통신사 네트워크 운영 혁신을 위한 생성형 AI 적용

생성형 AI는 통신 네트워크 운영의 미래를 만들어가고 있습니다. 네트워크 운영을 개선하기 위한 잠재적인 애플리케이션으로는 핵심 성능 지표(KPI) 값 예측, 트래픽 혼잡 예측, 처방적 분석으로의 전환, 설계 자문 서비스 제공, 네트워크 운영 센터(NOC) 도우미 역할 등이 있습니다.

이러한 능력 외에도 생성형 AI는 주행 테스트를 혁신하고, 네트워크 리소스 할당을 최적화하고, 오류 감지를 자동화하고, 트럭 롤을 최적화하고, 개인화된 서비스를 통해 고객 경험을 향상시킬 수 있습니다. 운영자와 공급업체는 이미 이러한 기회를 파악하고 활용하고 있습니다.

그럼에도 불구하고 생성형 AI 지원 사용 사례를 구현하는 속도와 포괄적인 확장을 방해하고 투자 수익의 최적화를 저해하는 사일로화된 구현을 피하는 데는 여전히 과제가 남아 있습니다.

이전 블로그에서 효율적인 네트워크 운영을 위한 3가지 계층 모델을 소개한 바 있습니다. 이러한 계층에 생성형 AI를 적용하는 맥락에서 주요 과제는 다음과 같습니다.

• 데이터 계층: 생성형 AI 이니셔티브는 핵심적으로 데이터 프로젝트이며, 부적절한 데이터 이해는 가장 큰 복잡성 중 하나입니다. 통신사에서 네트워크 데이터는 공급업체별로 지정되는 경우가 많기 때문에 효율적으로 이해하고 소비하기가 어렵습니다. 또한 여러 운영 지원 시스템(OSS) 도구에 분산되어 있어 네트워크에 대한 통합 보기를 얻으려는 노력이 복잡해집니다.
• 분석 계층: 파운데이션 모델은 다양한 사용 사례에 맞게 다양한 능력과 애플리케이션을 갖추고 있습니다. 단일 모델이 서로 다른 연산자에서 동일한 사용 사례를 균일하게 처리할 수 없기 때문에 완벽한 파운데이션 모델이 존재하지 않습니다. 이러한 복잡성은 네트워크 아키텍처, 운영 우선 순위 및 데이터 환경의 변화를 포함하여 각 네트워크가 제시하는 다양한 요구 사항과 고유한 과제로 인해 발생합니다. 이 계층은 기존 AI 및 머신 러닝 모델, 대규모 언어 모델, 운영자를 위한 고도로 맞춤화된 파운데이션 모델 등 다양한 분석을 호스팅합니다.
• 자동화 계층: 파운데이션 모델은 요약, 회귀, 분류와 같은 작업에 탁월하지만 최적화를 위한 단독 솔루션은 아닙니다. 파운데이션 모델은 예측된 문제를 사전에 해결하기 위한 다양한 전략을 제안할 수 있지만 절대적으로 최선의 전략을 식별할 수는 없습니다. 각 전략의 정확성과 영향력을 평가하고 최적의 전략을 추천하려면 고급 시뮬레이션 프레임워크가 필요합니다. 파운데이션 모델은 이 프로세스를 지원할 수는 있지만 대체할 수는 없습니다.

사용 사례의 전체 목록이나 자세한 프레임워크 세부 사항을 제공하는 대신 주요 원칙과 전략을 강조할 것입니다. 이것은 그림 1과 같이 세 가지 계층에 걸쳐 생성형 AI를 통신사 네트워크 운영에 효과적으로 통합하는 데 중점을 둡니다.

저희는 네트워크 운영, 성능 및 안정성을 종합적으로 향상시키는 강력한 데이터 관리, 맞춤형 분석 및 고급 자동화 기술의 중요성을 강조하고자 합니다.

