От автоматизации к автономии: переход на уровень 4-5
Операторы связи (Telco) сейчас находятся на стадии автоматизации (уровни 2–3 по классификации TM Forum), где AI выполняет заранее заданные сценарии. Однако для достижения уровней 4–5 автономности требуется принципиально иной подход: внедрение Agentic AI (агентного ИИ). Такие агенты способны не просто выполнять скрипты, но и понимать намерения оператора, анализировать сеть в реальном времени, разрабатывать планы действий и координировать их выполнение в замкнутом цикле (closed-loop).
Ключевое отличие заключается в наличии единой платформы автономности, где агенты опираются на общие телеком-модели, цифровые двойники и системы политик безопасности, а не на разрозненные автоматизации.
Три типа AI-агентов и сценарии использования
Архитектура NVIDIA выделяет три типа агентов, работающих в рамках цикла «проблема–решение»:
- On-demand agents (Агенты по запросу): Обрабатывают ограниченные задачи, такие как применение конфигураций или ответы на вопросы поддержки.
- Long-running agents (Долгоживущие агенты): Постоянно мониторят сеть, координируют действия между системами и решают, когда нужно откатить изменения или оптимизировать параметры.
- Deep research agents (Агенты глубокого анализа): Исследуют неизвестные проблемы, используя цифровые двойники для генерации и ранжирования альтернативных планов действий, а не просто поиска готового решения.
Технологический стек: от данных к исполнению
Для реализации этой архитектуры NVIDIA предлагает комплексный набор инструментов, разделенный на логические слои. Ниже приведена структура ключевых технологий:
| Компонент платформы | Технология NVIDIA | Функция в автономной сети |
|---|---|---|
| Данные и модели | NeMo Data Designer & Safe Synthesizer | Генерация синтетических данных и анонимизация для обучения моделей на «production-like» данных без нарушения приватности. |
| Reasoning (Рассуждение) | Nemotron | Базовые модели, дообученные на телеком-онтологиях для понимания контекста и валидации гипотез. |
| Анализ временных рядов | NV-Tesseract | Обнаружение аномалий и прогнозирование поведения сети на основе многомерной телеметрии. |
| Оркестрация агентов | Agent Toolkit | Связывание агентов с инструментами, цифровыми двойниками и системами наблюдаемости. |
| Безопасность и управление | OpenShell & NemoClaw | Изолированные песочницы для каждого агента, контроль доступа и управление жизненным циклом развертывания. |
Практическое применение: SR-MPLS и беспроводные сети
Реальные кейсы уже демонстрируют эффективность подхода. В сетях SR-MPLS агенты глубокого анализа используются для автономного обнаружения аномалий и их устранения, работая в длительных циклах. В беспроводных сетях (RAN) применяется NVIDIA AI Telco Engineer для открытия новых алгоритмов оптимизации, что позволяет улучшать энергоэффективность и задержки без вмешательства человека.
Важно отметить, что по мере того как новые сценарии автоматизируются, они превращаются из задач «глубокого исследования» в управляемые пути выполнения, расширяя библиотеку повторного использования автономности оператора.
Источник: NVIDIA dev blog ↗