Autonome Netzwerke, einst ein fernes Ziel für die Telekommunikationsbranche, haben heute höchste Priorität. Laut dem aktuellen NVIDIA-Bericht „State of AI in Telecommunications“ ist die Netzwerkautomatisierung der wichtigste Anwendungsfall für KI-Investitionen und erzielt die höchsten tatsächlichen Renditen. Dies zeigt, wo Betreiber unmittelbar von KI profitieren.
Obwohl viele Telekommunikationsunternehmen bereits bestimmte Arbeitsabläufe automatisieren, erfordert echte Autonomie mehr. Autonome Netzwerke müssen die Absichten der Betreiber verstehen, Optionen abwägen und in komplexen Infrastrukturen die besten Maßnahmen bestimmen. Dieser Wandel basiert auf Schlussfolgerungsmodellen und KI-Systemen, die speziell auf Telekommunikationsdaten und Betriebsmuster trainiert wurden.
Agentische Systeme für Telekommunikation
Die Umstellung auf autonome Betriebsabläufe erfordert mehr als nur isolierte KI-Modelle. Telekommunikationsunternehmen benötigen vollständige agentenbasierte Systeme, die Folgendes umfassen:
- Telekommunikationsspezifische Netzwerkmodelle, die Domänensprache und Struktur erfassen
- KI-Agenten, die miteinander kommunizieren und sich koordinieren können
- Netzwerk-Simulationswerkzeuge, die vorgeschlagene Änderungen bestätigen, bevor diese sich auf Live-Umgebungen auswirken
Im Vorfeld des Mobile World Congress in Barcelona präsentierte NVIDIA mehrere Elemente für dieses Framework: ein offenes, auf Nemotron basierendes Large Telco Model (LTM), einen Leitfaden zum Erstellen von Agenten für den Netzwerkbetrieb sowie neue NVIDIA Blueprints für Energieeinsparungen und Netzwerkkonfiguration mittels Multiagenten-Orchestrierung. Diese Komponenten unterstützen Betreiber beim schrittweisen Übergang zu autonomen Netzwerken und ermöglichen ihnen gleichzeitig die Kontrolle über ihre Infrastruktur.
Im Rahmen der neuen Open Telco AI-Initiative der GSMA stellt NVIDIA den LTM, den Leitfaden und die zugehörigen agentenbasierten KI-Blueprints als offene Ressourcen über die GSMA zur Verfügung. Dieser Ansatz bietet dem gesamten Mobilfunk-Ökosystem gemeinsame Bausteine anstelle proprietärer Lösungen.
Offenes, auf Telekommunikation abgestimmtes Schlussfolgerungsmodell
Um generative und agentenbasierte KI in produktiven Telekommunikationsumgebungen einzusetzen, müssen die Modelle die Telekommunikationssprache verstehen und reale Netzwerkprozesse nachvollziehen können. NVIDIA hat in Zusammenarbeit mit dem Beratungsunternehmen AdaptKey AI den Open-Source-LTM Nemotron mit 30 Milliarden Parametern vorgestellt, den globale Netzbetreiber als Grundlage für autonome Netzwerke nutzen können.
Der LTM basiert auf der NVIDIA Nemotron 3-Familie von Basismodellen und wird von AdaptKey AI mithilfe offener Telekommunikationsdatensätze, einschließlich Industriestandards und synthetischer Netzwerkprotokolle, feinabgestimmt. Diese Feinabstimmung konzentriert sich auf wichtige Telekommunikationsaufgaben wie:
- Identifizierung von Fehlern in mehrschichtigen und herstellerübergreifenden Umgebungen
- Planung der Sanierungsmaßnahmen, einschließlich Entscheidungspfaden und Rücknahmeverfahren
- Validierung von Änderungen und Bewertung der Auswirkungen vor und nach Aktualisierungen
Da Nemotron LTM offen ist, erhalten Betreiber volle Transparenz über den Trainingsprozess und die Datenquellen. Diese Transparenz unterstützt den sicheren Einsatz in Telekommunikationsumgebungen und ermöglicht es Betreibern, Agenten innerhalb ihrer eigenen Sicherheitsgrenzen zu entwickeln und zu betreiben. Darüber hinaus können Telekommunikationsunternehmen die speziell angepasste Logik mithilfe interner Netzwerk- und Betriebsdaten optimieren und das Modell so an ihre spezifischen Architekturen und Richtlinien anpassen, ohne sensible Informationen zu gefährden.
Leitfaden zum Erstellen von Telekommunikations-Logikagenten
NVIDIA und Tech Mahindra haben einen Open-Source-Leitfaden für Betreiber veröffentlicht, der zeigt, wie domänenspezifische Schlussfolgerungsmodelle in Agenten umgewandelt werden können, die in der Lage sind, Arbeitsabläufe in Netzwerkbetriebszentren (NOC) sicher auszuführen.
Der Leitfaden beschreibt ein Rahmenwerk, das Modellen hilft, wie NOC-Ingenieure zu argumentieren. Er weist sie an:
- Identifizieren Sie schnellstmöglich die Arten von Vorfällen mit hoher Auswirkung und hoher Häufigkeit, bei denen die Automatisierung dem Betrieb zugutekommt.
- Expertenlösungen von Ingenieuren in klare, schrittweise Anleitungen umwandeln.
- Wandeln Sie diese Vorgehensweisen in strukturierte Denkprozesse um, die jede Aktion, jeden Werkzeugeinsatz, jedes beobachtete Ergebnis und jeden Entscheidungspunkt dokumentieren.
