Sieci autonomiczne, niegdyś postrzegane jako odległy cel dla telekomunikacji, stały się obecnie palącym priorytetem. Według najnowszego raportu firmy NVIDIA „Stan sztucznej inteligencji w telekomunikacji” , automatyzacja sieci jest najważniejszym zastosowaniem sztucznej inteligencji pod względem inwestycji i rzeczywistych zysków, pokazując, gdzie operatorzy czerpią natychmiastową korzyść z AI.
Chociaż wiele firm telekomunikacyjnych automatyzuje już ustalone przepływy pracy, osiągnięcie prawdziwej autonomii wymaga czegoś więcej. Sieci autonomiczne muszą rozumieć intencje operatorów, rozważać opcje i określać najlepsze działania w ramach złożonych infrastruktur. Ta zmiana opiera się na modelach wnioskowania i agentach AI specjalnie przeszkolonych w zakresie danych telekomunikacyjnych i wzorców operacyjnych.
Systemy agentowe dla telekomunikacji
Przejście na operacje autonomiczne wymaga czegoś więcej niż tylko odizolowanych modeli AI. Firmy telekomunikacyjne potrzebują kompletnych systemów agentowych, które obejmują:
- Modele sieci specyficzne dla branży telekomunikacyjnej, które uwzględniają język i strukturę domen
- Agenci AI, którzy mogą się ze sobą komunikować i koordynować działania
- Narzędzia do symulacji sieci, które potwierdzają proponowane zmiany zanim wpłyną na rzeczywiste środowiska
Przed targami Mobile World Congress w Barcelonie firma NVIDIA zaprezentowała kilka elementów ukierunkowanych na tę platformę: otwarty, oparty na Nemotronie model dla dużych operatorów telekomunikacyjnych (LTM), przewodnik po tworzeniu agentów wnioskowania dla operacji sieciowych oraz nowe projekty NVIDIA Blueprints dotyczące oszczędzania energii i konfiguracji sieci z wykorzystaniem orkiestracji wieloagentowej. Komponenty te pomagają operatorom stopniowo przechodzić na sieci autonomiczne, zachowując jednocześnie kontrolę nad infrastrukturą.
W ramach nowej inicjatywy GSMA Open Telco AI, NVIDIA udostępnia LTM, przewodnik i powiązane z nim projekty agentowej sztucznej inteligencji jako otwarte zasoby za pośrednictwem GSMA. Takie podejście zapewnia szerszemu ekosystemowi mobilnemu wspólne elementy konstrukcyjne zamiast zastrzeżonych rozwiązań.
Otwarty, dostrojony do telekomunikacji model rozumowania
Aby wdrożyć generatywną i agentową sztuczną inteligencję w produkcyjnych środowiskach telekomunikacyjnych, modele muszą rozumieć język telekomunikacyjny i wnioskować na podstawie rzeczywistych procesów sieciowych. NVIDIA, we współpracy z firmą konsultingową AdaptKey AI, wprowadziła na rynek open source'owy system Nemotron LTM o 30 miliardach parametrów, który globalni operatorzy mogą wykorzystać jako podstawę dla sieci autonomicznych.
Model LTM opiera się na rodzinie modeli bazowych NVIDIA Nemotron 3 i jest dostrajany przez AdaptKey AI z wykorzystaniem otwartych zbiorów danych telekomunikacyjnych, w tym standardów branżowych i syntetycznych logów sieciowych. To dostrajanie koncentruje się na kluczowych zadaniach telekomunikacyjnych, takich jak:
- Identyfikacja usterek w środowiskach wielowarstwowych i obejmujących wielu dostawców
- Planowanie działań naprawczych, w tym ścieżek decyzyjnych i procedur wycofywania zmian
- Walidacja zmian i ocena wpływu przed i po aktualizacjach
Ponieważ platforma Nemotron LTM jest otwarta, operatorzy zyskują pełną widoczność procesu szkoleniowego i źródeł danych. Ta transparentność wspiera bezpieczne wdrożenie w środowiskach telekomunikacyjnych, umożliwiając operatorom tworzenie i uruchamianie agentów w ramach własnych granic bezpieczeństwa. Pozwala to również operatorom telekomunikacyjnym na dostosowanie rozumowania do specyfiki telekomunikacji, wykorzystując wewnętrzne dane sieciowe i operacyjne, dostosowując model do ich specyficznych architektur i polityk bez narażania na szwank poufnych informacji.
Otwarty przewodnik po budowaniu agentów telekomunikacyjnych
Firmy NVIDIA i Tech Mahindra opublikowały podręcznik typu open source dla operatorów, który pokazuje, jak przekształcić modele wnioskowania specyficzne dla danej domeny w agentów zdolnych do bezpiecznego wykonywania przepływów pracy w centrum operacji sieciowych (NOC).
Przewodnik przedstawia ramy, które pomagają modelom rozumować jak inżynierowie NOC. Instruuje ich, jak:
- Określaj rodzaje incydentów o dużym wpływie i wysokiej częstotliwości, w przypadku których automatyzacja szybko przynosi korzyści operacyjne.
- Przekształć rozwiązania opracowane przez ekspertów inżynieryjnych w przejrzyste procedury krok po kroku.
- Przekształć te procedury w ustrukturyzowane ślady rozumowania dokumentujące każdą czynność, użycie narzędzi, zaobserwowany wynik i punkt decyzyjny.
