通信事業者のネットワーク運用に革新をもたらす生成AIの活用
生成AIは電気通信ネットワークオペレーションの未来を形作っています。ネットワークオペレーションを強化する適用例としては、重要業績評価指標（KPI）の値の予測、トラフィック混雑の予測、処方的分析への移行の可能化、デザインアドバイザリーサービスの提供、ネットワークオペレーションセンター（NOC）アシスタントとしての機能などが挙げられます。
これらの機能に加えて、生成AIはドライブテストに革命を起こし、ネットワークリソースの割り当てを最適化し、障害検知を自動化し、トラックロールを最適化し、パーソナライズされたサービスを通じて顧客体験を向上させることができます。事業者とサプライヤーはすでにこれらの機会を特定し、利用しています。
それにもかかわらず、生成AIがサポートするユースケースの実装スピードや、包括的なスケーリングを妨げ、投資収益率の最適化を妨げるサイロ化された実装を回避するなどの課題が依然として存在します。
前回のブログでは、効率的なネットワークオペレーションのための3 層モデルを紹介しました。これらのレイヤー全体に生成AIを適用する場合の主な課題は次のとおりです。
- データ・レイヤー： 生成AIイニシアチブはその中核をなすデータ・プロジェクトであり、不十分なデータ理解がその主要な複雑さの1つです。通信事業者では、ネットワーク・データはベンダー固有であることが多いため、効率的に理解して利用することが困難になっています。また、複数の運用サポート・システム（OSS）ツールに分散しているため、ネットワークを統一的に把握する取り組みが複雑になっています。
- 分析層： 基盤モデルには、ユースケースごとに異なる機能やアプリケーションがあります。単一のモデルは、異なる通信事業者間の同一のユースケースに均一に対応できないため、完璧な基盤モデルは存在しません。この複雑さは、ネットワーク・アーキテクチャー、運用上の優先順位、ランドスケープの違いなど、各ネットワークが提示する多様な要件と固有の課題から生じています。この層では、従来のAIおよび機械学習モデル、大規模言語モデル、オペレーター向けに高度にカスタマイズされた基盤モデルなど、さまざまな分析がホストされます。
- オートメーション層： 基盤モデルは、要約、回帰、分類などのタスクには優れていますが、最適化に対応したスタンドアロンのソリューションではありません。基盤モデルは、予測される問題に先を見越して対処するためのさまざまなストラテジーを提案できますが、絶対的な最良のストラテジーを特定することはできません。各ストラテジーの正確性と影響を評価し、最適なストラテジーを推奨するには、高度なシミュレーション・フレームワークが必要です。基盤モデルはこのプロセスをサポートできますが、それに置き換えることはできません。
ユースケースの網羅的なリストや具体的なフレームワークの詳細を提供する代わりに、重要な原則とストラテジーを取り上げます。これらは、図1に示すように、3つのレイヤーにわたって生成AIを通信ネットワークオペレーションに効果的に統合することに焦点を当てています。
私たちは、ネットワークの運用、パフォーマンス、信頼性を全体的に向上させる、堅牢なデータ管理、カスタマイズされた分析、高度な自動化技術の重要性を強調することを目指しています。
1. データ層：生成AIを使用した通信ネットワーク・データの最適化
ネットワーク・データを理解することは、通信事業者におけるあらゆる生成AIソリューションの出発点です。ただし、通信環境の各ベンダーには特定の名前と値の範囲が与えられた独自のカウンターがあるため、データの理解が難しくなっています。さらに、通信会社のランドスケープには主要な機能として複数のベンダーが存在することが多く、さらに複雑になっています。こうしたベンダー固有の詳細に関する専門知識を得るには特殊な知識が必要ですが、その知識は常にすぐ利用できるわけではありません。通信会社が保有するデータを明確に理解できなければ、生成AIのユースケースを効果的に構築し、デプロイすることはできません。
私たちは、検索拡張生成（RAG）ベースのアーキテクチャーがこの課題に対処するために極めて効果的であることを確認しました。PoC（概念実証）プロジェクトからのエクスペリエンスに基づき、データ層で生成AIを活用する最適な方法を以下に紹介します。
- ベンダー・データの理解： 生成AIは、広範なベンダーのドキュメンテーションを処理して、個々のパラメーターに関するクリティカルな情報を抽出できます。エンジニアは、自然言語クエリーを使用してAIと対話し、即座に正確な応答を受け取ることができます。これにより、複雑で膨大なベンダーのドキュメンテーションを手作業で参照する必要がなくなり、時間と労力を大幅に節約できます。
- ナレッジ・グラフの構築： 生成AIは、さまざまなベンダーの複雑なデータ・モデルを理解することで、包括的なナレッジ・グラフを自動的に構築できます。これらのナレッジ・グラフは、データ・エンティティーとその関係を表し、ベンダー・エコシステムの構造化され相互接続されたビューを提供します。これにより、上位層でのデータ統合と利用が向上します。
- データ・モデルの変換： 生成AIは、さまざまなベンダーのデータ・モデルを深く理解することで、あるベンダーのモデルから別のベンダーのモデルにデータを変換します。この機能は、多様なシステムやベンダー間でデータを調和させ、一貫性と互換性を確保する必要がある通信会社にとって不可欠です。
