فراتر از عیب یابی خودکار: مسیری برای عملیات واقعی شبکه مستقل

من آنقدر درگیر بهینه سازی RF بوده ام تا ببینم که از چیزی بسیار دستی و سنگین در این زمینه به چیزی تبدیل شده است که اکنون به طور فزاینده ای توسط داده ها و هوش مصنوعی هدایت می شود. وقتی به گذشته نگاه می‌کنم، اصول اساسی تغییر نکرده‌اند، اما روشی که ما به آن‌ها برخورد می‌کنیم به روش‌هایی تکامل یافته است که در آن زمان تصور نمی‌کردم.

من سفرم را در روزهای 2G شروع کردم. در آن زمان بهینه سازی تا حد امکان یک کار عملی بود. پس از نصب فرستنده گیرنده بر روی یک ایستگاه فرستنده گیرنده پایه، مجبور شدیم آنها را یکی یکی آزمایش کنیم. ما از اسکنرها استفاده کردیم و هر فرکانس را به صورت دستی تنظیم کردیم تا مطمئن شویم که می توانیم تماس های صوتی را تشخیص دهیم و کیفیت صدا قابل قبول است. ساده به نظر می رسد، اما اینطور نبود. همه اینها باید در طول پنجره های پشتیبانی انجام می شد زیرا شما مستقیماً روی سرویس زنده تأثیر می گذاشتید. “اتوماسیون” در آن زمان؟ بیشتر ماکروهای اکسل برای شمارش کانال های GSM و کمک به سازماندهی داده ها. این برای ما پیشرو بود.

وقتی من در حدود سال 2006 به سمت بهینه سازی 3G رفتم، همه چیز شروع به تغییر کرد. این زمانی بود که تست دیسک به بخش عمده ای از کار تبدیل شد. تلفن‌های تجاری و جی‌پی‌اس را به لپ‌تاپ وصل می‌کردیم و به جمع‌آوری داده‌ها می‌رفتیم. احساس پیشرفت بیشتری داشت، اما با سردردهایش همراه بود. متصل نگه داشتن پایانه‌ها، اطمینان از عدم ریزش گزارش‌ها و اعتبارسنجی یکپارچگی داده‌ها یک مبارزه دائمی بود. آنالیز هنوز بسیار دستی بود. ما با استفاده از PSC (کدهای کدگذاری اولیه) به دنبال آلودگی خلبان هستیم. نواحی با تداخل بیش از حد کیفیت را کاهش می‌دهند، بنابراین باید پارامترهای آنتن را به دقت تنظیم می‌کردیم تا همه چیز تمیز شود. سپس چرخه آمد: تغییرات ایجاد کنید، به میدان برگردید، دوباره اندازه گیری کنید. کار می کرد، اما کند بود و قطعا مقیاس پذیر نبود. و اگر مشتری VIP شکایت کند، باید بیرون بروید و سعی کنید مشکل را در زندگی واقعی بازتولید کنید. این آسان نیست.

تقریباً در همان زمان، با معرفی ابزارهای مبتنی بر ردیابی تماس، یک تغییر عمده آغاز شد. به جای تکیه بر اندازه گیری های میدانی، اکنون می توانیم داده های سیگنال را مستقیماً از شبکه تجزیه و تحلیل کنیم. این ردپاها تعامل کامل سطح کنترل بین دستگاه ها و شبکه، از جمله اندازه گیری های دقیق RF گزارش شده توسط تلفن ها را به تصویر می کشد. این یک تغییر دهنده بازی بود. ناگهان، بهینه سازی برای بیشتر موارد استفاده نیازی به بیرون رفتن در میدان نداشت. ما می توانیم میلیون ها تماس را به جای چند دستگاه آزمایشی تجزیه و تحلیل کنیم. این به معنای دقت آماری بهتر و بینش بسیار عمیق تر بود. حتی رفع شکایات VIP آسان‌تر شد، ما می‌توانستیم دقیقاً ببینیم که در طول تجربه آنها چه اتفاقی افتاده است. و فراتر از بهینه‌سازی RF، این داده‌ها راه را برای بسیاری از موارد استفاده دیگر باز کرده است: تجزیه و تحلیل دستگاه، تحلیل رومینگ، حتی ورودی‌های استراتژی‌های بازاریابی. اما با نگاهی به گذشته، این تغییر حتی مهم‌تر از آن چیزی بود که در آن زمان می‌دانستیم. این فقط یک ابزار عیب یابی بهتر نبود. این آغازی بود برای ایجاد یک نمایش دیجیتال با نظارت مستمر از نحوه رفتار واقعی شبکه. با تطبیق ردیابی اطلاعات مکان با KPIهای شبکه، ما حقیقت زمینی بسیار دقیق و در زمان واقعی، میلیون‌ها نقطه داده را ایجاد کرده‌ایم که تصویری دقیق از تجربه مشترکین در دنیای واقعی در سراسر شبکه ارائه می‌کند. این دیدگاه غنی‌شده با موقعیت جغرافیایی از واقعیت شبکه‌ای، یکی از مهم‌ترین دارایی‌های استراتژیک در تکامل بعدی خواهد بود. تنها مشکل؟ هنوز تا حد زیادی دستی بود.

