Applicare l'AI generativa per rivoluzionare le operazioni di rete delle telecomunicazioni

L'AI generativa sta plasmando il futuro delle operazioni delle reti di telecomunicazioni. Le potenziali applicazioni per migliorare le operazioni di rete includono la previsione dei valori degli indicatori chiave di prestazioni (KPI), la previsione della congestione del traffico, l'abilitazione del passaggio alle analisi prescrittive, la fornitura di servizi di consulenza progettuale e il ruolo di assistenti del centro operativo di rete (NOC).

In aggiunta a queste funzionalità, l'AI generativa può rivoluzionare i test di guida, ottimizzare l'allocazione delle risorse di rete, automatizzare il rilevamento dei guasti, ottimizzare i percorsi dei camion e migliorare l'esperienza del cliente attraverso servizi personalizzati. Operatori e fornitori stanno già identificando e capitalizzando queste opportunità.

Tuttavia, persistono delle sfide nella velocità di implementazione dei casi d'uso supportati dall'AI generativa, nonché nell'evitare implementazioni isolate che impediscono una scalabilità completa e ostacolano l'ottimizzazione del ritorno sull'investimento.

In un blog precedente, abbiamo presentato il modello a tre livelli per operazioni di rete efficienti. Le principali sfide nel contesto dell'applicazione dell'AI generativa su questi livelli sono:

• Livello dati: le iniziative di AI generativa sono progetti di dati alla base, con una comprensione inadeguata dei dati che è una delle complessità principali. Nelle telecomunicazioni, i dati di rete sono spesso specifici del fornitore, il che li rende difficili da comprendere e consumare in modo efficiente. Sono inoltre distribuiti su più strumenti del sistema di supporto operativo (OSS), complicando gli sforzi per ottenere una visione unificata della rete.
• Livello di analytics: i foundation model hanno funzionalità e applicazioni diverse per diversi casi d'uso. Il foundation model perfetto non esiste perché un singolo modello non può affrontare in modo uniforme casi d'uso identici tra operatori diversi. Questa complessità deriva dai diversi requisiti e dalle sfide uniche che ogni rete presenta, comprese le variazioni nell'architettura di rete, nelle priorità operative e nel landscape. Questo livello ospita una varietà di analytics, tra cui modelli tradizionali di AI e machine learning, modelli linguistici di grandi dimensioni e foundation model altamente personalizzati su misura per l'operatore.
• Livello di automazione: i foundation model eccellono in attività come il riepilogo, la regressione e la classificazione, ma non sono soluzioni autonome per l'ottimizzazione. Sebbene i foundation model possano suggerire varie strategie per affrontare in modo proattivo i problemi previsti, non sono in grado di identificare la strategia migliore in assoluto. Per valutare la correttezza e l'impatto di ciascuna strategia e consigliare quella ottimale, abbiamo bisogno di framework di simulazione avanzati. I foundation model possono supportare questo processo ma non possono sostituirlo.

Invece di fornire un elenco esaustivo di casi d'uso o specifiche dettagliate del framework, evidenzieremo i principi e le strategie chiave. Questi si concentrano sull'integrazione efficace dell'AI generativa nelle operazioni di rete delle telecomunicazioni, attraverso i tre livelli, come illustrato nella Figura 1.

Il nostro obiettivo è sottolineare l'importanza di una solida gestione dei dati, analytics su misura e tecniche di automazione avanzate che migliorino collettivamente le operazioni, le prestazioni e l'affidabilità della rete.

1. Livello dati: ottimizzazione dei dati della rete di telecomunicazioni tramite AI generativa

La comprensione dei dati di rete è il punto di partenza per qualsiasi soluzione di AI generativa nel settore delle telecomunicazioni. Tuttavia, ogni fornitore nell'ambiente delle telecomunicazioni ha contatori univoci, con nomi e intervalli di valori specifici, il che rende difficile la comprensione dei dati. Inoltre, il landscape delle telecomunicazioni spesso presenta caratteristiche multiple, aggiungendo alla complessità. Acquisire esperienza in questi dettagli specifici del fornitore richiede conoscenze specialistiche, che non sono sempre facilmente disponibili. Senza una chiara comprensione dei dati in loro possesso, le società di telecomunicazioni non possono creare e distribuire efficacemente casi d'uso dell'AI generativa.

Abbiamo visto che le architetture basate su retrieval-augmented generation (RAG) possono essere molto efficaci nell'affrontare questa sfida. In base alla nostra esperienza con progetti proof of concept (PoC) con i clienti, ecco i modi migliori per utilizzare l'AI generativa a livello dati:

• Comprensione dei dati dei fornitori: l'AI generativa può elaborare un'ampia documentazione per estrarre informazioni critiche sui singoli parametri. Gli ingegneri possono interagire con l'AI utilizzando query in linguaggio naturale, ricevendo risposte istantanee e precise. In questo modo si elimina la necessità di sfogliare manualmente la documentazione complessa e voluminosa dei fornitori, risparmiando tempo e fatica.
• Creazione di grafici della conoscenza: l'AI generativa può creare automaticamente grafici della conoscenza completi comprendendo gli intricati modelli di dati di diversi fornitori. Questi grafici delle conoscenze rappresentano le entità di dati e le loro relazioni, fornendo una visione strutturata e interconnessa dell'ecosistema dei fornitori. Ciò favorisce una migliore integrazione e utilizzo dei dati nei livelli superiori.
• Traduzione del modello di dati: con una comprensione approfondita dei modelli di dati dei diversi fornitori, l'AI generativa può tradurre i dati da un modello di fornitore a un altro. Questa funzionalità è fondamentale per le società di telecomunicazioni che devono armonizzare i dati tra diversi sistemi e fornitori, garantendo coerenza e compatibilità.