ベンダー固有のデータの理解を自動化し、メタデータを生成し、詳細なナレッジ・グラフを構築し、シームレスなデータ・モデル変換を促進することは、重要なプロセスです。RAGベース・アーキテクチャーのデータ層によってサポートされるこれらのプロセスを組み合わせることで、通信会社はデータの可能性を最大限に活用できるようになります。
2. 分析レイヤー: ネットワークの洞察を得るための多様なモデルを活用
ネットワーク分析のユースケースは、過去および現在のネットワーク状態の理解を中心とするユースケースと、将来のネットワーク状態を予測するユースケースの2つのカテゴリーに分類できます。
高度なデータ相関と過去および現在のネットワーク状態に関するインサイトの作成を含む1つ目のカテゴリーでは、オペレーターはGranite、Llama、GPT、Mistralなどの大規模言語モデル（LLM）を活用できます。これらのLLMのトレーニングには、構造化されたオペレーター・データは特に含まれていませんでしたが、マルチショット・プロンプトと組み合わせて効果的に使用できます。このアプローチは、オペレーターのデータ解釈に追加の知識とコンテキストをもたらすのに役立ちます。
ネットワーク障害の予測やトラフィック負荷の予測など、将来のネットワーク状態の予測に重点を置いた2つ目のカテゴリーでは、事業者は汎用LLMに依存できません。これは、これらのモデルには、ネットワーク固有の構造化データと半構造化データを扱うために必要なトレーニングが不足しているためです。代わりに、通信事業者は、固有のデータと運用特性に合わせて特別に調整された基盤モデルを必要とします。将来のネットワーク動作を正確に予測するには、過去のパフォーマンス・データ、インシデント・レポート、構成変更など、通信事業者に固有の特定のパターンや傾向に基づいてこれらのモデルをトレーニングする必要があります。
特殊な基盤モデルを実装するには、ネットワーク運用担当者はAIテクノロジー・プロバイダーと緊密に協力する必要があります。モデルのパフォーマンスを定期的に監視し、そのデータを使用して繰り返しモデルを改善する、継続的なフィードバック・ループを確立することが不可欠です。さらに、それぞれがネットワークの分析の異なる側面に特化した複数のモデルを組み合わせるハイブリッド・アプローチにより、全体的な性能と信頼性を向上させることができます。最後に、モデル・アウトプットを検証し、ファイン・チューニングするために人間の専門知識を取り入れることで、精度をさらに向上させ、システムへの信頼を構築することができます。
3. オートメーション・レイヤー：最適なソリューションを実現するための生成AIとネットワーク・シミュレーションの統合
この層は、将来のネットワーク状態の予測や、ネットワークオペレーションの指示やオペレーションチームの意図といった分析レイヤーからの洞察に基づいて、最適なアクションを決定し、実施します。
生成AIは最適化タスクを処理し、予測されたネットワーク状態に対する最適な応答を決定できるというよくある誤解があります。ただし、最適なアクション決定のユースケースでは、オートメーション層にネットワーク・シミュレーション・ツールを統合する必要があります。この統合により、デジタル・ネットワーク・ツイン（ネットワークの仮想レプリカ）を使用した、すべての潜在的な最適化アクションの詳細なシミュレーションが可能になります。これらのシミュレーションは、実際のネットワークに影響を与えることなく、さまざまなシナリオをテストするための制御された環境を作成します。
これらのシミュレーションを活用することで、オペレーターは結果を比較および分析して、最適化目標に最も適したアクションを特定できます。シミュレーションでは、マスクされた言語モデルのような分析層の特殊な基盤モデルを活用する場合が多いことは、強調する価値があります。これらのモデルにより、パラメータを操作し、ネットワーク・コンテキスト内の特定のマスクされたパラメータに対する影響を評価することができます。
オートメーション・レイヤーは、生成AIの別の一連のユースケース、つまりアクション実行のためのスクリプトの自動生成を活用します。これらのアクションは、ネットワークに関する洞察や人間が提供した意図によってトリガーされるもので、それに応じてネットワーク要素を更新するためのカスタマイズされたスクリプトが必要となります。従来、このプロセスは通信会社内で手動で行われてきましたが、生成AIの進歩により、スクリプトを自動生成できる可能性があります。検索拡張生成（RAG）で強化された汎用LLMを使用したアーキテクチャーは、オペレーターがベンダーのドキュメンテーションと適切な手順（MOP）へのアクセスを保証する限り、その文脈で優れたパフォーマンスを示します。
生成AIは、KPIの予測からネットワーク洞察やユーザー意図への応答に至るまで、将来の通信事業のオペレーションにおいて重要な役割を果たします。ただし、効率的なデータ理解、予測分析、自動ネットワーク最適化などの課題に対処することは非常に重要です。IBMはこれらの各分野における実践的なエクスペリエンスを有しており、効率的なデータ統合、特化した基盤モデル、自動化されたネットワーク最適化ツールのためのソリューションを提供しています。
ネットワークに生成AIのユースケースを導入することに興味がありますか？ユースケースをお寄せいただき、その可能性を最大限に解き放ちましょう。お問い合わせ。