در دهه گذشته، ابزارها شروع به بهبود کرده اند. ما از تجزیه و تحلیل داده های خام به جریان های کاری متمرکز تر حرکت کرده ایم. این نرم افزار می تواند به طور خودکار بدترین سلول ها را شناسایی کند یا مسائل کلیدی را برجسته کند. داشبوردها جایگزین برگه های اکسل شده اند و تجسم بسیار بصری تر شده است. اما همیشه یک سوال از کاربران وجود داشت: “خوب، حالا چی؟” ابزارها می توانند مشکل را به شما نشان دهند، اما همیشه به شما نمی گویند که در مرحله بعد چه کاری انجام دهید. برای مدتی، اتوماسیون رویه ای سعی کرد این را حل کند: منطق ساده اگر-آنگاه برای راه اندازی اقدامات. قوانینی مانند «اگر KPI X از آستانه Y عبور کرد، پارامتر Z را تغییر دهید» می‌تواند رویه‌های انسانی را خودکار کند، اما آنها واقعاً پیامدهای آن را برای کل سیستم درک نکردند. ما اقدامات را خودکار کرده ایم، اما هنوز درک را خودکار نکرده ایم. سیستم می‌تواند شرایطی را تشخیص دهد و پاسخی را راه‌اندازی کند، اما نمی‌تواند به‌طور قابل اعتماد پیش‌بینی کند که آن پاسخ با بقیه شبکه چه خواهد کرد. و این یک تفاوت مهم است، تفاوت بین اتوماسیون و استقلال. شبکه ها پیچیده هستند و این قوانین به ندرت همه موارد لبه را پوشش می دهند. در بسیاری از موقعیت‌ها به همان اندازه که حل کردند، مشکل ایجاد کردند.

اینجاست که در سال های اخیر همه چیز واقعاً تغییر کرده است. با هوش مصنوعی مولد، ما در نهایت یک راه قدرتمند جدید برای پاسخ به این سوال داریم که “بعد چه کار کنم؟” یک سوال هوش مصنوعی می‌تواند دانش دامنه، زمینه شبکه، تجربه تاریخی و تخصص ابزار خاص را برای پیشنهاد اقدامات و توضیح استدلال پشت آن‌ها ترکیب کند. این مدل‌ها مانع ورود را کاهش می‌دهند و به کاربران با تجربه کمتر اجازه می‌دهند تا با سیستم‌های پیچیده تعامل داشته باشند. آنها مانند یک مشاور 3GPP در کنار شما عمل می کنند که می تواند داده ها را تفسیر کند، اقداماتی را پیشنهاد دهد و دلیل آن را توضیح دهد. اما یک توصیه اعتبار نیست. LLM می تواند استدلال و توصیه کند، اما چگونه می دانیم که این توصیه قبل از اینکه شبکه زنده را لمس کنیم واقعاً کار می کند؟

