Las redes autónomas, que antes se consideraban un objetivo lejano para las telecomunicaciones, son ahora una prioridad urgente. Según el último informe de NVIDIA sobre el estado de la IA en las telecomunicaciones , la automatización de redes es el principal caso de uso de la IA en cuanto a inversión y rentabilidad real, lo que demuestra dónde los operadores obtienen un valor inmediato de la IA.
Si bien muchas empresas de telecomunicaciones ya automatizan flujos de trabajo predefinidos, lograr una verdadera autonomía requiere más. Las redes autónomas deben comprender la intención del operador, evaluar las opciones y determinar las mejores acciones dentro de infraestructuras complejas. Este cambio se basa en modelos de razonamiento y agentes de IA entrenados específicamente con datos y patrones operativos de telecomunicaciones.
Sistemas agenciales para telecomunicaciones
La transición a operaciones autónomas requiere más que simples modelos de IA aislados. Las empresas de telecomunicaciones necesitan sistemas de agentes completos que incluyan:
- Modelos de red específicos para telecomunicaciones que comprenden el lenguaje y la estructura del dominio.
- Agentes de IA que pueden comunicarse y coordinarse entre sí
- Herramientas de simulación de red que confirman los cambios propuestos antes de que afecten a entornos reales.
Antes del Mobile World Congress de Barcelona, NVIDIA presentó varios elementos orientados a este marco: un modelo abierto para grandes operadoras de telecomunicaciones (LTM) basado en Nemotron, una guía para la creación de agentes de razonamiento para operaciones de red y nuevos NVIDIA Blueprints para el ahorro de energía y la configuración de redes mediante orquestación multiagente. Estos componentes ayudan a los operadores a migrar gradualmente a redes autónomas manteniendo el control de su infraestructura.
Como parte de la nueva iniciativa Open Telco AI de GSMA, NVIDIA pone a disposición del público, a través de GSMA, el LTM, la guía y los planos de IA agente relacionados como recursos abiertos. Este enfoque proporciona al ecosistema móvil en general componentes básicos comunes en lugar de soluciones propietarias.
Modelo de razonamiento abierto y optimizado para telecomunicaciones
Para implementar IA generativa y automatizada en entornos de telecomunicaciones de producción, los modelos deben comprender el lenguaje de las telecomunicaciones y razonar a través de los procesos reales de la red. NVIDIA, en colaboración con la consultora AdaptKey AI, ha presentado Nemotron LTM, un modelo de tiempo largo (LTM) de código abierto con 30 mil millones de parámetros, que los operadores globales pueden utilizar como base para redes autónomas.
El LTM se basa en la familia de modelos fundamentales NVIDIA Nemotron 3 y es optimizado por AdaptKey AI utilizando conjuntos de datos de telecomunicaciones abiertos, incluidos estándares de la industria y registros de red sintéticos. Esta optimización se centra en tareas clave de las telecomunicaciones, tales como:
- Identificación de fallos en entornos multicapa y de múltiples proveedores.
- Planificación para la remediación, incluyendo vías de decisión y procedimientos de reversión.
- Validar los cambios y evaluar los impactos antes y después de las actualizaciones.
Dado que Nemotron LTM es de código abierto, los operadores tienen total visibilidad de su proceso de entrenamiento y fuentes de datos. Esta transparencia facilita una implementación segura en entornos de telecomunicaciones, permitiendo a los operadores crear y ejecutar agentes dentro de sus propios límites de seguridad. Además, permite a las empresas de telecomunicaciones ajustar el razonamiento optimizado para telecomunicaciones utilizando datos operativos y de red internos, adaptando el modelo a sus arquitecturas y políticas específicas sin comprometer la información confidencial.
Guía abierta para la creación de agentes de razonamiento para telecomunicaciones
NVIDIA y Tech Mahindra han publicado una guía de código abierto para operadores que muestra cómo transformar modelos de razonamiento específicos de un dominio en agentes capaces de ejecutar flujos de trabajo de centros de operaciones de red (NOC) de forma segura.
La guía describe un marco que ayuda a los modelos a razonar como ingenieros de NOC. Les indica que:
- Identificar rápidamente los tipos de incidentes de alto impacto y alta frecuencia en los que la automatización beneficia a las operaciones.
- Convierta las soluciones de ingenieros expertos en procedimientos claros y paso a paso.
- Transforme esos procedimientos en registros de razonamiento estructurados que documenten cada acción, el uso de cada herramienta, el resultado observado y el punto de decisión.
