentang nilai tertentu, yang membuatnya sulit untuk memahami data. Selain itu, lingkungan telekomunikasi sering memiliki banyak vendor yang menambah kompleksitas. Mendapatkan keahlian dalam detail khusus vendor ini membutuhkan pengetahuan khusus yang tidak selalu tersedia. Tanpa pemahaman yang jelas tentang data yang mereka miliki, perusahaan telekomunikasi tidak dapat secara efektif membangun dan menerapkan contoh penggunaan AI generatif.

Kami telah mengamati bahwa arsitektur berbasis Retrieval-Augmented Generation (RAG) bisa sangat efektif dalam mengatasi tantangan ini. Berdasarkan pengalaman kami dari proyek bukti konsep (PoC) dengan klien, berikut adalah cara terbaik untuk memanfaatkan AI generatif di lapisan data:

• Memahami data vendor: AI generatif dapat memproses dokumentasi vendor yang ekstensif untuk mengekstrak informasi penting tentang tiap parameter. Insinyur dapat berinteraksi dengan AI menggunakan kueri bahasa alami, menerima tanggapan tepat dengan instan. Hal ini menghilangkan kebutuhan untuk menelusuri dokumentasi vendor yang rumit dan banyak secara manual, sehingga menghemat waktu dan tenaga secara signifikan.
• Membangun grafik pengetahuan: AI generatif dapat secara otomatis membangun grafik pengetahuan yang komprehensif dengan memahami model data rumit dari vendor yang berbeda. Grafik pengetahuan ini menunjukkan entitas data dan hubungannya, memberikan gambaran yang terstruktur dan saling terhubung tentang ekosistem vendor. Ini membantu integrasi dan pemanfaatan data yang lebih baik di lapisan atas.
• Penerjemahan model data: Dengan pemahaman mendalam tentang model data vendor yang berbeda, AI generatif dapat menerjemahkan data dari model satu vendor dan model vendor lainnya. Kemampuan ini sangat penting bagi perusahaan telekomunikasi yang perlu menyelaraskan data di berbagai sistem dan vendor untuk memastikan konsistensi dan kompatibilitas.

Mengotomatiskan pemahaman data khusus vendor, menghasilkan metadata, membangun grafik pengetahuan yang mendetail, dan memfasilitasi penerjemahan model data tanpa hambatan merupakan proses utama. Bersama-sama, semua proses ini didukung oleh lapisan data dengan arsitektur berbasis RAG, sehingga perusahaan telekomunikasi dapat memanfaatkan potensi penuh data mereka.

2. Lapisan analitik: memanfaatkan beragam model untuk insight jaringan

Pada tingkat tinggi, kita bisa membagi contoh penggunaan analitik jaringan menjadi dua kategori: contoh penggunaan yang berkisar pada pemahaman kondisi jaringan pada masa lalu dan masa kini dan contoh penggunaan yang memprediksi kondisi jaringan pada masa depan.

Untuk kategori pertama yang melibatkan korelasi data lanjutan dan menciptakan insight tentang keadaan jaringan masa lalu dan saat ini, operator dapat memanfaatkan model bahasa besar (LLM) seperti Granite, Llama, GPT, Mistral, dan lainnya. Meskipun pelatihan LLM ini tidak secara khusus menyertakan data operator yang terstruktur, namun kami dapat menggunakannya secara efektif dalam kombinasi dengan prompt banyak contoh. Pendekatan ini membantu dalam menghadirkan pengetahuan dan konteks tambahan pada interpretasi data operator.

Untuk kategori kedua yang berfokus pada memprediksi keadaan jaringan pada masa depan, seperti mengantisipasi kegagalan jaringan dan perkiraan beban lalu lintas, operator tidak dapat mengandalkan LLM generik. Hal ini dikarenakan model ini tidak memiliki pelatihan yang diperlukan untuk bekerja dengan data terstruktur dan agak terstruktur yang spesifik untuk jaringan. Sebaliknya, operator membutuhkan model dasar yang khusus disesuaikan dengan data unik dan karakteristik operasional mereka. Untuk memperkirakan perilaku jaringan pada masa depan secara akurat, kita harus melatih semua model ini pada pola dan tren spesifik yang unik untuk operator, seperti data kinerja historis, laporan insiden, dan perubahan konfigurasi.

