NVIDIA driver telekomföretag mot autonoma nätverk med Open Nemotron LTM och nya ritningar

Autonoma nätverk, som en gång sågs som ett avlägset mål för telekom, är nu en angelägen prioritet. Enligt NVIDIAs senaste rapport State of AI in Telecommunications är nätverksautomation det främsta användningsfallet för AI för investeringar och faktisk avkastning, vilket visar var operatörer hittar omedelbart värde från AI.

Även om många telekomföretag redan automatiserar arbetsflöden, kräver det mer för att uppnå verklig autonomi. Autonoma nätverk måste förstå operatörernas avsikter, väga alternativ och bestämma de bästa åtgärderna inom komplexa infrastrukturer. Denna förändring bygger på resonemangsmodeller och AI-agenter som är specifikt utbildade på telekomdata och driftsmönster.

Agentsystem för telekomföretag

Att övergå till autonom drift kräver mer än bara isolerade AI-modeller. Telekomföretag behöver kompletta agentsystem som inkluderar:

• Telekomspecifika nätverksmodeller som förstår domänspråk och struktur
• AI-agenter som kan kommunicera och koordinera med varandra
• Nätverkssimuleringsverktyg som bekräftar föreslagna ändringar innan de påverkar livemiljöer

Inför Mobile World Congress Barcelona presenterade NVIDIA flera element som riktar sig mot detta ramverk: en öppen, Nemotron-baserad modell för stora telekomföretag (LTM), en guide för att bygga resonemangsagenter för nätverksdrift och nya NVIDIA-ritningar för energibesparingar och nätverkskonfiguration med hjälp av multiagentorkestering. Dessa komponenter hjälper operatörer att gradvis övergå till autonoma nätverk samtidigt som de bibehåller kontrollen över sin infrastruktur.

Som en del av GSMA:s nya Open Telco AI-initiativ gör NVIDIA LTM, guiden och relaterade ritningar för agentisk AI tillgängliga som öppna resurser genom GSMA. Denna metod förser det bredare mobila ekosystemet med gemensamma byggstenar snarare än proprietära lösningar.

Öppen, telekomanpassad resonemangsmodell

För att implementera generativ och agentisk AI i produktionstelekommiljöer måste modeller förstå telekomspråk och resonera genom faktiska nätverksprocesser. NVIDIA har i samarbete med konsultföretaget AdaptKey AI introducerat en öppen källkodsbaserad Nemotron LTM med 30 miljarder parametrar som globala operatörer kan använda som grund för autonoma nätverk.

LTM bygger på NVIDIA Nemotron 3-familjen av grundmodeller och finjusteras av AdaptKey AI med hjälp av öppna telekomdataset, inklusive branschstandarder och syntetiska nätverksloggar. Denna finjustering fokuserar på viktiga telekomuppgifter som:

• Identifiera fel i miljöer med flera lager och flera leverantörer
• Planering för åtgärdande, inklusive beslutsvägar och återställningsprocedurer
• Validera ändringar och bedöma effekter före och efter uppdateringar

Eftersom Nemotron LTM är öppet får operatörerna full insyn i dess utbildningsprocess och datakällor. Denna transparens stöder säker distribution inom telekommiljöer, vilket gör det möjligt för operatörer att bygga och köra agenter inom sina egna säkerhetsgränser. Det gör det också möjligt för telekomföretag att justera det telekomanpassade resonemanget med hjälp av interna nätverks- och driftsdata, och skräddarsy modellen till sina specifika arkitekturer och policyer utan att kompromissa med känslig information.

Öppen guide för att bygga resonemangsagenter för telekomföretag

NVIDIA och Tech Mahindra har släppt en guide med öppen källkod för operatörer som visar hur man omvandlar domänspecifika resonemangsmodeller till agenter som kan köra arbetsflöden i nätverksoperationscenter (NOC) på ett säkert sätt.

Guiden beskriver ett ramverk som hjälper modeller att resonera som NOC-ingenjörer. Den instruerar dem att:

• Identifiera incidenter med hög påverkan och hög frekvens där automatisering snabbt gynnar verksamheten.
• Omvandla expertingenjörslösningar till tydliga, steg-för-steg-procedurer.
• Omvandla dessa procedurer till strukturerade resonemangsspår som dokumenterar varje åtgärd, verktygsanvändning, observerat resultat och beslutspunkt.