Diese Protokolle dienen dem Modell als „Denkbeispiele“ und beschreiben detailliert die durchzuführenden Maßnahmen sowie die Gründe für bestimmte Prüfungen, Eskalationswege und als sicher und effektiv erachtete Lösungen. Mithilfe der NVIDIA NeMo-Skills-Pipeline können Betreiber anhand dieser Protokolle ein Entscheidungsmodell feinabstimmen und auf Telekommunikation spezialisierte Agenten erstellen, die Fehlerbehebung und Betriebsabläufe ähnlich wie erfahrene Netzwerktechniker übernehmen.
Autonomie im geschlossenen Regelkreis und RAN-Energieoptimierung
Autonome Netzwerke basieren auf einem geschlossenen Regelkreis. Modelle müssen den Zustand des Netzwerks verstehen, Agenten müssen gemäß den Absichten des Bedieners und den Simulationsergebnissen handeln, und Feedback muss zukünftige Entscheidungen kontinuierlich verfeinern.
NVIDIAs neuer Blueprint für absichtsgesteuerte RAN-Energieeffizienz veranschaulicht dieses Prinzip in 5G-Funkzugangsnetzen. Der Blueprint soll Betreibern helfen, den RAN-Stromverbrauch systematisch zu senken und gleichzeitig die Dienstqualität aufrechtzuerhalten.
Die Referenzarchitektur integriert den TeraVM AI RAN Scenario Generator (AI RSG) von VIAVI, der synthetische RAN-Daten wie Zellenauslastung, Benutzerdurchsatz und Verkehrsmuster generiert. AI RSG transformiert diese Daten in ein Format, das von KI-Agenten abgefragt werden kann.
Ein Energieplanungsagent analysiert die synthetischen Daten, um Energiesparrichtlinien zu erstellen, die anschließend im KI-gestützten RSG getestet werden. Dieses geschlossene System ermöglicht es Betreibern, die Wirksamkeit von Energiesparstrategien in realistischen Szenarien zu evaluieren, bevor sie Änderungen an den Live-Systemen vornehmen. So wird ein sichererer Ansatz zur Erreichung der Energieeffizienzziele geboten, ohne die Kundenzufriedenheit zu beeinträchtigen.
Blaupause für die Konfiguration von Telekommunikationsnetzen im Live-Einsatz
NVIDIAs Blueprint für die Konfiguration von Telekommunikationsnetzen hat den Übergang vom Konzept zur realen Anwendung geschafft; Betreiber nutzen ihn, um agentenbasierte KI in Produktionsumgebungen einzuführen.
Cassava Technologies nutzt den Konfigurationsentwurf als Grundlage für Cassava AI RAN, eine agentenbasierte Plattform für die vielfältige Mobilfunknetzlandschaft Afrikas mit ihren verschiedenen Anbietern. Die Plattform umfasst drei spezialisierte Agenten:
- Ein Überwachungs- und Empfehlungsagent, der Netzwerkbedingungen verfolgt und Konfigurationsänderungen vorschlägt.
- Ein ausführender Agent, der genehmigte Änderungen umsetzt und gleichzeitig eine gründliche Dokumentation und Governance gewährleistet.
- Ein Validierungs- und Rollback-Agent, der die Auswirkungen von Änderungen bewertet und diese rückgängig macht, wenn sie unbeabsichtigte Folgen verursachen.
Dieser Multiagenten-Ansatz fördert sicherere und schnellere Konfigurationszyklen über verschiedene Funk- und Herstellerkonfigurationen hinweg.
NTT DATA nutzt dasselbe Konzept zur Verbesserung der Verkehrssteuerung, insbesondere bei der Wiederherstellung der Verbindung nach Ausfällen und bei plötzlichen Nachfragespitzen im Netz. Ein KI-System, das bei einem führenden Netzbetreiber in Japan im Einsatz ist, überwacht die Echtzeit-Nachfrage in den einzelnen Funkzellen und trifft Entscheidungen zur Zugangskontrolle. Es legt fest, wann und wie neue Nutzer in bestimmte Funkzellen zugelassen werden. Sobald sich die Nachfrage normalisiert, passt das System seine Maßnahmen an und wandelt so die manuelle Verkehrssteuerung in einen datengesteuerten Optimierungsprozess um, der die Ausfallsicherheit bei Lastspitzen erhöht.
Multi-Agent-Orchestrierung
Um Betreiber bei der Entwicklung, Verfolgung und Optimierung von Multiagenten-Workflows innerhalb des RAN zu unterstützen, aktualisieren NVIDIA und BubbleRAN den NVIDIA Blueprint für Telekommunikationsnetze mit zwei integrierten Frameworks:
- NVIDIA NeMo Agent Toolkit (NAT) zur Erstellung und Koordination von KI-Agenten.
- BubbleRAN Agentic Toolkit (BAT) zur Orchestrierung dieser Agenten in Telekommunikationsumgebungen.
BubbleRAN integriert NAT und BAT in seine Opti-Sphere-Plattform, die Überwachungs-, Konfigurations- und Validierungsagenten für Container und Workloads bereitstellt. Opti-Sphere verbindet Agenten mit Tools, die Netzwerkmetriken und den Verkehrsstatus aufdecken. Dadurch können sie kontinuierlich Konfigurationsänderungen vorschlagen, diese simulieren oder validieren und entsprechend anpassen.
Die Telenor Group wird als erstes Telekommunikationsunternehmen dieses aktualisierte Konzept mit BubbleRAN implementieren und so ihr 5G-Netz für Telenor Maritime, den globalen Konnektivitätsanbieter der Gruppe für maritime Kunden, verbessern. Diese Implementierung wird die agentenbasierte Orchestrierung und den geschlossenen Regelkreis in einer anspruchsvollen Konnektivitätsumgebung testen, in der sich ändernde Bedingungen und hohe Verfügbarkeitsanforderungen die Notwendigkeit eines robusten und autonomen Netzwerkverhaltens unterstreichen.
Amazon