Aplicación de la IA generativa para revolucionar las operaciones de la red de telecomunicaciones

La IA generativa está dando forma al futuro de las operaciones de redes de telecomunicaciones. Las aplicaciones potenciales para mejorar las Operaciones de red incluyen predecir los valores de los indicadores clave de rendimiento (KPI), pronosticar la congestión del tráfico, permitir el mover a analítica preventiva, proporcionar servicios de asesoramiento de diseño y actuar como asistentes del centro de Operaciones de red (NOC).

Además de estas capacidades, la IA generativa puede revolucionar las pruebas de manejo, optimizar la asignación de recursos de red, automatizar la detección de fallas, optimizar los recorridos y mejorar la experiencia del cliente a través de servicios personalizados. Los operadores y proveedores ya están identificando y capitalizando estas oportunidades.

Sin embargo, persisten los desafíos en la velocidad de implementación de casos de uso compatibles con IA generativa, así como en evitar implementaciones aisladas que impiden el escalado integral y dificultan la optimización del retorno de la inversión.

En un blog anterior, presentamos el modelo de tres capas para operaciones de red eficientes. Los principales desafíos en el contexto de la aplicación de la IA generativa en estas capas son:

• Capa de datos: las iniciativas de IA generativa son proyectos de datos en su núcleo, y la comprensión inadecuada de los datos es una de las principales complejidades. En las empresas de telecomunicaciones, los datos de red suelen ser específicos del proveedor, lo que dificulta su comprensión y consumo eficiente. También está disperso en múltiples herramientas del sistema de soporte operativo (OSS), lo que complica los esfuerzos para obtener una visión unificada de la red.
• Capa de analytics: los modelos fundacionales tienen diferentes capacidades y aplicaciones para diferentes casos de uso. El modelo fundacional perfecto no existe porque un solo modelo no puede abordar de manera uniforme casos de uso idénticos en diferentes operadores. Esta complejidad surge de los diversos requisitos y desafíos únicos que presenta cada red, incluidas las variaciones en la arquitectura de red, las prioridades operativas y los ámbitos de datos. Esta capa alberga una variedad de analytics, incluidos modelos tradicionales de IA y machine learning, modelos de lenguaje de gran tamaño y modelos fundacionales altamente personalizados adaptados al operador.
• Capa de automatización: los modelos fundacionales se destacan en tareas como resumen, regresión y clasificación, pero no son soluciones independientes para la optimización. Si bien los modelos fundacionales pueden sugerir varias Estrategias para abordar de manera proactiva los problemas previstos, no pueden identificar la estrategia absoluta mejor. Para evaluar la corrección y el impacto de cada estrategia y recomendar la óptima, necesitamos marcos de simulación avanzados. Los modelos fundacionales pueden apoyar este proceso, pero no pueden reemplazarlo.

En lugar de proporcionar una lista exhaustiva de casos de uso o detalles específicos de la infraestructura, destacaremos los principios y estrategias clave. Estos se centran en integrar eficazmente la IA generativa en las operaciones de red de telecomunicaciones en las tres capas, como se ilustra en la Figura 1.

Nuestro objetivo es enfatizar la importancia de una gestión de datos sólida, analytics y técnicas avanzadas de Automatización que colectivamente mejoren las Operaciones, el rendimiento y la confiabilidad de la red.

1. Capa de datos: optimización de los datos de la red de telecomunicaciones mediante IA generativa

Comprender los datos de la red es el punto de partida para cualquier solución de IA generativa en las empresas de telecomunicaciones. Sin embargo, cada proveedor en el entorno de las telecomunicaciones tiene contadores únicos, con nombres específicos y rangos de valores, lo que dificulta la comprensión de los datos. Además, el ámbito de las telecomunicaciones a menudo presenta múltiples proveedores, lo que aumenta la complejidad. Adquirir experiencia en estos detalles específicos del proveedor requiere conocimientos especializados, que no siempre están disponibles. Sin una comprensión clara de los datos que poseen, las empresas de telecomunicaciones no pueden construir y desplegar de manera efectiva casos de uso de IA generativa.

Hemos visto que las arquitecturas basadas en generación aumentada por recuperación (RAG) pueden ser muy eficaces para abordar este desafío. Según nuestra experiencia en proyectos de prueba de concepto (PoC) con clientes, estas son las mejores formas de aprovechar la IA generativa en la capa de datos:

• Comprender los datos de los proveedores: la IA generativa puede procesar una amplia documentación de los proveedores para extraer información crítica sobre parámetros individuales. Los ingenieros pueden interactuar con la IA mediante consultas en lenguaje natural, recibiendo respuestas instantáneas y precisas. Esto elimina la necesidad de navegar manualmente a través de la compleja y voluminosa documentación de los proveedores, lo que ahorra mucho tiempo y esfuerzo.
• Creación de gráficos de conocimiento: la IA generativa puede crear automáticamente gráficos de conocimiento completos al comprender los intrincados modelos de datos de diferentes proveedores. Estos gráficos de conocimiento representan entidades de datos y sus relaciones, proporcionando una visión estructurada e interconectada del ecosistema de proveedores. Esto ayuda a una mejor integración y utilización de datos en las capas superiores.
• Traducción del modelo de datos: con una comprensión profunda de los modelos de datos de diferentes proveedores, la IA generativa puede traducir datos del modelo de un proveedor a otro. Esta capacidad es crucial para las empresas de telecomunicaciones que necesitan armonizar los datos entre diversos sistemas y proveedores, garantizando la coherencia y la compatibilidad.

