de.wedoany.com-Bericht: AT&T hat ein auf eigenen Netzwerkdaten trainiertes Netzwerk-Grundlagenmodell eingeführt, das die Energieeffizienz verbessern, das Störungsmanagement optimieren und die Netzwerkautonomie auf ein höheres Niveau heben soll. Raj Savoor, Vice President für Netzwerkanalyse und -automatisierung bei AT&T, stellte dieses KI-Modell auf der virtuellen Veranstaltung „KI und automatisierte Netzwerke“ von Fierce vor.
Raj Savoor erklärte, dass das Netzwerk-Grundlagenmodell ein KI-Modell ist, das auf AT&Ts eigenen Netzwerkdaten, Konfigurationen, Key Performance Indicators sowie allen Zeitreihen- und Ereignisdaten trainiert wurde. Diese Modelle verfügen über 10 Milliarden Parameter und wurden auf der Grundlage von 110 Milliarden Tokens trainiert. AT&T hat das Modell bereits zur Verbesserung der Energieeffizienz und zur Kompensation von Standortausfällen eingesetzt.
Savoor sagte, dass das neue Modell im Gegensatz zu früheren Methoden, bei denen statische Regeln auf Basisstationen mit herkömmlichen maschinellen Lernmodellen angewendet wurden, kürzere Zeitintervalle und einen regelmäßigeren Trainingsrhythmus nutzen kann, um die Energieeffizienz dynamischer zu steigern. Er wies darauf hin, dass der neue Ansatz eine „signifikante“ Effizienzsteigerung erzielt und es dem System ermöglicht, „Muster zu erkennen, die mit reinen ML-Modellen und klassischen Regressionsanalysen nicht sichtbar waren“.
Ein weiterer Hauptanwendungsfall des Netzwerk-Grundlagenmodells ist die Verwaltung des Antennenneigungswinkels während Störungen, um eine sogenannte „Störungskompensation“ zu erreichen. Das Modell ermöglicht es AT&T, Antennenneigungswinkel in großem Maßstab anzupassen und kapazitätsbewusst zu agieren, wodurch Abdeckung und Kapazität in Echtzeit optimiert werden. Savoor ist der Ansicht, dass diese Fähigkeit manuell nicht realisierbar ist. Weitere Anwendungsfälle umfassen die Verknüpfung von Alarmen mit Tickets sowie die Vorhersage von Ausfällen und Software-Überlastungen auf der Grundlage historischer Ereignisse.
Savoor verriet, dass dies zu den etwa fünf großen Anwendungsfällen gehört, die AT&T derzeit in der Produktion einsetzt, und dass das Unternehmen weitere solcher Netzwerk-Grundlagenmodelle entwickelt. Auf dem Weg zu autonomen Netzwerken wies Savoor darauf hin, dass der Bereich der drahtlosen Netzwerke alle 10 bis 12 Jahre mit der Einführung neuer 3GPP-Mobilfunkstandards einen Erneuerungszyklus durchläuft, was ihm einen Vorteil bei der Verwirklichung der Autonomie verschafft. Einige Teilbereichsprozesse haben bereits Autonomiestufe 4 erreicht, viele befinden sich auf Stufe 3,5 und nähern sich Stufe 4. Im Gegensatz dazu umfassen kabelgebundene Netzwerke Hunderte von Netzwerkelementtypen, und die End-to-End-Automatisierung erfordert eine höhere Homogenität auf der Steuerungsebene, was den Weg zur Autonomie komplexer macht. AT&T treibt die Transformation großer zentraler kabelgebundener Netzwerke voran und erwartet in den nächsten drei Jahren bedeutende End-to-End-Möglichkeiten.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
