AI 如何賦能意圖驅動式的服務編排與保障

利用 AI 和自動化重塑服務編排方式

意圖驅動式服務編排與保障正在為網路與服務管理帶來重大變革。透過這種方式，我們不僅能自動部署與啟動服務，還能進行持續監控與調整，以達成動態變化的業務、服務與營運目標。人工智慧（AI）可以自動執行決策、預測分析與循環運行，確保服務始終符合所定義的意圖，作為推動服務管理與編排轉型的關鍵技術。

圖1：AI 在服務管理與編排中的角色

對通訊服務業者（CSP）而言，在推動服務自動化的過程中，面臨的最大挑戰之一，是端到端的服務設計、拆解，以及面向客戶與網路資源的端到端服務保障的複雜性。根據我們的經驗，若要充分發揮服務管理與編排的效益，系統必須具備一系列的軟體元件，包含服務架構設計、拆解與整合邏輯、主工作流程與子工作流程等。為能成功執行服務管理與編排，會需要在上述這些單元的設計與測試投入大量心力。

電信商正努力更有效地執行服務編排與保障作業。必須從傳統OSS即強調以系統管理與整合為主，轉變成以自動化流程管理為導向，以實現更高效率與簡化服務營運。推動服務管理模式朝向 AI 賦能的意圖驅動式自主營運，是 Tele Management Forum （TM Forum）所提出的「自治網路」願景基礎，這一點在其最新的自治網路技術架構報告中已有詳細說明。

是什麼讓 AI 賦能的意圖驅動型自主營運成為可能？

TM Forum 的可程式化網路藍圖，以意圖驅動式服務編排為核心，讓業者能定義高階的業務與服務意圖，並自動轉換為具體的網路設定與操作流程。在這個過程中，服務保障也同等重要，它能確保網路服務在整個生命周期內持續符合預設的業務意圖。

若要從服務設計、配置、觀測到保障的整體生命周期中實現完全自動化的服務管理，就必須落實 AI 賦能的意圖驅動型自主服務營運。而這正是透過 AI 編排系統所能達成的。

圖2：AI 實現意圖驅動型營運｜資料來源：愛立信

令人振奮的是，AI 能夠透過意圖驅動的服務編排，實現服務從設計到端到端營運與保障的完整生命周期管理，從而邁向真正的自主營運。

利用 AI 縮短服務設計週期，更快交付創新服務

AI 與機器學習（ML）技術可大幅簡化服務編排架構師與網路設計師的工作流程。例如，AI 可透過專門訓練的大型語言模型（LLM），自動生成與驗證初步的服務藍圖。這項技術會運用歷史數據、過去藍圖的迭代、網路設定與特定服務需求，加上 ML 的模式識別與預測模型技術，打造出創新又完整的藍圖設計。

當服務設計生成後，AI 工具還可利用數位分身（Digital Twin）進行模擬部署。這種模擬可預測服務實例在真實網路中的效能，並在正式部署前即時發現潛在問題。此外，AI 系統還能透過無監督學習，檢查藍圖是否符合既有網路標準、操作協定與最佳實務，並偵測是否有與既有模型偏差的情況。

圖3：AI 賦能的服務設計｜資料來源：愛立信

自動化設計流程能大幅縮短從設計、驗證到啟用新服務所需時間，加快服務上市（Time-to-Market），並提升營運效率。愛立信已經應用 AI 於服務設計與驗證，這不僅加快開發流程，也協助導入更多進階的服務編排與保障用例。

從意圖驅動式編排邁向全自治網路

意圖驅動式的端到端服務編排，是實現自主網路管理的基石，重點在於服務應達成的目標，而非其實作方式。AI 在此扮演關鍵角色，因為它可解讀業務意圖，自動調配底層網路資源，以滿足這些目標，同時能即時因應新需求、持續優化效能，並在發生故障時自動修正。

舉例來說，AI 可透過自然語言處理（NLP）解讀用戶指令或服務請求，提取背後的意圖，轉換成標準化 API 呼叫。透過語意分析，AI 模型能了解服務需求的上下文與語意，精準執行意圖，並考慮當下的網路與服務狀態。