Dessa spår fungerar som "tankeexempel" för modellen och beskriver de åtgärder som ska vidtas och orsakerna bakom specifika kontroller, eskaleringsvägar och lösningar som anses säkra och effektiva. Med NVIDIA NeMo-Skills-pipelinen kan operatörer finjustera en resonemangsmodell med hjälp av dessa spår och skapa telekomspecialiserade agenter som hanterar felsökning och drift, ungefär som erfarna nätverksingenjörer.

Sluten autonomi och RAN-energioptimering

Autonoma nätverk förlitar sig på sluten slinga. Modeller måste förstå nätverkets tillstånd, agenter måste agera utifrån operatörens avsikter och simuleringsresultat, och feedback måste kontinuerligt förfina framtida beslut.

NVIDIAs nya plan för avsiktsdriven RAN-energieffektivitet illustrerar denna princip i 5G-radioaccessnätverk. Planen syftar till att hjälpa operatörer att systematiskt minska RAN-strömförbrukningen samtidigt som tjänstekvaliteten bibehålls.

Referensarkitekturen använder VIAVI:s TeraVM AI RAN Scenario Generator (AI RSG), som genererar syntetisk RAN-data som mobilanvändning, användargenomströmning och trafikmönster. AI RSG omvandlar dessa data till ett format som AI-agenter kan fråga efter.

En energiplaneringsagent analyserar den syntetiska datan för att skapa energisparpolicyer, som sedan testas i AI RSG. Detta slutna kretslopp gör det möjligt för operatörer att utvärdera hur energisparstrategier kan fungera i realistiska scenarier innan de påverkar livekonfigurationer, vilket erbjuder en säkrare metod för att uppnå energieffektivitetsmål utan att skada abonnentupplevelsen.

Ritningslinje för konfiguration av telekomnätverk i realtid

NVIDIAs ritning för konfiguration av telekomnätverk har övergått från koncept till verklig tillämpning, där operatörer använder den för att introducera agentbaserad AI i produktionsmiljöer.

Cassava Technologies använder konfigurationsritningen som bas för Cassava AI RAN, en agentplattform för Afrikas mångsidiga mobilnätverk med flera leverantörer. Plattformen har tre specialiserade agenter:

• En övervaknings- och rekommendationsagent som spårar nätverksförhållanden och föreslår konfigurationsändringar.
• En utförandeagent som implementerar godkända ändringar samtidigt som noggrann dokumentation och styrning säkerställs.
• En validerings- och återställningsagent som utvärderar effekten av ändringar och återställer dem om de orsakar oavsiktliga konsekvenser.

Denna metod med flera agenter främjar säkrare och snabbare konfigurationscykler över olika radio- och leverantörsinställningar.

NTT DATA använder samma ritning för att förbättra trafikregleringen, särskilt när användare återansluter efter avbrott och nätverk upplever plötsliga toppar i efterfrågan. En AI-agent, som distribueras av en nivå 1-operatör i Japan, övervakar efterfrågan i realtid över celler och fattar beslut om åtkomstkontroll, och avgör när och hur nya användare ska släppas in i specifika celler. När efterfrågan återgår till det normala justerar agenten sina åtgärder och omvandlar manuell trafikhantering till en datadriven optimeringsslinga som syftar till att förbättra motståndskraften under överbelastning.

Multiagentorkestering

För att hjälpa operatörer att utforma, spåra och optimera arbetsflöden med flera agenter inom RAN uppdaterar NVIDIA och BubbleRAN NVIDIAs Blueprint för telekomnätverk med två integrerade ramverk:

• NVIDIA NeMo Agent Toolkit (NAT) för att skapa och koordinera AI-agenter.
• BubbleRAN Agentic Toolkit (BAT) för att orkestrera dessa agenter i telekommiljöer.

BubbleRAN integrerar NAT och BAT i sin Opti-Sphere-plattform, som hanterar övervaknings-, konfigurations- och valideringsagenter över containrar och arbetsbelastningar. Opti-Sphere länkar agenter till verktyg som visar nätverksstatistik och trafikstatus, vilket gör att de kontinuerligt kan föreslå konfigurationsändringar, simulera eller validera dem och justera därefter.

Telenor Group blir det första telekombolaget att implementera denna uppdaterade plan med BubbleRAN, vilket förbättrar sitt 5G-nätverk för Telenor Maritime, koncernens globala uppkopplingsleverantör för maritima kunder. Denna implementering kommer att testa agentisk orkestrering och slutna kretslopp i en utmanande uppkopplingsmiljö, där förändrade förhållanden och höga drifttidskrav betonar behovet av robust, autonomt nätverksbeteende.