• Encore en phase d’expérimentation, l’IA générative et l’IA agentique laissent entrevoir un nouveau cap dans l’automatisation des réseaux.
• L’automatisation du réseau permettra de simplifier sa gestion, de réduire les coûts associés et d’optimiser ses performances ainsi que sa consommation énergétique.
Promise de longue date, la convergence entre l’IT et les télécoms est désormais une réalité. La virtualisation des fonctions réseaux (NFV) a permis de découpler les services réseau de l’infrastructure matérielle en les déployant sous forme logicielle. Objectif : s’affranchir des dépendances sur les couches matérielles spécifiques. Tendance plus récente, la « cloudification » des infrastructures télécoms apporte une couche d’abstraction supplémentaire, ouvrant la voie à un modèle horizontal dans lequel les fonctions réseau s’exécutent sur une plateforme mutualisée favorisant plus d’ouverture. Les nouveaux services et innovations ont toutefois transformé les réseaux télécoms en systèmes distribués extrêmement complexes à gérer. Les équipes en charge de leur administration et de leur maintenance doivent analyser un nombre croissant d’événements, entre les données d’alarmes remontant des équipements, les indicateurs de performances ou les journaux de logs applicatifs.
Alors que les outils traditionnels de supervision montrent leurs limites, l’intelligence artificielle offre sa capacité à corréler des données hétérogènes, souvent redondantes et faiblement contextualisées. Objectif : isoler rapidement la cause racine d’un incident (RCA, Root Cause Analytics). Dans le cadre de la maintenance prédictive, il s’agit de suivre en continu l’état de santé d’un réseau afin de remonter de possibles défaillances avant qu’elles n’impactent la qualité de service. « En se basant sur l’historique de fonctionnement, les algorithmes sont capables de détecter toute dérive anormale d’un indicateur de performance (KPI) par rapport à son comportement attendu, explique Ilhem Fajjari, chercheuse au centre d’innovation d’Orange à Châtillon. Derrière, l’action de remédiation pourra se traduire par des mécanismes d’auto-remédiation, tels que le redémarrage ou la reconfiguration de certaines fonctions réseaux. L’objectif est de corriger le problème au plus tôt avant qu’il n’affecte l’expérience utilisateur. La moindre dégradation a un impact direct sur la qualité d’un appel audio ou le visionnage d’une vidéo. »
Avec la notion de self‑healing (auto‑réparation), un réseau intelligent est en mesure de diagnostiquer et corriger automatiquement certaines pannes, anomalies ou dégradation de qualité de service, avec peu ou pas d’intervention humaine. Les indicateurs de performances suivis sont liés à l’infrastructure elle-même (CPU, RAM, espace disque), aux fonctions réseaux ou à cette expérience utilisateur, comme le temps d’établissement d’une session ou le débit utilisateur.
Jusqu’où aller dans l’autonomisation des réseaux ? « A ce stade, une autonomie totale reste prématurée », estime Ilhem Fajjari, chercheuse à Orange, pointant du doigt les risques d’hallucination et d’opacité.
Réduire la consommation énergétique
Au-delà de la maintenance, d’autres grands cas d’usage portent sur la configuration du réseau – en appliquant les meilleurs paramétrages – et son optimisation. « En anticipant la charge des cellules réseaux et des serveurs, il est possible d’optimiser l’exploitation d’un réseau mobile, avance Zwi Altman, ingénieur de recherche sur le même site d’Orange. Éteindre certaines cellules en période de faible trafic réduira, par exemple, la consommation énergétique du réseau et donc son impact environnemental. »
La conception d’algorithmes de machine learning dédiés fait appel à l’approche MLOps (Machine Learning Operations). Reprenant les principes de DevOps, cet ensemble de pratiques vise à industrialiser le cycle de vie d’un modèle dans les différentes étapes d’entraînement, de validation, de déploiement et de monitoring. MLOps s’inscrit aussi dans une logique d’amélioration continue. « Le réentraînement constitue un levier clé pour ajuster les modèles et maintenir leur performance dans la durée. », précise Ilhem Fajjari.
Donner des instructions en langage naturel
Le monde des télécoms ne pouvait pas passer à côté de la déferlante de l’IA générative. Faisant appel aux grands modèles langage (LLM), l’« intent management » (gestion par l’intention) consiste à piloter un réseau en exprimant, en langage naturel, le résultat attendu, laissant ensuite le système traduire cette intention en actions concrètes. « Des preuves de concept (POC) sont actuellement menées », indique Zwi Altman.
Avatar de l’IA générative, l’IA agentique va un cran plus loin dans l’automatisation des réseaux en déployant une armée d’agents intelligents spécialisés qui vont se coordonner pour déclencher une série d’actions en fonction des objectifs et événements.
Jusqu’où aller dans l’automatisation des réseaux ? Sur l’échelle établie par l’alliance TM Forum, qui comprend cinq niveaux de maturité, Orange vise le niveau 4 dans lequel l’IA est généralisée tout en maintenant une supervision humaine (« man in the loop »). « A ce stade, une autonomie totale reste prématurée », juge Ilhem Fajjari, pointant du doigt les risques d’hallucination et d’opacité. « Pour éviter l’effet « boîte noire », des travaux en cours portent sur l’explicabilité des modèles. »
Se pose, enfin, un enjeu de souveraineté. Les LLM les plus performants sont, pour la plupart, édités par des acteurs étatsuniens. Les trois hyperscalers – AWS, Microsoft Azure, Google Cloud – tentent également de capter ce marché de l’AIOps en proposant des solutions cloud tout-en-un aux opérateurs télécoms, associant l’hébergement des fonctions réseaux à des briques d’IA.
En savoir plus :
The agentic era of telco AIOps: unifying IT and network operations with human oversight (en anglais)
