GPT-4在通信网络领域的典型应用场景有哪些？

下面围绕网络规建维优营 全生命周期各领域梳理了 GPT-4 的一些应用场景。

1.智能网络规划

网络规划包括规划目标建立、规划方案设计、规划仿真的全流程管理工作。 涵盖从网络整体表现、产品运营战略、业务使用体验提升等角度建立规划目标。通过连通规划目标和规划方案的能力（包括拉通环境数据、业务需求数据、资源 数据的多维度分析能力），实现业务覆盖、容量、带宽等规划目标。通过仿真能 力，实现规划目标的仿真验证。

传统网络规划较为聚焦于网络覆盖、网络容量、拓扑结构、路径路由，缺乏 对于网络价值、网络业务发展预测等多维度的综合分析，同时需要规划人员掌握 较多的专业工具，如覆盖仿真工具、容量建模工具等。GPT-4知识引擎可以提供 一站式综合性网络规划。规划人员仅需通过输入简单的规划意图并通过多轮交互 的方式，较为高效的实现不同要求的网络规划，同时 GPT-4 也可给出专业规划 工具的代码、脚本等，大幅提升工作效率。

场景一：无线网络规划

无线网络规划是无线网络全生命周期管理中极为重要的一环，需要通过无线 环境数据（如覆盖地形地貌，建筑物特征等）、业务需求数据、频谱数据等多维 数据来规划目标区域的覆盖、容量等。现有常规无线网络容量规划方法数据来源 单一，且不能根据用户需求意图及现有网络情况、用户价值及网络口碑等多种因 素综合进行自动化网络容量规划。通过 GPT-4 可以将网络规划意图较为便捷转 换为对区域覆盖、容量、价值收益的综合指标，从而得出规划方案。

场景二：切片自动勘察

5G 网络切片是为了达成对客户承诺的个性化 SLA 需求，对无线、传输和核 心网等多个子域的网络资源进行隔离、预留、独占和配置的端到端网络。目前运 营商评估网络能否满足用户对切片的要求，是通过开通前的资源勘查来完成的。 现有常规的切片资源勘查，是通过人工方式将用户对切片的 SLA 需求转换为初 步的切片方案后，通过系统派单给相应的专业的负责人（可能是大区核心网的运 维人员，也可能是地市公司的无线和传输负责人），人工或半人工的确认资源满 足情况。无线专业负责人需要确认业务区域相关基站和小区是否具备切片要求的 能力，如信号覆盖情况、基站能力（是否支持切片、是否支持 RB 预留能力等 等）、上下行容量等等，核心网专业则需要检查 AMF 的用户容量、SMF 的会话 数、UPF 的吞吐量、UDM 的开卡容量等是否满足需要。人工勘查的工作非常繁 琐，而且容易出错，常导致勘查环节占用时间从几天到十几天不等，严重拖慢业务开通过程。通过 GPT-4 能够通过多轮问答的方式对无线、传输和核心网等子 域网络设备的配置数据、容量数据、性能统计数据的采集和分析，以及无线栅格 数据、MR 测量数据的实时深度分析，配合不同切片类型的评估模型，实现自动 化的资源勘查。

2.智能网络部署

网络部署（建设）包括建设项目的立项、设计、验收的全流程管理工作。根 据规划设计完成交付、配置、以建设目标为基准完成网络能力、可用性等具体指标的验收。除以上整体流程外，相关环节也可以通过自动化工具实现能力提升， 包括自动化交付配置、自动化验收测试和闭环调整。

在网络部署建设的各个环节借助 GPT-4 技术均可以实现工作效率的大幅提 升，例如可通过专业领域知识模型以及网络设备专有知识实现包括 5G 专网、云 网业务、边缘计算、SPN 专线、SD-WAN 等各类网络开通时间的大幅缩减，这 对运营商提升市场竞争力至关重要。同时在结合多模态技术后，可以实现网络建 设后质检验收的进一步自动化，节省大量人力资源。

场景一：基于意图的传输专线网元配置激活

随着 AI/ML 基于与网络运营运维结合的愈发紧密，基于意图驱动的网络成为 网络自智发展的重要关键技术。在传统的网络管理中，运维人员员需要手动配置 和管理网络设备，例如路由器、交换机等。而在意图驱动网络中，运维人员员只 需要指定网络的目标和目的，而不需要关注底层设备的具体配置和操作。在意图 驱动网络中，只需要指定网络的目标和目的，而不需要关注底层设备的具体配置 和操作。其核心理念是将网络管理与业务需求相结合。通过 GPT-4 知识引擎网 络运维人员能够通过简单对话轻松实现设备开通或一键生成网元配置模板，通过 与网管系统的集成实现自动配置激活。此外通过多轮对话可以高效查询网络资源 位置、状态等信息降低操作门槛。

场景二：基站验收质检

同时由于 5G 基站站型种类多，施工验收较 4G 基站更为复杂。传统的人工 验收方式，验收的周期长，同时由于验收标准不一致，很难做到统一的质量管控。 随着网络的大规模建设，基站验收的工作量将急剧增长，需要智能化的站点验收 方式提高工作效率和质量。在融合多模态数据后，可以方便的将包括前端图片、 各类测试数据、各类性能告警数据统一输入至智能引擎中，通过智能分析工程验 收标准、各类质检标准比对核查，按照基站入网验收的要求，对数据进行自动解 析并生成基站入网验收报告。

3.智能网络维护

网络维护包括对网络整体表现、产品运营表现、业务使用体验、资源健康度 进行管理、监控、分析。通过被动的监控和处理，或者通过对故障告警和性能劣 化的主动感知分析以及自动化的资源调整实现网络、业务的恢复。通过售前、售 中、售后的端到端支撑能力，提供贯穿于运维各项生产环节的自动化运维感知和 决策信息的流转能力。

网络故障诊断中可使用 GPT-4 生成故障诊断报告，提供对网络故障的快 速分析。在告警、性能分析中可使用 GPT-4 生成告警、性能、日志等关键网络数据分析，帮助网络运维人员快速识别告警的重要性并给出处理建议；可快速自 动生成各类报告及数据可视（代码），帮助运维人员更好的理解网络数据。

场景一：家宽网络维护

装维人员在客户现场说明遇到的问题，如“无空闲端口”等，产生工单，利 用 GPT 形成的专家知识，给出解决该问题的推荐解决步骤，并结合运营商内部 系统，自动分析出各个步骤所需的相关信息，如对应的 ONU、分光器、PON 口、 OLT、是否欠费、账号状态、账号流量等等各种信息，推荐已离网但尚未释放的 端口信息，并且自动调用资源接口修改装机单对应端口。利用 GPT-4 能增强一 线装维弱光分析、设备激活、资源端口自动更改等智能处理问题，可以大大降低 综调人员学习成本，减少人工查询、人工定界定位的时间消耗，提升运维效率。

场景二：基于 GPT-4 的日志异常检测增强

借鉴 GPT-4 的模型训练方法，可以对目前网络设备日志异常检测算法进行 增强，主要步骤包括： 1. 结合专家经验选取部分日志数据，做出总结，构建提示符(Prompt)并给 出答案。采用上述专家数据，在预训练语言模型的基础上，有监督地微 调模型(SFT)； 2. 将日志数据输入 SFT 中，根据提示符，生成答复，基于专家经验对 SFT 生成答复进行排序；使用有序答复，在 SFT 模型上训练奖励模型 (RM)； 3. 采用奖励模型，构建策略优化的强化学习模型，训练，并最终生成日志 总结。