应用生成式人工智能革新电信网络运营

生成式人工智能正在塑造电信网络运营的未来。增强网络运营的潜在应用包括预测关键绩效指标 (KPI) 的值、预测流量拥堵、实现规范分析、提供设计咨询服务以及充当网络运营中心 (NOC) 助理。

除了这些功能之外，生成式人工智能还可以彻底改变路测、优化网络资源分配、自动检测故障、优化上门服务并通过个性化服务提升客户体验。运营商和供应商已经发现并利用了这些机会。

然而，在实施生成式人工智能支持的用例的速度方面仍然存在挑战，以及如何避免阻碍全面扩展和阻碍投资回报优化的孤立实施。

在之前的一篇博文中，我们介绍了高效网络运营的三层模型。在这些层上应用生成式人工智能的主要挑战是：

• 数据层：生成式人工智能计划的核心是数据项目，数据理解不足是主要复杂因素之一。在电信公司，网络数据通常是特定于供应商的，这使得难以理解和有效使用。它还分散在多个运营支持系统 (OSS) 工具中，使获得网络统一视图的努力变得复杂。
• 分析层：基础模型针对不同的用例具有不同的功能和应用。完美的基础模型并不存在，因为单一模型无法统一地解决不同运营商的相同用例。这种复杂性源于每个网络所呈现的不同需求和独特挑战，包括网络架构、运营优先级和数据环境的变化。这一层承载着各种分析，包括传统的人工智能和机器学习模型、大型语言模型和为运营商量身定制的高度定制的基础模型。
• 自动化层：基础模型擅长总结、回归和分类等任务，但它们并不是优化的独立解决方案。虽然基础模型可以提出各种策略来主动解决预测问题，但它们无法确定绝对最佳的策略。 评估每种策略的正确性和影响，并推荐最佳策略，我们需要先进的模拟框架。 基础模型可以支持这一过程，但不能取代它。

跨 3 个层次的生成式 AI 基本考量

我们不会提供详尽的用例列表或详细的框架细节，而是重点介绍关键原则和策略。这些原则和策略侧重于有效地将生成式人工智能集成到三个层次的电信网络运营中，如图 1 所示。

我们旨在强调强大的数据管理、定制分析和先进的自动化技术的重要性，这些技术共同增强网络运营、性能和可靠性。

1. 数据层：利用生成式人工智能优化电信网络数据

了解网络数据是电信公司任何生成式 AI 解决方案的起点。然而，电信环境中的每个供应商都有独特的计数器，具有特定的名称和值范围，这使得理解数据变得困难。此外，电信行业通常有多家供应商，这增加了复杂性。获得这些供应商特定细节的专业知识需要专业知识，而这些知识并不总是随时可用的。如果不清楚自己拥有的数据，电信公司就无法有效地构建和部署生成式 AI 用例。

我们已经看到，基于检索增强生成 (RAG) 的架构可以非常有效地应对这一挑战。根据我们与客户合作的概念验证 (PoC) 项目的经验，以下是在数据层中利用生成式 AI 的最佳方法：

• 了解供应商数据：生成式人工智能可以处理大量供应商文档，以提取有关各个参数的关键信息。工程师可以使用自然语言查询与人工智能交互，获得即时、准确的响应。这样就无需手动浏览复杂且繁琐的供应商文档，从而节省大量时间和精力。
• 构建知识图谱：生成式人工智能可以通过理解不同供应商的复杂数据模型来自动构建全面的知识图谱。这些知识图谱代表数据实体及其关系，提供供应商生态系统的结构化和互连视图。这有助于更好地集成和利用上层数据。
• 数据模型翻译：通过深入了解不同供应商的数据模型，生成式人工智能可以将数据从一个供应商的模型转换为另一个供应商的模型。对于需要协调不同系统和供应商之间的数据以确保一致性和兼容性的电信公司来说，此功能至关重要。

自动理解特定供应商的数据、生成元数据、构建详细的知识图谱以及促进无缝数据模型转换是关键流程。这些流程由基于 RAG 架构的数据层支持，使电信公司能够充分利用其数据的潜力。

2. 分析层：利用各种模型获取网络洞察

从高层次上讲，我们可以将网络分析的用例分为两类： 了解过去和当前的网络状态 以及用例 预测未来网络状态。

对于第一类，它涉及高级数据关联以及对过去和当前网络状态的洞察，操作员可以利用大型语言模型 (LLM)，例如 Granite™、Llama、GPT、Mistral 等。虽然这些 LLM 的训练并没有特别包括结构化操作员数据，但我们可以有效地将它们与多镜头提示结合使用。这种方法有助于为操作员数据解释带来额外的知识和背景。

对于第二类，即专注于预测未来网络状态（例如预测网络故障和预测流量负载）的模型，运营商不能依赖通用的 LLM。这是因为这些模型缺乏处理特定于网络的结构化和半结构化数据的必要训练。相反，运营商需要专门针对其独特数据和运营特征量身定制的基础模型。为了准确预测未来的网络行为，我们必须针对运营商独有的特定模式和趋势（例如历史性能数据、事件报告和配置更改）训练这些模型。

为了实施专门的基础模型，网络运营商应与 AI 技术提供商密切合作。建立持续的反馈循环至关重要，您可以定期监控模型性能并使用数据迭代改进模型。此外，结合多种模型（每种模型专注于网络分析的不同方面）的混合方法可以提高整体性能和可靠性。最后，结合人类专业知识来验证和微调模型的输出可以进一步提高准确性并建立对系统的信任。

3. 自动化层：集成生成式人工智能和网络模拟以获得最佳解决方案

该层负责根据分析层的见解（例如未来网络状态预测）以及运营团队的网络操作指令或意图来确定和执行最佳行动。

人们普遍误以为生成式人工智能可以处理优化任务，并能确定对预测网络状态的最佳响应。然而，对于 最佳行动确定用例，自动化层必须集成网络仿真工具。这种集成可以使用数字网络孪生（网络的虚拟副本）对所有潜在的优化操作进行详细模拟。这些模拟创建了一个受控环境，用于测试不同的场景，而不会影响实时网络。

通过利用这些模拟，操作员可以比较和分析结果，以确定最符合优化目标的行动。值得强调的是，模拟通常利用分析层的专门基础模型，如屏蔽语言模型。这些模型允许操纵参数并评估它们对网络环境中特定屏蔽参数的影响。

自动化层利用了生成式人工智能的另一组用例，即自动生成操作执行脚本。 这些操作由网络洞察或人为意图触发，需要定制脚本来相应地更新网络元素。传统上，这个过程在电信公司内部是手动的，但随着生成式人工智能的进步，脚本生成自动化成为可能。在这种情况下，具有通用 LLM 和检索增强生成 (RAG) 的架构表现出色，前提是运营商能够确保访问供应商文档和合适的程序方法 (MOP)。

生成式 AI 在未来电信运营中发挥着重要作用，从预测 KPI 到响应网络洞察和用户意图。然而，解决高效数据理解、专业预测分析和自动化网络优化等挑战至关重要。IBM 在这些领域都拥有实践经验，可提供高效数据集成、专业基础模型和自动化网络优化工具的解决方案。

有兴趣在您的网络中实施生成式 AI 用例吗？请告诉我们您的用例，让我们充分发挥其潜力。请通过 [email protected] 和 [email protected] 联系我们。

利用人工智能构建你的企业未来