Manajemen Jaringan 5G Berbasis Intent yang Ditingkatkan LLM Tingkat Lanjut menggunakan Rute Semantik Dinamis

Seiring Artificial Intelligence (AI) dan Large Language Models (LLMs) menjadi umum dalam aplikasi sehari-hari, kemampuan mereka untuk menafsirkan bahasa alami meningkat secara signifikan. Aplikasi AI yang sedang berkembang adalah integrasi dengan praktik manajemen dan orkestrasi jaringan. Salah satu contoh integrasi ini adalah intent-based networking yang ditingkatkan LLM, di mana operator jaringan mengendalikan jaringan menggunakan bahasa alami.

Karya ini menyajikan penggunaan rute dinamis dengan semantic router untuk mengidentifikasi intent dari prompt operator jaringan dan mengekstraksi detail yang diperlukan untuk pemenuhan intent di jaringan inti 5G+ berbasis intent. Masalah utamanya adalah menjembatani bahasa operator yang bebas dengan skema intent terstruktur yang dapat dieksekusi mesin yang dibutuhkan oleh sistem orkestrasi jaringan. Penulis membingkai semantic router sebagai komponen yang memetakan prompt ke rute, di mana setiap rute sesuai dengan kategori intent dan membawa logika ekstraksi yang diperlukan untuk mengisi skema intent.

Hasil yang disajikan menunjukkan bahwa rute statis dan dinamis berhasil dalam ekstraksi detail dan pemformatan skema. Evaluasi terhadap prompt operator yang realistis menunjukkan bahwa kedua pendekatan pemilihan rute dapat mengidentifikasi intent dan menghasilkan detail terstruktur yang diperlukan untuk pemenuhan.

Pemilihan rute statis dinilai dengan mengevaluasi beberapa encoder, dan akurasi ekstraksi detail rute dinamis diukur pada seluruh set prompt. Hasil yang dilaporkan positif untuk kedua strategi: pendekatan semantic router mendukung ekstraksi detail yang diperlukan dan pemformatannya ke dalam skema yang dibutuhkan. Hasil ini mendukung kelayakan intent-based networking yang ditingkatkan LLM untuk jaringan inti 5G+ menggunakan rute semantik.