Untuk mengimplementasikan model dasar khusus, operator jaringan harus berkolaborasi erat dengan penyedia teknologi AI. Membangun siklus masukan berkelanjutan sangat penting, di mana Anda secara teratur memantau kinerja model dan menggunakan data tersebut untuk meningkatkan model secara berulang. Selain itu, pendekatan hybrid yang menggabungkan beberapa model yang masing-masing memiliki spesialisasi dalam berbagai aspek analitik jaringan, dapat meningkatkan kinerja dan keandalan secara keseluruhan. Terakhir, menggabungkan keahlian manusia untuk memvalidasi dan menyempurnakan output model dapat lebih meningkatkan akurasi dan membangun kepercayaan pada sistem.

3. Lapisan otomatisasi: mengintegrasikan AI generatif dan simulasi jaringan untuk solusi optimal 

Lapisan ini bertanggung jawab untuk menentukan dan menegakkan tindakan optimal berdasarkan insight dari lapisan analitik, seperti prediksi status jaringan pada masa depan, serta instruksi operasional jaringan atau maksud dari tim operasi.

Ada kesalahpahaman umum bahwa AI generatif menangani tugas pengoptimalan dan dapat menentukan respons optimal terhadap status jaringan yang diprediksi. Namun, untuk contoh penggunaan penentuan tindakan yang optimal, lapisan otomatisasi harus mengintegrasikan alat simulasi jaringan. Integrasi ini memungkinkan simulasi terperinci dari semua tindakan pengoptimalan potensial menggunakan kembaran jaringan digital (replika virtual jaringan). Simulasi ini menciptakan lingkungan terkontrol untuk menguji skenario yang berbeda tanpa memengaruhi jaringan langsung.

Dengan memanfaatkan simulasi ini, operator dapat membandingkan dan menganalisis hasil untuk mengidentifikasi tindakan yang paling sesuai dengan tujuan pengoptimalan. Perlu digarisbawahi bahwa simulasi sering kali memanfaatkan model dasar dari lapisan analitik, seperti model bahasa yang disamarkan. Semua model ini memungkinkan manipulasi parameter dan mengevaluasi dampaknya pada parameter disamarkan tertentu dalam konteks jaringan.

Lapisan otomatisasi memanfaatkan serangkaian contoh penggunaan lain untuk AI generatif, yaitu pembuatan skrip secara otomatis untuk eksekusi tindakan. Tindakan ini, yang dipicu oleh insight jaringan atau maksud yang diberikan manusia, memerlukan skrip yang disesuaikan untuk memperbarui elemen jaringan dengan sesuai. Sebelumnya proses ini dilakukan secara manual di lingkungan perusahaan telekomunikasi, tetapi dengan kemajuan dalam AI generatif, terdapat potensi untuk pembuatan skrip otomatis. Arsitektur dengan LLM generik yang ditingkatkan dengan retrieval-augmented generation (RAG) menunjukkan kinerja yang baik dalam konteks ini, asalkan operator memastikan akses ke dokumentasi vendor dan metode prosedur (MOP) yang sesuai.

AI generatif memainkan peran penting dalam operasi masa depan, mulai dari memprediksi KPI hingga merespons insight jaringan dan maksud pengguna. Namun, mengatasi tantangan seperti pemahaman data yang efisien, analitik prediktif khusus, dan optimasi jaringan otomatis sangatlah penting. IBM memiliki pengalaman langsung di tiap bidang ini, menawarkan solusi untuk integrasi data yang efisien, model dasar khusus, dan alat pengoptimalan jaringan otomatis.

Tertarik untuk menerapkan contoh penggunaan AI generatif di jaringan Anda? Bawa contoh penggunaan Anda dan kami akan membuka potensinya. Hubungi kami.