تطبيق الذكاء الاصطناعي التوليدي لإحداث ثورة في عمليات شبكات الاتصالات

يعمل الذكاء الاصطناعي التوليدي على تشكيل مستقبل عمليات شبكات الاتصالات. تشمل التطبيقات المحتملة لتعزيز العمليات التنبؤ بقيم مؤشرات الأداء الرئيسية (KPIs)، والتنبؤ بالازدحام المروري، وتمكين الانتقال إلى التحليلات الإلزامية، وتقديم الخدمات الاستشارية للتصميم، والعمل كمساعدين لمركز عمليات الشبكات (NOC).

بالإضافة إلى هذه القدرات، يمكن للذكاء الاصطناعي التوليدي إحداث تغيير جذري في اختبارات القيادة، وتحسين تخصيص الموارد، وأتمتة كشف الأعطال، وتحسين كفاءة عمليات الصيانة الميدانية، وتحسين تجربة العملاء من خلال الخدمات الشخصية. بدأ المشغِّلون والمورِّدون بالفعل بتحديد هذه الفرص والاستفادة منها.

ومع ذلك، لا تزال التحديات قائمة فيما يتعلق بسرعة تنفيذ حالات الاستخدام المدعومة بالذكاء الاصطناعي التوليدي، بالإضافة إلى تجنُّب التطبيقات المنعزلة التي تعوق التوسع الشامل وتحسين العائد على الاستثمار.

في مدونة سابقة، قدَّمنا نموذجًا ثلاثي الطبقات لإدارة عمليات الشبكات بكفاءة. وكانت التحديات الرئيسية في سياق تطبيق الذكاء الاصطناعي التوليدي عبر هذه الطبقات هي:

• طبقة البيانات: تُعَد مبادرات الذكاء الاصطناعي التوليدي مشروعات بيانات في الأساس، حيث يمثِّل الفهم غير الكافي للبيانات أحد التعقيدات الأساسية. في الاتصالات، غالًبا ما تكون بيانات الشبكة خاصة بالمورِّد، ما يجعل من الصعب فهمها واستهلاكها بكفاءة. كما أنها مبعثرة عبر أدوات متعددة لنظام الدعم التشغيلي (OSS)، ما يعقِّد الجهود المبذولة للحصول على رؤية موحَّدة للشبكة.
• طبقة التحليلات: تتمتع نماذج الأساس بقدرات وتطبيقات مختلفة لحالات استخدام مختلفة. لا يوجد نموذج أساس مثالي لأن نموذجًا واحدًا لا يمكن أن يعالج حالات الاستخدام بشكل موحَّد عبر مختلف المشغِّلين. ينشأ هذا التعقيد من المتطلبات المتنوعة والتحديات الفريدة التي تطرحها كل شبكة، بما في ذلك الاختلافات في بنية الشبكة والأولويات التشغيلية وبيئات البيانات المختلفة. تستضيف هذه الطبقة مجموعة متنوعة من التحليلات، بما في ذلك نماذج الذكاء الاصطناعي التقليدي ونماذج التعلم الآلي والنماذج اللغوية الكبيرة ونماذج الأساس المخصصة للغاية والمصممة خصوصًا للمشغِّل.
• طبقة الأتمتة: تتفوق نماذج الأساس في مهام مثل التلخيص والانحدار والتصنيف، لكنها ليست حلولًا قائمة بذاتها للتحسين. في حين أن نموذج الأساس يمكن أن يقترح استراتيجيات مختلفة لمعالجة المشكلات المتوقعة بشكل استباقي، فإنه لا يستطيع تحديد الاستراتيجية الأفضل على الإطلاق. لتقييم صحة وتأثير كل استراتيجية والتوصية بالاستراتيجية المُثلى، نحتاج إلى إطارات عمل متقدمة للمحاكاة. يمكن أن يدعم نموذج الأساس هذه العملية ولكن لا يمكنه أن يكون بديلًا عنها.

بدلًا من تقديم قائمة شاملة لحالات الاستخدام أو تفاصيل إطار العمل الدقيقة، سنسلط الضوء على المبادئ والاستراتيجيات الرئيسية. يركِّز هذا على الدمج الفعَّال للذكاء الاصطناعي التوليدي في عمليات شبكة الاتصالات عبر الطبقات الثلاث، كما هو موضَّح في الشكل 1.

نهدف إلى التأكيد على أهمية الإدارة الفعَّالة للبيانات والتحليلات المخصصة وتقنيات الأتمتة المتقدمة التي تعزز بشكل جماعي عمليات الشبكة وأداءها وموثوقيتها.

