Le reti autonome, un tempo considerate un obiettivo lontano per le telecomunicazioni, sono ora una priorità impellente. Secondo l'ultimo rapporto "State of AI in Telecommunications" di NVIDIA , l'automazione di rete è il principale caso d'uso dell'IA in termini di investimenti e ritorni effettivi, dimostrando dove gli operatori possono trarre un valore immediato dall'intelligenza artificiale.
Sebbene molte compagnie telefoniche automatizzino già flussi di lavoro prestabiliti, raggiungere una vera autonomia richiede di più. Le reti autonome devono comprendere le intenzioni dell'operatore, valutare le opzioni e determinare le azioni migliori all'interno di infrastrutture complesse. Questa trasformazione si basa su modelli di ragionamento e agenti di intelligenza artificiale specificamente addestrati su dati e modelli operativi del settore delle telecomunicazioni.
Sistemi agenti per le telecomunicazioni
Il passaggio alle operazioni autonome richiede più di semplici modelli di IA isolati. Le aziende di telecomunicazioni necessitano di sistemi agentici completi che includano:
- Modelli di rete specifici per le telecomunicazioni che comprendono il linguaggio e la struttura del dominio.
- Agenti di intelligenza artificiale in grado di comunicare e coordinarsi tra loro.
- Strumenti di simulazione di rete che confermano le modifiche proposte prima che abbiano effetto sugli ambienti di produzione.
In vista del Mobile World Congress di Barcellona, NVIDIA ha presentato diversi elementi che rientrano in questo quadro: un modello LTM (Large Telco Model) aperto e basato su Nemotron, una guida per la creazione di agenti di ragionamento per le operazioni di rete e i nuovi NVIDIA Blueprints per il risparmio energetico e la configurazione di rete tramite orchestrazione multi-agente. Questi componenti aiutano gli operatori a effettuare una transizione graduale verso reti autonome, mantenendo al contempo il controllo della propria infrastruttura.
Nell'ambito della nuova iniziativa Open Telco AI di GSMA, NVIDIA sta rendendo disponibili LTM, la guida e i relativi modelli di intelligenza artificiale agentica come risorse aperte tramite GSMA. Questo approccio fornisce all'intero ecosistema mobile elementi costitutivi comuni anziché soluzioni proprietarie.
Modello di ragionamento aperto e ottimizzato per le telecomunicazioni.
Per implementare l'IA generativa e agentiva negli ambienti di produzione delle telecomunicazioni, i modelli devono comprendere il linguaggio delle telecomunicazioni e ragionare attraverso i processi di rete reali. NVIDIA, in collaborazione con la società di consulenza AdaptKey AI, ha introdotto un Nemotron LTM open source da 30 miliardi di parametri che gli operatori globali possono utilizzare come base per le reti autonome.
LTM si basa sulla famiglia di modelli fondamentali NVIDIA Nemotron 3 ed è ottimizzato da AdaptKey AI utilizzando set di dati aperti del settore delle telecomunicazioni, inclusi standard di settore e log di rete sintetici. Questa ottimizzazione si concentra su attività chiave delle telecomunicazioni come:
- Identificazione dei guasti in ambienti multistrato e multi-vendor
- Pianificazione delle attività di bonifica, compresi i percorsi decisionali e le procedure di ripristino.
- Convalidare le modifiche e valutare l'impatto prima e dopo gli aggiornamenti
Poiché Nemotron LTM è open source, gli operatori hanno piena visibilità sul suo processo di addestramento e sulle fonti di dati. Questa trasparenza supporta l'implementazione sicura all'interno degli ambienti delle telecomunicazioni, consentendo agli operatori di creare ed eseguire agenti entro i propri limiti di sicurezza. Permette inoltre alle aziende di telecomunicazioni di adattare il ragionamento ottimizzato per le telecomunicazioni utilizzando dati interni di rete e operativi, personalizzando il modello in base alle proprie architetture e politiche specifiche senza compromettere le informazioni sensibili.
Guida aperta per la creazione di agenti di ragionamento per le telecomunicazioni
NVIDIA e Tech Mahindra hanno pubblicato una guida open-source per gli operatori che mostra come trasformare i modelli di ragionamento specifici del dominio in agenti in grado di eseguire in modo sicuro i flussi di lavoro del centro operativo di rete (NOC).
La guida delinea un quadro di riferimento che aiuta i modelli a ragionare come gli ingegneri del NOC. Li istruisce a:
- Individua rapidamente le tipologie di incidenti ad alto impatto e ad alta frequenza in cui l'automazione apporta benefici alle operazioni.
- Trasformare le soluzioni ingegneristiche di esperti in procedure chiare e dettagliate.
- Trasforma queste procedure in tracce di ragionamento strutturate che documentino ogni azione, utilizzo di strumenti, risultato osservato e punto decisionale.