و اکنون وارد فاز بعدی می شویم: عامل هوش مصنوعی. اینجاست که همه چیز واقعا جالب می شود. به جای اینکه فقط اقدامات را توصیه کنند، عوامل هوش مصنوعی می توانند آنها را انجام دهند. آن‌ها می‌توانند بهترین شیوه‌ها را دنبال کنند، از اطلاعات متنی از وب استفاده کنند، با چندین منبع داده تعامل داشته باشند و حتی با اعمال تغییرات از طریق رابط‌های کنترل‌شده، حلقه را ببندند. آنچه قبلاً به چندین مهندس، ابزار و فرآیندهای دستی نیاز داشت، اکنون می تواند توسط سیستم های هوشمند تنظیم شود. اما صرفاً دادن توانایی یک سیستم هوش مصنوعی برای تشخیص مشکل و ایجاد تغییر به تنهایی کافی نیست. سوال اصلی باقی می‌ماند: چگونه می‌توانیم قبل از ورود به وب زنده تأیید کنیم که عمل درست است؟

برای دهه‌ها، بهینه‌سازی شبکه اساساً از یک چرخه پیروی می‌کند: چیزی اتفاق می‌افتد، آن را مشاهده می‌کنیم، آن را تشخیص می‌دهیم، تغییر ایجاد می‌کنیم و دوباره اندازه‌گیری می‌کنیم. ما به تدریج هر بخش از این فرآیند را خودکار کردیم، اما مدل اصلی واکنشی باقی ماند. پیشرفت واقعی زمانی اتفاق می افتد که هوش مصنوعی بتواند شبکه را به عنوان یک سیستم زنده درک کند، پیامدهای تصمیمات آن را پیش بینی کند و قبل از رسیدن به شبکه تولید، آن تصمیمات را تأیید کند. اینجاست که VIAVI Generative Reality Digital Twin (GRDT) مدل را کاملاً تغییر می‌دهد.

تصور کنید یک عامل هوش مصنوعی کاهش تجربه کاربر را تشخیص می دهد. به‌جای تغییر فوری یک پارامتر، ابتدا یک GRDT به‌روزرسانی‌شده پیوسته را مورد بررسی قرار می‌دهد – یک نمایش دیجیتالی از شبکه که از توپولوژی، پیکربندی، شرایط RF، ترافیک، تجربه مشترک، الگوهای تحرک، اطلاعات مکان، خطاها، داده‌های عملکرد و رفتار تاریخی ساخته شده است. مؤلفه هوش مصنوعی مولد GRDT چندین عمل ممکن را ایجاد می کند. به جای اینکه صرفاً یکی را بر اساس یک قانون یا توصیه LLM انتخاب کنید، این اقدامات را در برابر GRDT آزمایش می کند. دوقلو دیجیتال به یک محیط تأیید برای تصمیم گیری هوش مصنوعی تبدیل می شود. تنها پس از شبیه‌سازی عمل پیشنهادی، مقایسه با گزینه‌های جایگزین و اعتبارسنجی در برابر اهداف عملیاتی، عامل بر روی شبکه زنده از طریق رابط‌های کنترل‌شده عمل می‌کند.

اما چرخه به همین جا ختم نمی شود. پس از تغییر، شبکه دوباره اندازه گیری می شود. هوش مصنوعی امتیاز پیش بینی شده را با امتیاز واقعی مقایسه می کند. آیا تأخیر همانطور که انتظار می رفت بهبود یافته است؟ آیا پوشش طبق پیش بینی تغییر کرده است؟ آیا عواقب ناخواسته ای داشت؟ این تفاوت بین پیش بینی و واقعیت به دانش جدیدی تبدیل می شود. GRDT یاد می گیرد. و راه حل بعدی بهتر می شود.

این یک چرخه عملیاتی اساساً متفاوت ایجاد می کند: مشاهده → درک → توصیه → شبیه سازی → تأیید → عمل → اندازه گیری → یادگیری → به روز رسانی دوقلو → تکرار.

این انتقال از عیب یابی خودکار به عملیات شبکه مستقل واقعی است. به همین دلیل است که داده‌های مکان جغرافیایی جمع‌آوری‌شده از وب، آهنگ‌ها، ابزارها و منابع شخص ثالث از اهمیت استراتژیک‌تری برخوردار می‌شوند. هرچه این داده ها غنی تر و به طور مداوم به روز شوند، GRDT با دقت بیشتری می تواند نمای دنیای واقعی شبکه را نشان دهد.

آنچه زمانی غیرممکن به نظر می رسید اکنون به واقعیت تبدیل شده است. و صادقانه بگویم، من احساس می کنم که ما تازه شروع کرده ایم.