Autonome netwerken, ooit beschouwd als een ver doel voor de telecomsector, zijn nu een dringende prioriteit. Volgens het meest recente State of AI in Telecommunications-rapport van NVIDIA is netwerkautomatisering de belangrijkste toepassing van AI voor investeringen en daadwerkelijke rendementen, wat aantoont waar operators direct waarde halen uit AI.
Hoewel veel telecombedrijven al bepaalde workflows automatiseren, is er meer nodig om echte autonomie te bereiken. Autonome netwerken moeten de intentie van de operator begrijpen, opties afwegen en de beste acties bepalen binnen complexe infrastructuren. Deze verandering is afhankelijk van redeneermodellen en AI-agenten die specifiek zijn getraind op telecomdata en operationele patronen.
Agentische systemen voor telecommunicatie
De overstap naar autonome bedrijfsvoering vereist meer dan alleen geïsoleerde AI-modellen. Telecombedrijven hebben complete agentsystemen nodig die het volgende omvatten:
- Telecomspecifieke netwerkmodellen die de domeintaal en -structuur begrijpen.
- AI-agenten die met elkaar kunnen communiceren en coördineren.
- Netwerksimulatietools die voorgestelde wijzigingen bevestigen voordat ze impact hebben op live omgevingen.
Voorafgaand aan het Mobile World Congress Barcelona onthulde NVIDIA verschillende elementen die op dit framework zijn gericht: een open, op Nemotron gebaseerd Large Telecom Model (LTM), een handleiding voor het bouwen van redeneeragenten voor netwerkbeheer en nieuwe NVIDIA Blueprints voor energiebesparing en netwerkconfiguratie met behulp van multi-agent-orkestratie. Deze componenten helpen operators geleidelijk over te stappen naar autonome netwerken, terwijl ze de controle over hun infrastructuur behouden.
Als onderdeel van GSMA's nieuwe Open Telco AI-initiatief stelt NVIDIA de LTM, de handleiding en de bijbehorende agentische AI-blauwdrukken beschikbaar als open bronnen via GSMA. Deze aanpak biedt het bredere mobiele ecosysteem gemeenschappelijke bouwstenen in plaats van propriëtaire oplossingen.
Open, op telecommunicatie afgestemd redeneermodel
Om generatieve en agentische AI in productieomgevingen van telecombedrijven te implementeren, moeten modellen de telecomtaal begrijpen en redeneren aan de hand van daadwerkelijke netwerkprocessen. NVIDIA heeft, in samenwerking met adviesbureau AdaptKey AI, een open-source Nemotron LTM met 30 miljard parameters geïntroduceerd die wereldwijde operators als basis kunnen gebruiken voor autonome netwerken.
De LTM bouwt voort op de NVIDIA Nemotron 3-familie van basismodellen en wordt door AdaptKey AI verfijnd met behulp van openbare telecomdatasets, waaronder industriestandaarden en synthetische netwerklogs. Deze verfijning richt zich op belangrijke telecomtaken zoals:
- Fouten opsporen in meerlaagse en multi-vendor omgevingen
- Planning voor herstel, inclusief besluitvormingsprocessen en terugdraaiprocedures.
- Wijzigingen valideren en de impact ervan beoordelen vóór en na updates.
Omdat de Nemotron LTM open is, krijgen operators volledig inzicht in het trainingsproces en de gegevensbronnen. Deze transparantie ondersteunt een veilige implementatie binnen telecomomgevingen, waardoor operators agents kunnen bouwen en uitvoeren binnen hun eigen beveiligingsgrenzen. Het stelt telecombedrijven ook in staat om de op telecom afgestemde redenering aan te passen met behulp van interne netwerk- en operationele gegevens, waardoor het model wordt afgestemd op hun specifieke architecturen en beleid zonder gevoelige informatie in gevaar te brengen.
Open handleiding voor het bouwen van telecom-redeneeragenten
NVIDIA en Tech Mahindra hebben een open-source handleiding voor operators uitgebracht die laat zien hoe domeinspecifieke redeneermodellen kunnen worden omgezet in agents die in staat zijn om veilig workflows van een netwerkbeheercentrum (NOC) uit te voeren.
De handleiding schetst een raamwerk dat modellen helpt om te redeneren zoals NOC-engineers. Het instrueert hen om:
- Identificeer snel de soorten incidenten met grote impact en hoge frequentie waarbij automatisering de bedrijfsvoering ten goede komt.
- Zet de oplossingen van deskundige ingenieurs om in duidelijke, stapsgewijze procedures.
- Zet die procedures om in gestructureerde redeneringsprocessen die elke actie, het gebruik van een hulpmiddel, het waargenomen resultaat en het beslissingsmoment documenteren.
Deze traceringen dienen als 'denkvoorbeelden' voor het model en beschrijven de te nemen acties en de redenen achter specifieke controles, escalatiepaden en oplossingen die als veilig en effectief worden beschouwd. Met de NVIDIA NeMo-Skills pipeline kunnen operators een redeneermodel verfijnen met behulp van deze traceringen en gespecialiseerde telecomagents creëren die zich bezighouden met probleemoplossing en beheer, net als ervaren netwerkengineers.