Queste tracce fungono da "esempi di ragionamento" per il modello, dettagliando le azioni da intraprendere e le motivazioni alla base di specifici controlli, percorsi di escalation e soluzioni considerate sicure ed efficaci. Grazie alla pipeline NVIDIA NeMo-Skills, gli operatori possono perfezionare un modello di ragionamento utilizzando queste tracce e creare agenti specializzati nel settore delle telecomunicazioni, in grado di gestire la risoluzione dei problemi e le operazioni, proprio come ingegneri di rete esperti.
Autonomia a ciclo chiuso e ottimizzazione energetica della RAN
Le reti autonome si basano su un funzionamento a ciclo chiuso. I modelli devono comprendere lo stato della rete, gli agenti devono agire in base alle intenzioni dell'operatore e ai risultati delle simulazioni, e il feedback deve perfezionare continuamente le decisioni future.
Il nuovo Blueprint di NVIDIA per l'efficienza energetica della RAN basata sugli intenti illustra questo principio nelle reti di accesso radio 5G. Il blueprint mira ad aiutare gli operatori a ridurre sistematicamente il consumo energetico della RAN mantenendo al contempo la qualità del servizio.
L'architettura di riferimento incorpora il generatore di scenari RAN AI TeraVM (AI RSG) di VIAVI, che genera dati RAN sintetici come l'utilizzo delle celle, il throughput degli utenti e i modelli di traffico. AI RSG trasforma questi dati in un formato che gli agenti di intelligenza artificiale possono interrogare.
Un agente di pianificazione energetica analizza i dati sintetici per creare politiche di risparmio energetico, che vengono poi testate in AI RSG. Questa configurazione a ciclo chiuso consente agli operatori di valutare l'efficacia delle strategie di risparmio energetico in scenari realistici prima di applicarle alle configurazioni in tempo reale, offrendo un approccio più sicuro per raggiungere gli obiettivi di efficienza energetica senza compromettere l'esperienza dell'utente.
Schema di configurazione per la rete di telecomunicazioni in ambiente di produzione.
Il progetto Blueprint di NVIDIA per la configurazione delle reti di telecomunicazioni è passato dalla fase concettuale all'applicazione concreta, con gli operatori che lo utilizzano per introdurre l'intelligenza artificiale agentiva negli ambienti di produzione.
Cassava Technologies sta applicando il modello di configurazione come base per Cassava AI RAN, una piattaforma agentica per il variegato panorama delle reti mobili multi-vendor africane. La piattaforma comprende tre agenti specializzati:
- Un agente di monitoraggio e raccomandazione che tiene traccia delle condizioni di rete e suggerisce modifiche alla configurazione.
- Un agente esecutivo che implementa le modifiche approvate garantendo al contempo una documentazione e una governance accurate.
- Un agente di validazione e rollback che valuta l'impatto delle modifiche e le annulla qualora causino conseguenze indesiderate.
Questo approccio multi-agente promuove cicli di configurazione più sicuri e rapidi in diverse configurazioni radio e di vari fornitori.
NTT DATA sta utilizzando lo stesso modello per migliorare la regolazione del traffico, soprattutto quando gli utenti si riconnettono dopo interruzioni e le reti subiscono improvvisi picchi di domanda. Implementato con un operatore di primo livello in Giappone, un agente di intelligenza artificiale monitora la domanda in tempo reale tra le celle e prende decisioni di controllo degli accessi, determinando quando e come ammettere nuovi utenti a celle specifiche. Quando la domanda torna alla normalità, l'agente adegua le proprie azioni, trasformando la gestione manuale del traffico in un ciclo di ottimizzazione basato sui dati, volto a migliorare la resilienza durante i picchi.
Orchestrazione multi-agente
Per aiutare gli operatori a progettare, monitorare e ottimizzare i flussi di lavoro multi-agente all'interno della RAN, NVIDIA e BubbleRAN stanno aggiornando NVIDIA Blueprint per le reti di telecomunicazioni con due framework integrati:
- NVIDIA NeMo Agent Toolkit (NAT) per la creazione e il coordinamento di agenti di intelligenza artificiale.
- BubbleRAN Agentic Toolkit (BAT) per l'orchestrazione di tali agenti in ambienti di livello telco.
BubbleRAN sta integrando NAT e BAT nella sua piattaforma Opti-Sphere, che gestisce agenti di monitoraggio, configurazione e convalida su container e carichi di lavoro. Opti-Sphere collega gli agenti a strumenti che rivelano metriche di rete e stato del traffico, consentendo loro di suggerire continuamente modifiche alla configurazione, simularle o convalidarle e adattarsi di conseguenza.
Telenor Group sarà il primo operatore di telecomunicazioni ad implementare questo schema aggiornato con BubbleRAN, migliorando la propria rete 5G per Telenor Maritime, il fornitore globale di connettività del gruppo per i clienti del settore marittimo. Questa implementazione metterà alla prova l'orchestrazione agentica e le operazioni a circuito chiuso in un ambiente di connettività complesso, dove le condizioni mutevoli e gli elevati requisiti di disponibilità sottolineano la necessità di un comportamento di rete robusto e autonomo.
Amazon