Estos registros sirven como ejemplos prácticos para el modelo, detallando las acciones a seguir y los motivos de comprobaciones específicas, las rutas de escalamiento y las soluciones consideradas seguras y eficaces. Con la plataforma NVIDIA NeMo-Skills, los operadores pueden perfeccionar un modelo de razonamiento utilizando estos registros y crear agentes especializados en telecomunicaciones que aborden la resolución de problemas y las operaciones, de forma similar a los ingenieros de red experimentados.
Autonomía de bucle cerrado y optimización energética de la RAN
Las redes autónomas se basan en un funcionamiento de bucle cerrado. Los modelos deben comprender el estado de la red, los agentes deben actuar según la intención del operador y los resultados de la simulación, y la retroalimentación debe perfeccionar continuamente las decisiones futuras.
El nuevo plan estratégico de NVIDIA para la eficiencia energética de la RAN basada en intenciones ilustra este principio en las redes de acceso de radio 5G. El objetivo del plan es ayudar a los operadores a reducir sistemáticamente el consumo de energía de la RAN manteniendo la calidad del servicio.
La arquitectura de referencia incorpora el generador de escenarios RAN con IA TeraVM (AI RSG) de VIAVI, que genera datos RAN sintéticos como el uso de celdas, el rendimiento de los usuarios y los patrones de tráfico. AI RSG transforma estos datos a un formato que los agentes de IA pueden consultar.
Un agente de planificación energética analiza los datos sintéticos para crear políticas de ahorro energético, que luego se prueban en AI RSG. Este sistema de circuito cerrado permite a los operadores evaluar cómo podrían funcionar las estrategias de ahorro energético en escenarios realistas antes de afectar las configuraciones en tiempo real, ofreciendo un enfoque más seguro para lograr los objetivos de eficiencia energética sin perjudicar la experiencia del usuario.
Plan de configuración de redes de telecomunicaciones en uso real
El plan estratégico de NVIDIA para la configuración de redes de telecomunicaciones ha pasado del concepto a la aplicación práctica, y los operadores lo están utilizando para introducir la IA automatizada en entornos de producción.
Cassava Technologies está aplicando el plan de configuración como base para Cassava AI RAN, una plataforma basada en agentes para el diverso panorama de redes móviles de múltiples proveedores de África. La plataforma cuenta con tres agentes especializados:
- Un agente de monitorización y recomendación que realiza un seguimiento del estado de la red y sugiere cambios de configuración.
- Un agente de ejecución que implementa los cambios aprobados, garantizando al mismo tiempo una documentación y una gobernanza exhaustivas.
- Un agente de validación y reversión que evalúa el impacto de los cambios y los revierte si provocan consecuencias no deseadas.
Este enfoque multiagente promueve ciclos de configuración más seguros y rápidos en diversas configuraciones de radio y de diferentes proveedores.
NTT DATA está utilizando el mismo modelo para mejorar la regulación del tráfico, especialmente cuando los usuarios se reconectan tras interrupciones y las redes experimentan picos repentinos de demanda. Implementado con un operador de primer nivel en Japón, un agente de IA monitoriza la demanda en tiempo real en todas las celdas y toma decisiones de control de acceso, determinando cuándo y cómo admitir nuevos usuarios en celdas específicas. A medida que la demanda vuelve a la normalidad, el agente ajusta sus acciones, transformando la gestión manual del tráfico en un ciclo de optimización basado en datos que busca mejorar la resiliencia durante los picos de demanda.
Orquestación multiagente
Para ayudar a los operadores a diseñar, rastrear y optimizar flujos de trabajo multiagente dentro de la RAN, NVIDIA y BubbleRAN están actualizando el NVIDIA Blueprint para redes de telecomunicaciones con dos marcos integrados:
- NVIDIA NeMo Agent Toolkit (NAT) para la creación y coordinación de agentes de IA.
- BubbleRAN Agentic Toolkit (BAT) permite orquestar dichos agentes en entornos de telecomunicaciones.
BubbleRAN está incorporando NAT y BAT a su plataforma Opti-Sphere, que gestiona agentes de monitorización, configuración y validación en contenedores y cargas de trabajo. Opti-Sphere conecta los agentes con herramientas que muestran métricas de red y el estado del tráfico, lo que les permite sugerir cambios de configuración de forma continua, simularlos o validarlos y ajustarlos según sea necesario.
Telenor Group será la primera empresa de telecomunicaciones en implementar este modelo actualizado con BubbleRAN, mejorando así su red 5G para Telenor Maritime, el proveedor global de conectividad del grupo para clientes marítimos. Este despliegue pondrá a prueba la orquestación automatizada y las operaciones de bucle cerrado en un entorno de conectividad exigente, donde las condiciones cambiantes y los altos requisitos de disponibilidad resaltan la necesidad de un comportamiento de red robusto y autónomo.
Amazon