1. 데이터 계층: 생성형 AI를 사용하여 통신 네트워크 데이터 최적화

네트워크 데이터를 이해하는 것은 통신 분야의 모든 생성형 AI 솔루션의 출발점입니다. 그러나 통신 환경의 각 공급업체에는 특정 이름과 값 범위가 있는 고유한 카운터가 있어 데이터를 이해하기 어렵습니다. 더욱이 통신 환경에는 여러 공급업체가 등장하는 경우가 많아 복잡성이 가중됩니다. 이러한 공급업체별 세부 사항에 대한 전문 지식을 얻으려면 전문 지식이 필요하지만 항상 쉽게 사용할 수 있는 것은 아닙니다. 보유한 데이터에 대한 명확한 이해가 없으면 통신사는 생성형 AI 사용 사례를 효과적으로 구축 및 배포할 수 없습니다.

검색 증강 생성(RAG) 기반 아키텍처가 이 문제를 해결하는 데 매우 효과적일 수 있음을 확인했습니다. 고객과의 개념 증명(PoC) 프로젝트의 경험을 바탕으로 데이터 계층에서 생성형 AI를 활용하는 가장 좋은 방법은 다음과 같습니다.

• 공급업체 데이터 이해: 생성형 AI는 광범위한 공급업체 문서를 처리하여 개별 매개변수에 대한 중요한 정보를 추출할 수 있습니다. 엔지니어는 자연어 쿼리를 사용하여 AI와 상호 작용하여 즉각적이고 정확한 응답을 받을 수 있습니다. 따라서 복잡하고 방대한 공급업체 문서를 수동으로 찾아볼 필요가 없으므로 상당한 시간과 노력을 절약할 수 있습니다.
• 지식 그래프 구축: 생성형 AI는 다양한 공급업체의 복잡한 데이터 모델을 이해하여 포괄적인 지식 그래프를 자동으로 구축할 수 있습니다. 이러한 지식 그래프는 데이터 엔티티와 그 관계를 나타내며 벤더 에코시스템에 대한 구조화되고 상호 연결된 보기를 제공합니다. 이는 상위 계층에서 더 나은 데이터 통합 및 활용에 도움이 됩니다.
• 데이터 모델 번역: 생성형 AI는 다양한 공급업체의 데이터 모델을 심층적으로 이해하여 한 공급업체의 모델에서 다른 공급업체의 모델로 데이터를 번역할 수 있습니다. 이 능력은 다양한 시스템과 공급업체의 데이터를 조화시켜 일관성과 호환성을 보장해야 하는 통신 회사에 매우 중요합니다.

공급업체별 데이터에 대한 이해를 자동화하고, 메타데이터를 생성하고, 상세한 지식 그래프를 구성하고, 원활한 데이터 모델 변환을 촉진하는 것이 핵심 프로세스입니다. 이러한 프로세스는 RAG 기반 아키텍처를 갖춘 데이터 계층의 지원을 받아 통신사가 데이터의 잠재력을 최대한 활용할 수 있도록 합니다.

2. 분석 계층: 네트워크 인사이트를 위한 다양한 모델 활용

네트워크 분석의 사용 사례를 크게 과거와 현재의 네트워크 상태를 파악하는 사용 사례와 미래의 네트워크 상태를 예측하는 사용 사례로 나눌 수 있습니다.

고급 데이터 상관관계와 과거 및 현재 네트워크 상태에 대한 인사이트를 생성하는 첫 번째 카테고리의 경우 운영자는 Granite, Llama, GPT, Mistral 등과 같은 대규모 언어 모델(LLM)을 활용할 수 있습니다. 이러한 LLM의 훈련에는 특별히 구조화된 오퍼레이터 데이터가 포함되지는 않았지만, 멀티샷 프롬프트와 함께 효과적으로 사용할 수 있습니다. 이 접근 방식은 운영자 데이터 해석에 대한 추가 지식과 컨텍스트를 제공하는 데 도움이 됩니다.

네트워크 장애를 예측하고 트래픽 부하를 예측하는 등 미래의 네트워크 상태를 예측하는 데 중점을 두는 두 번째 카테고리의 경우, 사업자는 일반적인 LLM에 의존할 수 없습니다. 이러한 모델에는 네트워크별 정형 및 반정형 데이터를 다루는 데 필요한 훈련이 부족하기 때문입니다. 대신 운영자는 고유한 데이터 및 운영 특성에 맞게 특별히 맞춤화된 파운데이션 모델이 필요합니다. 미래의 네트워크 동작을 정확하게 예측하려면 과거 성능 데이터, 사고 보고서, 구성 변경 사항 등 운영자 고유의 특정 패턴과 추세에 대해 이러한 모델을 학습시켜야 합니다.