Automatizar la comprensión de los datos específicos del proveedor, generar metadatos, construir gráficos de conocimiento detallados y facilitar la traducción fluida del modelo de datos son procesos clave. Juntos, estos procesos, respaldados por una capa de datos con arquitectura basada en RAG, permiten a las empresas de telecomunicaciones aprovechar todo el potencial de sus datos.

2. Capa de analytics: aprovechamiento de diversos modelos para obtener insight de la red

En un nivel alto, podemos dividir los casos de uso de analytics en dos categorías: casos de uso que giran en torno a la comprensión del estado pasado y actual de la red y casos de uso que predicen el estado futuro de la red.

Para la primera categoría, que implica correlaciones de datos avanzadas y la creación de insights sobre el estado pasado y actual de la red, los operadores pueden aprovechar modelos de lenguaje de gran tamaño (LLM) como Granite, Llama, GPT, Mistral y otros. Aunque el entrenamiento de estos LLM no incluyó particularmente datos estructurados del operador, podemos usarlos de manera efectiva en combinación con instrucciones de disparos múltiples. Este enfoque ayuda a aportar conocimientos y contexto adicionales a la interpretación de los datos del operador.

Para la segunda categoría, que se centra en predecir el estado futuro de la red, como anticipar fallas de red y forecasting cargas de tráfico, los operadores no pueden confiar en LLM genéricos. Esto se debe a que estos modelos carecen del entrenamiento necesario para trabajar con datos estructurados y semiestructurados específicos de la red. En cambio, los operadores necesitan modelos fundacionales específicamente adaptados a sus datos únicos y características operativas. Para predecir con precisión el comportamiento futuro de la red, debemos entrenar estos modelos en los patrones y tendencias específicos exclusivos del operador, como datos históricos de rendimiento, informes de incidentes y cambios de configuración.

Para implementar modelos fundacionales especializados, los operadores de red deben colaborar estrechamente con los proveedores de tecnología de IA. Es esencial establecer un ciclo de retroalimentación continuo, en el que se monitoree regularmente el rendimiento del modelo y se utilicen los datos para mejorarlo de forma iterativa. Además, los enfoques híbridos que combinan múltiples modelos, cada uno especializado en diferentes aspectos de analytics de red, pueden mejorar el rendimiento y la confiabilidad generales. Por último, incorporar la experiencia humana para validar y ajustar los resultados del modelo puede mejorar aún más la precisión y generar confianza en el sistema.

3. Capa de automatización: integración de IA generativa y simulaciones de red para soluciones óptimas 

Esta capa es responsable de determinar y aplicar acciones óptimas basadas en insights de la capa de analytics, como predicciones futuras del estado de la red, así como instrucciones operativas de la red o intenciones del equipo de operaciones.

Existe la idea errónea de que la IA generativa maneja las tareas de optimización y puede determinar la respuesta óptima a los estados de red previstos. Sin embargo, para los casos de uso de determinación de acciones óptimas, la capa de automatización debe integrar herramientas de simulación de red. Esta integración permite simulaciones detalladas de todas las posibles acciones de optimización utilizando un gemelo de red digital (una réplica virtual de la red). Estas simulaciones crean un entorno controlado para probar diferentes escenarios sin afectar la red en vivo.

Al aprovechar estas simulaciones, los operadores pueden comparar y analizar los resultados para identificar las acciones que mejor cumplen con los objetivos de optimización. Vale la pena destacar que las simulaciones a menudo aprovechan modelos fundacionales especializados de la capa de analytics, como modelos de lenguaje enmascarado. Estos modelos permiten manipular parámetros y evaluar su impacto en parámetros enmascarados específicos dentro del contexto de la red.

La capa de automatización aprovecha otro conjunto de casos de uso para la IA generativa, a saber, la generación automatizada de scripts para la ejecución de acciones. Estas acciones, desencadenadas por insights de la red o intenciones proporcionadas por humanos, requieren scripts personalizados para actualizar los elementos de la red en consecuencia. Tradicionalmente, este proceso ha sido manual dentro de las empresas de telecomunicaciones, pero con los avances en la IA generativa, existe potencial para la generación automática de scripts. Las arquitecturas con LLM genéricos aumentados con generación aumentada por recuperación (RAG, por sus siglas en inglés) muestran un buen rendimiento en este contexto, siempre que los operadores garanticen el acceso a la documentación y a los métodos de procedimiento (MOP) adecuados.

La IA generativa desempeña un papel importante en las futuras operaciones de telecomunicaciones, desde la predicción de los KPI hasta la respuesta a los insights de la red y las intenciones de los usuarios. Sin embargo, es crucial abordar desafíos como la comprensión eficiente de los datos, el análisis predictivos especializado y la optimización automatizada de la red. IBM tiene experiencia práctica en cada una de estas áreas, ofreciendo soluciones para la integración eficiente de datos, modelos fundacionales especializados y herramientas automatizadas de optimización de redes.

¿Le interesa implementar casos de uso de IA generativa en su red? Tráiganos su caso de uso y permítanos desbloquear todo su potencial. Contáctenos.