Autonomie in gesloten lus en RAN-energieoptimalisatie
Autonome netwerken zijn gebaseerd op een gesloten regelkring. Modellen moeten de toestand van het netwerk begrijpen, agenten moeten handelen op basis van de intentie van de operator en de resultaten van de simulatie, en feedback moet toekomstige beslissingen voortdurend verfijnen.
NVIDIA's nieuwe blauwdruk voor intentiegestuurde RAN-energie-efficiëntie illustreert dit principe in 5G-radiotoegangsnetwerken. De blauwdruk is bedoeld om operators te helpen het energieverbruik van RAN systematisch te verlagen met behoud van servicekwaliteit.
De referentiearchitectuur omvat VIAVI's TeraVM AI RAN Scenario Generator (AI RSG), die synthetische RAN-gegevens genereert zoals celgebruik, gebruikersdoorvoer en verkeerspatronen. AI RSG zet deze gegevens om in een formaat dat door AI-agenten kan worden bevraagd.
Een agent voor energieplanning analyseert de synthetische data om energiebesparende maatregelen te ontwikkelen, die vervolgens worden getest in AI RSG. Deze gesloten-lus-opstelling stelt beheerders in staat om te evalueren hoe energiebesparende strategieën in realistische scenario's zouden kunnen werken voordat ze in de praktijk worden toegepast. Dit biedt een veiligere manier om energie-efficiëntiedoelen te bereiken zonder de gebruikerservaring te schaden.
Blauwdruk voor de configuratie van een telecomnetwerk in een live omgeving.
NVIDIA's Blueprint voor de configuratie van telecomnetwerken is van concept naar praktijktoepassing geëvolueerd, waarbij operators het gebruiken om AI-agenten in productieomgevingen te introduceren.
Cassava Technologies gebruikt het configuratieplan als basis voor Cassava AI RAN, een agentplatform voor het diverse, multi-vendor mobiele netwerklandschap van Afrika. Het platform beschikt over drie gespecialiseerde agents:
- Een monitoring- en aanbevelingsagent die de netwerkcondities bijhoudt en configuratiewijzigingen voorstelt.
- Een uitvoerend agent die goedgekeurde wijzigingen implementeert en tegelijkertijd zorgt voor grondige documentatie en governance.
- Een validatie- en terugdraaiagent die de impact van wijzigingen beoordeelt en deze terugdraait als ze onbedoelde gevolgen hebben.
Deze multi-agentbenadering bevordert veiligere en snellere configuratiecycli voor diverse radio- en leveranciersconfiguraties.
NTT DATA gebruikt hetzelfde model om de verkeersregulering te verbeteren, met name wanneer gebruikers na storingen opnieuw verbinding maken en netwerken te maken krijgen met plotselinge pieken in de vraag. Een AI-agent, die is ingezet bij een Tier 1-operator in Japan, monitort de realtime vraag in verschillende cellen en neemt beslissingen over toegangscontrole. De agent bepaalt wanneer en hoe nieuwe gebruikers tot specifieke cellen worden toegelaten. Naarmate de vraag normaliseert, past de agent zijn acties aan, waardoor handmatig verkeersbeheer wordt omgezet in een datagestuurde optimalisatiecyclus die de veerkracht tijdens pieken moet verbeteren.
Multi-Agent Orkestratie
Om operators te helpen bij het ontwerpen, volgen en optimaliseren van multi-agent workflows binnen het RAN, werken NVIDIA en BubbleRAN de NVIDIA Blueprint voor telecomnetwerken bij met twee geïntegreerde frameworks:
- NVIDIA NeMo Agent Toolkit (NAT) voor het creëren en coördineren van AI-agenten.
- BubbleRAN Agentic Toolkit (BAT) voor het orkestreren van die agents in telco-grade omgevingen.
BubbleRAN integreert NAT en BAT in zijn Opti-Sphere-platform, dat monitoring-, configuratie- en validatieagents voor containers en workloads beheert. Opti-Sphere koppelt agents aan tools die netwerkstatistieken en verkeersstatus weergeven, waardoor ze continu configuratiewijzigingen kunnen voorstellen, simuleren of valideren en dienovereenkomstig aanpassen.
Telenor Group wordt de eerste telecomprovider die dit bijgewerkte ontwerp met BubbleRAN implementeert, waarmee het zijn 5G-netwerk voor Telenor Maritime, de wereldwijde connectiviteitsaanbieder van de groep voor maritieme klanten, verbetert. Deze implementatie zal agentische orkestratie en closed-loop-werking testen in een uitdagende connectiviteitsomgeving, waar veranderende omstandigheden en hoge uptime-eisen de noodzaak van robuust, autonoom netwerkgedrag benadrukken.
Amazon