圖4：透過 NLP 實現零接觸服務編排｜資料來源：愛立信

利用 API 管理認知意圖生命週期

AI 的另一項關鍵應用，是透過 API 定義、管理與監控「認知意圖」的整個生命週期。AI 可解析觸發條件與環境脈絡、提出建議，並導引閉環決策。AI/ML 可即時分析替代方案，推薦最合適的服務圖與設定，加快服務的設計與部署。

圖5：意圖驅動自治網路的認知循環｜資料來源：愛立信

認知意圖的生命週期管理能夠自動完成許多原本需要人工介入的決策，進而釋放資源投入其他任務，並確保服務營運更加高效。更重要的是，這種作法有助於實現持續優化，因為 AI 與機器學習（ML）系統能持續監控過去決策的成效，並從回饋中學習，進一步提升意圖解析的準確性，優化未來的服務設計與決策。

通過AI 賦能的服務保障強化服務可靠度 

當端到端服務配置並啟用後，系統需進行即時監控，確認其狀態與效能是否符合理想的服務意圖，這些意圖通常定義為一組服務等級關鍵績效指標（KPI）。保障系統會收集網路遙測資料，轉換為 KPI 並與設定閾值比對，能主動或被動地回應偏離狀況。

提前發現並解決問題!

主動偵測服務意圖偏離的其中一個案例是，服務保障系統可以利用 AI/ML 技術分析過往的流量資料。此外，透過將機器學習模型與流量模式應用於歷史資料與即時遙測數據，AI 還能預測潛在的服務品質下降、「隱性」故障或容量瓶頸問題。這種方法讓網路營運商得以提早採取預防措施，避免系統中斷或效能衰退。換句話說，預測性分析能透過事前風險識別，協助維持服務效能。AI 擁有預測未來問題或潛在異常的能力，是實現主動優化網路服務與資源運用的關鍵驅動力。

圖6：AI 賦能的服務保障｜資料來源：愛立信

此外，AI 能即時解讀資料，因此在偵測到異常狀況時，可以簡化決策與修復流程。AI 並不依賴預先定義的靜態規則；相反，它不僅能精準定位故障發生的位置，還能提供修復建議與處理決策，並由服務編排系統自動執行，完成整個閉環處理流程。這些建議的複雜度可高可低，可能只是簡單的服務圖或資源配置（例如擴充核心網路能力），也可能是會影響整體服務實例架構的重大變更。

AI 是邁向全面可程式化網路的關鍵一步

將 AI 技術整合至意圖驅動式的服務編排與保障系統中，是推進可程式化網路的關鍵。AI 能夠自動產出、驗證並部署服務藍圖，因此有望簡化整個藍圖設計流程的自動化。它透過模式識別與預測建模等 ML 技術，預測網路與服務的需求，並據此優化服務拓撲與設定。而 ML 演算法也可持續從收集到的網路效能資料中學習，不斷調整與優化服務及網路營運表現。這一點對於需要自主應對不斷變動環境的可編程網路而言極為關鍵。

此外，AI 驅動的解決方案能實現即時的服務監控與保障，確保服務營運狀態不會超出預先定義的意圖與關鍵績效指標（KPI）範圍。這種持續性的監督與自動調節，對於確保可編程網路穩定運作具有決定性作用。

透過這些能力，AI 與 ML 不僅降低服務管理的複雜性，更為打造更具適應能力、更高效率且可自我管理的智慧網路鋪平了道路。

總結來說，AI 與 ML 不僅能大幅降低服務管理複雜度，也為建構更具適應性、更高效率且具自我管理能力的網路奠定基礎。這正是邁向未來網路營運模式的必要一步。

相關連結:

• 文章: Evolving service management toward intent-driven autonomous networks
• 報告: Closing the loop: CSPs aim to automate service orchestration and assurance
• 部落格: Model-driven configuration management for multi-domain service orchestration

閱讀更多:

• Ericsson network orchestration and assurance services
• Ericsson Service Orchestration and Assurance
• Accelerating 5G business growth with Ericsson Dynamic Network Slicing