1. طبقة البيانات: تحسين بيانات شبكة الاتصالات باستخدام الذكاء الاصطناعي التوليدي

يُعَد فهم بيانات الشبكة نقطة البداية لأي حل مدعوم بالذكاء الاصطناعي التوليدي في مجال الاتصالات. ومع ذلك، فإن كل بائع في بيئة الاتصالات لديه عدادات فريدة، بأسماء ونطاقات قيمة محددة، ما يجعل من الصعب فهم البيانات. علاوةً على ذلك، غالبًا ما تتضمن بيئة شركات الاتصالات عدة بائعين، ما يزيد من التعقيد. يتطلب اكتساب الخبرة في هذه التفاصيل الخاصة بالبائع معرفة متخصصة، والتي لا تتوفر دائمًا بسهولة. ودون فهم واضح للبيانات التي تمتلكها، لا يمكن لشركات الاتصالات بناء حالات استخدام الذكاء الاصطناعي التوليدي ونشرها بفعالية.

لقد رأينا أن البنى القائمة على التوليد المعزز بالاسترجاع (RAG) يمكن أن تكون فعَّالة للغاية في مواجهة هذا التحدي. بناءً على تجربتنا من مشروعات إثبات المفهوم مع العملاء، إليك أفضل الطرق للاستفادة من الذكاء الاصطناعي التوليدي في طبقة البيانات:

• فهم بيانات البائعين: يمكن للذكاء الاصطناعي التوليدي معالجة المستندات الشاملة لاستخراج المعلومات الحساسة حول المَعلمات الفردية. يمكن للمهندسين التفاعل مع الذكاء الاصطناعي باستخدام استعلامات اللغة الطبيعية، وتلقي ردود فورية ودقيقة. وهذا يُلغي الحاجة إلى تصفّح مستندات البائعين المعقدة والضخمة يدويًا، ما يوفر الكثير من الوقت والجهد.
• بناء الرسوم البيانية المعرفية: يمكن للذكاء الاصطناعي التوليدي بناء رسوم بيانية معرفية شاملة تلقائيًا من خلال فهم نماذج البيانات المعقدة لمختلف البائعين. تمثّل هذه الرسوم البيانية المعرفية كيانات البيانات وعلاقاتها، ما يوفر رؤية منظمة ومترابطة لمنظومة البائعين. ويساعد هذا على تكامل البيانات واستخدامها بشكل أفضل في الطبقات العليا.
• ترجمة نماذج البيانات: من خلال الفهم المتعمق لنماذج بيانات البائعين المختلفين، يمكن للذكاء الاصطناعي التوليدي ترجمة البيانات من نموذج بائع إلى آخر. وهذه القدرة ضرورية لشركات الاتصالات التي تحتاج إلى مواءمة البيانات عبر أنظمة وبائعين متنوعين، ما يضمن الاتساق والتوافق.

تُعَد أتمتة فهم البيانات الخاصة بالبائع، وإنشاء البيانات الوصفية، وإنشاء رسوم بيانية معرفية مفصلة، وتسهيل ترجمة نماذج البيانات بسلاسة من العمليات الرئيسية. ومعًا، تمكِّن هذه العمليات، المدعومة بطبقة ببنية قائمة على التوليد المعزز بالاسترجاع (RAG)، شركات الاتصالات من الاستفادة من الإمكانات الكاملة لبياناتها.

2. طبقة التحليلات: الاستفادة من نماذج متنوعة للحصول على رؤى الشبكة

على مستوى عالٍ، يمكننا تقسيم حالات الاستخدام من التحليلات إلى فئتين: حالات الاستخدام التي تدور حول فهم حالة الشبكة السابقة والحالية وحالات الاستخدام التي تعمل على التنبؤ بحالة الشبكة المستقبلية.

بالنسبة إلى الفئة الأولى، والتي تتضمن ارتباطات متقدمة للبيانات وإنشاء رؤى حول حالة الشبكة السابقة والحالية، يمكن للمشغِّلين الاستفادة من النماذج اللغوية الكبيرة (LLMs) مثل Granite وLlama وGPT وMistral وغيرها. على الرغم من أن تدريب LLM هذه لم يتضمن بشكل خاص بيانات المشغِّل المنظمة، فإنه يمكننا استخدامها بشكل فعَّال مع المطالبة بأمثلة متعددة. يساعد هذا النهج على إضافة المزيد من المعرفة والسياق لتفسير بيانات المشغِّل.

أما بالنسبة إلى الفئة الثانية، والتي تركِّز على التنبؤ بحالة الشبكة المستقبلية، مثل توقُّع أعطال الشبكة وحركة المرور، لا يمكن للمشغِّلين الاعتماد على نماذج LLM العامة. وذلك لأن هذه النماذج تفتقر إلى التدريب اللازم للعمل مع البيانات المنظمة وشبه المنظمة الخاصة بالشبكة. وبدلًا من ذلك، يحتاج المشغِّلون إلى نماذج أساس مصممة خصوصًا لتناسب بياناتهم الفريدة وخصائصهم التشغيلية. للتنبؤ بسلوك الشبكة المستقبلي بدقة، يجب علينا تدريب هذه النماذج على الأنماط والتوجهات المحددة التي ينفرد بها المشغِّل، مثل بيانات الأداء التاريخية وتقارير الحوادث وتغييرات التكوين.