Te ślady służą jako „przykłady myślowe” dla modelu, szczegółowo opisując działania, które należy podjąć, oraz powody przeprowadzenia konkretnych kontroli, ścieżki eskalacji i rozwiązania uważane za bezpieczne i skuteczne. Dzięki potokowi NVIDIA NeMo-Skills operatorzy mogą dopracować model wnioskowania, wykorzystując te ślady, i stworzyć wyspecjalizowanych agentów telekomunikacyjnych, którzy zajmują się rozwiązywaniem problemów i operacjami, podobnie jak doświadczeni inżynierowie sieci.
Autonomia w pętli zamkniętej i optymalizacja zużycia energii w sieci RAN
Sieci autonomiczne opierają się na działaniu w pętli zamkniętej. Modele muszą rozumieć stan sieci, agenci muszą działać zgodnie z intencjami operatora i wynikami symulacji, a informacje zwrotne muszą stale udoskonalać przyszłe decyzje.
Nowy projekt firmy NVIDIA dotyczący efektywności energetycznej sieci RAN opartej na intencjach ilustruje tę zasadę w sieciach dostępu radiowego 5G. Projekt ma na celu pomóc operatorom systematycznie ograniczać zużycie energii sieci RAN przy jednoczesnym zachowaniu jakości usług.
Architektura referencyjna zawiera generator scenariuszy AI RAN TeraVM (AI RSG) firmy VIAVI, który generuje syntetyczne dane RAN, takie jak wykorzystanie komórek, przepustowość użytkowników i wzorce ruchu. AI RSG przekształca te dane do formatu, który agenci AI mogą przeszukiwać.
Agent ds. planowania energetycznego analizuje dane syntetyczne, aby tworzyć polityki oszczędzania energii, które następnie są testowane w systemie AI RSG. Ten zamknięty układ pozwala operatorom ocenić, jak strategie oszczędzania energii mogłyby działać w realistycznych scenariuszach, zanim wpłyną na rzeczywiste konfiguracje, oferując bezpieczniejsze podejście do osiągania celów w zakresie efektywności energetycznej bez negatywnego wpływu na komfort abonentów.
Plan konfiguracji sieci telekomunikacyjnej w praktyce
Projekt firmy NVIDIA dotyczący konfiguracji sieci telekomunikacyjnych przeszedł transformację z koncepcji w praktyczne zastosowanie, a operatorzy wykorzystują go do wprowadzania agentowej sztucznej inteligencji do środowiska produkcyjnego.
Cassava Technologies stosuje ten schemat konfiguracji jako podstawę dla Cassava AI RAN, platformy agentowej dla zróżnicowanego krajobrazu sieci komórkowych wielu dostawców w Afryce. Platforma zawiera trzech wyspecjalizowanych agentów:
- Agent monitorujący i rekomendujący, który śledzi warunki sieciowe i sugeruje zmiany konfiguracji.
- Agent wykonawczy wdrażający zatwierdzone zmiany, dbający jednocześnie o dokładną dokumentację i zarządzanie.
- Agent walidacji i wycofywania zmian, który ocenia wpływ zmian i wycofuje je, jeśli powodują niezamierzone konsekwencje.
To podejście wieloagentowe zapewnia bezpieczniejsze i szybsze cykle konfiguracji w różnych konfiguracjach radiowych i u różnych dostawców.
NTT DATA wykorzystuje ten sam schemat, aby usprawnić regulację ruchu, zwłaszcza gdy użytkownicy ponownie łączą się po awariach i gdy sieci doświadczają nagłych skoków zapotrzebowania. Wdrożony u operatora Tier 1 w Japonii, agent AI monitoruje zapotrzebowanie w czasie rzeczywistym w komórkach i podejmuje decyzje dotyczące kontroli dostępu, określając, kiedy i jak wpuszczać nowych użytkowników do poszczególnych komórek. Gdy zapotrzebowanie wraca do normy, agent dostosowuje swoje działania, przekształcając ręczne zarządzanie ruchem w pętlę optymalizacji opartej na danych, która ma na celu zwiększenie odporności na skoki zapotrzebowania.
Orkiestracja wieloagentowa
Aby pomóc operatorom w projektowaniu, śledzeniu i optymalizowaniu przepływów pracy obejmujących wielu agentów w ramach sieci RAN, firmy NVIDIA i BubbleRAN aktualizują plan NVIDIA Blueprint dla sieci telekomunikacyjnych, dodając dwa zintegrowane rozwiązania:
- NVIDIA NeMo Agent Toolkit (NAT) do tworzenia i koordynowania agentów AI.
- BubbleRAN Agentic Toolkit (BAT) do organizowania pracy agentów w środowiskach telekomunikacyjnych.
BubbleRAN integruje NAT i BAT z platformą Opti-Sphere, która obsługuje monitorowanie, konfigurację i walidację agentów w kontenerach i obciążeniach. Opti-Sphere łączy agentów z narzędziami, które ujawniają metryki sieci i stan ruchu, umożliwiając im ciągłe sugerowanie zmian w konfiguracji, ich symulowanie lub walidację i odpowiednie dostosowywanie.
Grupa Telenor będzie pierwszym operatorem telekomunikacyjnym, który wdroży ten zaktualizowany projekt z BubbleRAN, usprawniając swoją sieć 5G dla Telenor Maritime, globalnego dostawcy łączności dla klientów z sektora morskiego. Wdrożenie to pozwoli na przetestowanie koordynacji agentowej i operacji w obiegu zamkniętym w wymagającym środowisku łączności, gdzie zmienne warunki i wysokie wymagania dotyczące dostępności podkreślają potrzebę niezawodnego, autonomicznego działania sieci.
Amazon