특화된 파운데이션 모델을 구현하기 위해 네트워크 사업자는 AI 기술 공급자와 긴밀히 협력해야 합니다. 모델 성능을 정기적으로 모니터링하고 데이터를 사용하여 모델을 반복적으로 개선하는 지속적인 피드백 루프를 구축하는 것이 필수적입니다. 또한 네트워크 분석의 각기 다른 측면에 특화된 여러 모델을 결합하는 하이브리드 접근 방식은 전반적인 성능과 안정성을 향상시킬 수 있습니다. 마지막으로, 사람의 전문 지식을 통합하여 모델의 아웃풋을 검증하고 미세 조정하면 정확도를 더욱 향상시키고 시스템에 대한 신뢰를 구축할 수 있습니다.

3. 자동화 계층: 생성형 AI와 네트워크 시뮬레이션을 통합하여 최적의 솔루션 

이 계층은 향후 네트워크 상태 예측과 같은 분석 계층의 인사이트와 운영팀의 네트워크 운영 지침 또는 의도를 기반으로 최적의 조치를 결정하고 시행하는 역할을 담당합니다.

생성형 AI가 최적화 작업을 처리하고 예측된 네트워크 상태에 대한 최적의 응답을 결정할 수 있다고 오해하는 경우가 많습니다. 그러나 최적의 조치를 결정하는 사용 사례를 위해서는 자동화 계층에 네트워크 시뮬레이션 도구가 통합되어야 합니다. 이 통합을 통해 디지털 네트워크 트윈(네트워크의 가상 복제본)을 사용하여 모든 잠재적 최적화 작업에 대한 상세한 시뮬레이션을 수행할 수 있습니다. 이러한 시뮬레이션은 라이브 네트워크에 영향을 주지 않고 다양한 시나리오를 테스트하기 위한 제어된 환경을 만듭니다.

운영자는 이러한 시뮬레이션을 활용하여 결과를 비교하고 분석하여 최적화 목표를 가장 잘 달성할 수 있는 조치를 파악할 수 있습니다. 시뮬레이션은 종종 마스킹 언어 모델과 같은 분석 계층의 특수 파운데이션 모델을 활용한다는 점을 강조할 필요가 있습니다. 이러한 모델을 사용하면 매개변수를 조작하고 네트워크 컨텍스트 내에서 마스킹된 특정 매개변수에 미치는 영향을 평가할 수 있습니다.

자동화 계층은 생성형 AI의 또 다른 사용 사례인 작업 실행을 위한 스크립트 자동 생성을 활용합니다. 네트워크 인사이트 또는 사람이 제공한 의도에 의해 트리거되는 이러한 작업에는 그에 따라 네트워크 요소를 업데이트하기 위한 맞춤형 스크립트가 필요합니다. 기존에는 이 프로세스가 통신사 내에서 수동으로 이루어졌지만, 생성형 AI의 발전으로 자동 스크립트 생성의 가능성이 높아졌습니다. 운영자가 공급업체 문서와 적절한 절차 방법(MOP)에 액세스할 수 있다면 검색 증강 생성(RAG)으로 보강된 일반 LLM을 사용하는 아키텍처는 이러한 맥락에서 좋은 성능을 보여줍니다.

생성형 AI는 KPI 예측부터 네트워크 인사이트 및 사용자 의도에 대한 응답에 이르기까지 미래 통신사 운영에서 중요한 역할을 합니다. 그러나 효율적인 데이터 이해, 전문 예측 분석 및 자동화된 네트워크 최적화와 같은 문제를 해결하는 것이 중요합니다. IBM은 이러한 각 영역에서 실무 경험을 보유하고 있으며 효율적인 통합, 파운데이션 모델 및 자동화된 네트워크 최적화 도구를 위한 솔루션을 제공합니다.

네트워크에서 생성형 AI 사용 사례를 구현하는 데 관심이 있으신가요? 사용 사례를 알려주시면 잠재력을 최대한 활용해 드리겠습니다. 문의해 주세요.