لتنفيذ نماذج الأساس المتخصصة، يجب على مشغِّلي الشبكات التعاون بشكل وثيق مع مزوِّدي تكنولوجيا الذكاء الاصطناعي. من الضروري إنشاء حلقة تعليقات مستمرة، حيث تراقب أداء النموذج بانتظام وتستخدم البيانات لتحسين النموذج بشكل متكرر. بالإضافة إلى ذلك، يمكن للأساليب الهجينة التي تجمع بين نماذج متعددة، كل منها متخصص في جوانب مختلفة من تحليلات الشبكة، أن تعزز الأداء والموثوقية بشكل عام. أخيرًا، يمكن أن يؤدي دمج الخبرة البشرية للتحقق من الصحة وإجراء ضبط دقيق لمخرجات النموذج إلى تحسين الدقة وبناء الثقة في النظام.

3. طبقة الأتمتة: دمج الذكاء الاصطناعي التوليدي ومحاكاة الشبكة للحصول على الحلول المُثلى 

هذه الطبقة مسؤولة عن تحديد الإجراءات المُثلى وتنفيذها استنادًا إلى الرؤى المستقاة من طبقة التحليلات، مثل تنبؤات حالة الشبكة المستقبلية، بالإضافة إلى التعليمات التشغيلية للشبكة أو الأهداف من فريق العمليات.

هناك اعتقاد خاطئ شائع بأن الذكاء الاصطناعي التوليدي يتعامل مع مهام التحسين ويمكنه تحديد الاستجابة المُثلى لحالات الشبكة المتوقعة. ومع ذلك، بالنسبة لحالات استخدام تحديد الإجراء الأمثل، يجب أن تتكامل طبقة الأتمتة مع أدوات محاكاة الشبكة. يُتيح هذا التكامل إجراء عمليات محاكاة مفصَّلة لجميع إجراءات التحسين المحتملة باستخدام توأم شبكة رقمي (نسخة افتراضية طبق الأصل من الشبكة). توفِّر عمليات المحاكاة هذه بيئة خاضعة للرقابة لاختبار سيناريوهات مختلفة دون التأثير في الشبكة المباشرة.

من خلال الاستفادة من هذه المحاكاة، يمكن للمشغِّلين مقارنة النتائج وتحليلها لتحديد الإجراءات التي تحقِّق أفضل أهداف التحسين. تجدر الإشارة إلى أن عمليات المحاكاة غالبًا ما تستفيد من نموذج الأساس من طبقة التحليلات، مثل نماذج اللغة المقنّعة. تسمح هذه النماذج بمعالجة المَعلمات وتقييم تأثيرها في بعض المَعلمات المقنّعة في سياق الشبكة.

تستفيد طبقة الأتمتة من مجموعة أخرى من حالات استخدام الذكاء الاصطناعي التوليدي، وهي التوليد المؤتمت للنصوص البرمجية لتنفيذ الإجراءات. تتطلب هذه الإجراءات، التي يتم تشغيلها من خلال رؤى الشبكة أو الأهداف التي يقدمها الإنسان، نصوصًا برمجية مصممة خصوصًا لتحديث عناصر الشبكة وفقًا لذلك. تقليديًا، كانت هذه العملية تتم يدويًا داخل شركات الاتصالات، ولكن مع التقدم في مجال الذكاء الاصطناعي التوليدي، هناك إمكانية لتوليد النصوص البرمجية تلقائيًا. تُظهر البنى التي تعتمد على النماذج اللغوية الكبيرة (LLMs) العامة المدعومة بالتوليد المعزز بالاسترجاع (RAG) أداءً جيدًا في هذا السياق، شريطةً أن يضمن المشغِّلون الوصول إلى مستندات البائع وطرق الإجراءات المناسبة (MOP).

يؤدي الذكاء الاصطناعي التوليدي دورًا مهمًا في عمليات شركات الاتصالات المستقبلية، بدءًا من التنبؤ بمؤشرات الأداء الرئيسية إلى الاستجابة لرؤى الشبكة ونوايا المستخدمين. ومع ذلك، فإن معالجة التحديات مثل الفهم الفعَّال للبيانات والتحليلات التنبؤية والتحسين الآلي للشبكة أمر بالغ الأهمية. تتمتع شركة IBM بتجربة عملية في كلٍّ من هذه المجالات، حيث تقدِّم حلولًا للتكامل بكفاءة، ونماذج الأساس المتخصصة وأدوات تحسين الشبكة المؤتمتة.

هل أنت مهتم بتنفيذ حالات استخدام الذكاء الاصطناعي التوليدي في شبكتك؟ شاركنا حالة الاستخدام الخاصة بك، ودعنا نساعدك على الاستفادة من إمكانياتها الكاملة. تواصَل معنا