Automatizzare la comprensione dei dati specifici del fornitore, generare metadati, costruire grafici di conoscenza dettagliati e facilitare la traduzione senza interruzioni dei modelli di dati sono processi chiave. Insieme, questi processi, supportati da un livello di dati con architettura basata su RAG, consentono alle aziende di telecomunicazioni di sfruttare appieno il potenziale dei loro dati.

2. Strato delle analytics: sfruttare diversi modelli per ottenere insight sulla rete

A un alto livello, possiamo suddividere i casi d'uso di analytics di rete in due categorie: casi d'uso che ruotano attorno alla comprensione dello stato della rete passato e attuale e casi d'uso che prevedono lo stato futuro della rete.

Per la prima categoria, che prevede correlazioni avanzate dei dati e la creazione di insight sullo stato della rete passato e attuale, gli operatori possono utilizzare modelli linguistici di grandi dimensioni (LLM) come Granite™, Llama, GPT, Mistral e altri. Sebbene la formazione di questi LLM non includesse in particolare i dati strutturati degli operatori, possiamo utilizzarli efficacemente in combinazione con la richiesta multipla. Questo approccio aiuta a fornire ulteriori conoscenze e contesto all'interpretazione dei dati degli operatori.

Per la seconda categoria, che si concentra sulla previsione dello stato futuro della rete, ad esempio anticipando i guasti della rete e prevedendo i carichi di traffico, gli operatori non possono fare affidamento su LLM generici. Ciò è dovuto al fatto che questi modelli non dispongono dell'addestramento necessario per lavorare con dati strutturati e semistrutturati specifici della rete. Invece, gli operatori hanno bisogno di foundation model specificamente adattati ai loro dati unici e alle loro caratteristiche operative. Per prevedere con precisione il comportamento futuro della rete, dobbiamo addestrare questi modelli su schemi e tendenze specifici e unici per l'operatore, come i dati storici sulle prestazioni, i report sugli incidenti e le modifiche alla configurazione.

Per implementare foundation model specializzati, gli operatori di rete dovrebbero collaborare a stretto contatto con i fornitori di tecnologia AI. È essenziale stabilire un ciclo di feedback continuo, in cui si monitorano regolarmente le prestazioni del modello e si utilizzano i dati per migliorarlo in modo iterativo. Inoltre, approcci ibridi che combinano più modelli, ciascuno specializzato in diversi aspetti degli analytics, possono migliorare le prestazioni e l'affidabilità complessive. Infine, incorporare competenze umane per convalidare e mettere a punto gli output del modello può migliorare ulteriormente la precisione e creare fiducia nel sistema.

3. Livello di automazione: integrazione di AI generativa e delle simulazioni di rete per soluzioni ottimali 

Questo livello è responsabile della determinazione e dell'applicazione delle azioni ottimali sulla base degli insight del livello di analytics, come le previsioni future sullo stato della rete, nonché le istruzioni o gli intenti operativi della rete del team delle operazioni.

C'è un malinteso comune secondo cui l'AI generativa gestisca le attività di ottimizzazione e possa determinare la risposta ottimale agli stati della rete previsti. Tuttavia, per i casi d'uso di determinazione ottimale delle azioni, il livello di automazione deve integrare strumenti di simulazione di rete. Questa integrazione consente simulazioni dettagliate di tutte le potenziali azioni di ottimizzazione utilizzando un gemello di rete digitale (una replica virtuale della rete). Queste simulazioni creano un ambiente controllato per testare diversi scenari senza influire sulla rete live.

Sfruttando queste simulazioni, gli operatori possono confrontare e analizzare i risultati per identificare le azioni che meglio soddisfano gli obiettivi di ottimizzazione. Vale la pena evidenziare che le simulazioni spesso utilizzano foundation model specializzati a livello di analytics, come i modelli linguistici mascherati. Questi modelli consentono di manipolare i parametri e di valutare il loro impatto su specifici parametri mascherati nel contesto della rete.

Il livello di automazione utilizza un altro caso d'uso per l'AI generativa, vale a dire la generazione automatica di script per l'esecuzione di azioni. Queste azioni, attivate da insight sulla rete o da intenti forniti dall'uomo, richiedono script personalizzati per aggiornare di conseguenza gli elementi della rete. Tradizionalmente, questo processo è stato manuale nelle società di telecomunicazioni, ma con i progressi nell'AI generativa, c'è il potenziale per la generazione automatica di script. Le architetture con LLM generici aumentati con retrieval-augmented generation (RAG) mostrano buone prestazioni in questo contesto, a condizione che gli operatori garantiscano l'accesso alla documentazione del fornitore e ai metodi di procedura adeguati (MOP).

L'AI generativa svolge un ruolo significativo nelle future operazioni di telecomunicazione, dalla previsione dei KPI alla risposta agli insight sulla rete e agli intenti degli utenti. Tuttavia, affrontare sfide come la comprensione efficiente dei dati, l'analytics predittiva specializzata e l'ottimizzazione automatizzata della rete è fondamentale. IBM ha esperienza in ognuna di queste aree e offre soluzioni per l'integrazione efficiente dei dati, foundation model specializzati e strumenti automatizzati di ottimizzazione della rete.

Vorresti implementare casi d'uso di AI generativa nella tua rete? Portaci il tuo caso d'uso e lasciaci sbloccare tutto il suo potenziale. Contattaci.