意图驱动型服务编排与AI相互协同，正在彻底改变网络和服务的管理方式。这种协同究竟会如何革新OSS服务管理方式？又将如何发掘自动化和可编程网络的全部潜能？
作者：Alexander Valchuk, Senior OSS/BSS technical sales leader, Ericcson 原标题：How AI empowers intent-driven service orchestration and assurance
以AI和自动化改变服务编排方式
意图驱动型服务编排与保障开启了服务管理和编排的新时代。有了它，我们不仅可以自动部署和激活服务，还能进行持续监控和调整，以实现动态的业务、服务和运营目标。人工智能（AI）可以自动完成决策、预测分析和闭环操作，确保服务实例与定义的意图保持一致，因此在赋能服务管理和编排方面发挥着变革性作用。
图1：AI在服务管理与编排中的角色
运营商（csp）在实施服务自动化方面面临的主要挑战之一，是端到端服务蓝图设计、分解以及面向客户和资源的端到端服务实例保障的复杂性。我们的经验表明，要充分发挥服务管理和编排的优势，系统中必须配置一系列软件构件，包括服务蓝图设计、分解与集成逻辑、主工作流程和原子工作流程等。要成功实施编排项目，需要在设计和测试这些构件方面投入大量精力。
运营商正在设法更有效地实施服务编排和保障操作。从管理OSS系统配置和集成转向管理自动化流程，是实现更高效、更精简的服务运营的关键。将服务管理模式向AI赋能的意图驱动型自主服务运营模式演进，是Tele Management Forum（TM Forum）定义的自主网络愿景的基础；最新发布的自主网络技术架构文章中详细阐述了这一愿景。
AI+意图驱动型自主服务运营模式如何实现？
TM Forum的可编程网络愿景以意图驱动型服务编排为核心，允许运营商定义高级别的业务和服务意图，然后自动转换为具体的网络配置和操作。在这一过程中，服务保障同样重要，可确保网络服务实例在整个过程中持续满足指定的意图。
要在从服务设计、配置一直到服务观测和保障的整个生命周期内实现全自动服务管理，必须实施AI赋能的意图驱动型自主服务运营，而这可以通过AI赋能的编排系统来实现。
图2: AI实现意图驱动型运营｜来源：爱立信
令人振奋的是，AI能够通过意图驱动型服务编排实现服务实例的全生命周期管理——从服务蓝图设计，一直到端到端服务实例的运营与保障，从而实现自主服务运营。
利用AI加快服务蓝图设计周期，高效交付创新服务
在意图驱动型服务编排和保障方面，AI和ML技术可以大幅简化服务编排架构师和网络设计师的工作。例如，AI可以使用定制训练的大语言模型（LLM），生成并验证初始服务编排蓝图。这一过程利用历史数据、先前的蓝图迭代、网络配置和特定服务需求，并结合模式识别和预测建模等ML技术，创建创新且功能完善的服务蓝图。
服务蓝图生成后，AI工具可以通过数字孪生（真实世界服务实现的虚拟副本）模拟其部署。这种模拟有助于预测服务实例的性能，并在实际部署到现网中之前及时发现潜在问题。此外，AI系统还可以通过无监督学习技术确保蓝图符合现有网络标准、操作协议和最佳实践，并检测与现有模型的偏差。
图3: AI赋能的服务蓝图设计｜来源：爱立信
自动化服务蓝图设计流程可以显著缩短设计、验证和启用新服务蓝图所需的时间，从而加快服务上市时间，提高运营效率。爱立信已经在利用AI能力设计和验证服务蓝图；而且，AI的使用不仅可以显著加快服务蓝图的设计和测试时间，还有助于引入新的高级服务编排和保障用例。
从意图驱动型端到端服务编排向全自主网络演进
意图驱动型端到端服务编排是向自主网络管理过渡的基础，其重点是服务需要实现哪些目标，而非其自身的实现方式。AI在实现这一范式方面发挥着关键作用，因为AI算法可以解释定义的意图，自动管理底层网络资源以实现这些目标，使网络能够实时适应新的需求，利用数据进行学习以持续优化性能，并在出现网络异常或故障时进行自我纠正。让我们更深入地探讨一下AI在彻底变革服务编排和配置方面的潜力。
第一个重要方面是，AI如何通过解释意图（高层次的业务或服务目标）并将其转化为可执行的编排操作来增强服务编排。运营商可以将高级自然语言处理（NLP）技术整合到服务编排堆栈中，使系统能够解释以自然语言表达的服务需求，从用户命令或服务请求中提取有意义的意图信息，并将其转化为可执行的基于标准的API调用。通过语义分析，AI模型可以分析这些需求的上下文和语义，以确保能准确地解释和实现意图，同时考虑服务实例和网络的现状等因素。
图4: 通过NLP翻译实现零接触服务编排｜来源：爱立信
利用API管理认知意图生命周期
另一个重要方面是认知意图的生命周期管理，即通过API定义、管理和监控意图。AI在这里的作用包括解释触发器和上下文信息，生成建议并指导闭环决策。AI/ AI/ML可以实时分析替代方案并建议最优的目标服务图和配置，从而帮助完成动态服务设计和部署。
图5: 意图驱动型自主网络的认知闭环｜来源：爱立信
认知意图生命周期管理可以自动做出许多原本需要人工干预的决策，从而将资源节约下来用于其他任务，并确保更高效的服务运营。更重要的是，这种方法可帮助实现持续改进，因为AI和ML系统能够监控过去的决策的成效，并从反馈中学习，以优化意图解释并增强未来的服务设计决策。
基于AI的服务保障提高服务可靠性
正确配置并激活端到端服务实例后，需要进行实时监控，以确保其状态和性能符合预定义的服务意图；这些意图被设计为一组服务等级关键性能指标（KPI）。为了实现这一目标，服务保障系统会收集网络遥测数据，并将其汇总为服务等级KPI，然后根据配置的阈值进行监控，以便对任何偏离服务意图的情况做出主动或被动响应。
提前发现并解决问题！
主动检测服务意图违反情况的一个例子是，服务保障系统可以利用AI/ML分析流量历史。而且，通过将机器学习模型和流量模式应用于历史数据和实时遥测数据，AI还可以预测潜在的服务降级、“隐性”故障或容量问题。这种方法使网络运营商能够采取预防措施，避免运行中断或性能问题；换句话说，预测分析可以通过提前识别风险来帮助保持服务性能。AI能够预测未来问题或潜在异常情况，是主动优化网络服务和资源的关键驱动因素。
图6: AI赋能的服务保障｜来源：爱立信
此外，AI能够实时解释数据，因此可以在检测到异常情况时简化决策和修复。AI不依赖静态的预定义策略；相反，它不仅可以精确定位故障位置，还可以提供修复或处理建议和/或决策，然后由服务编排系统执行，以完成闭环处理。AI的建议可繁可简，可能是简单的服务和/或资源拓扑更改（如扩展核心网络功能），也可能是会影响服务实例拓扑设计的更复杂更改。
AI是构建全面可编程网络的关键步骤
将AI技术集成到意图驱动型服务编排和保障系统中，是推进可编程网络的关键。AI能够生成、验证蓝图并将其部署到网络中，因此有望简化服务蓝图设计过程的自动化。它利用模式识别和预测建模等ML技术来预测网络和服务需求，并相应地优化服务拓扑图和配置。ML算法还可以从持续收集的网络性能数据中学习，不断适应和优化服务与网络运营；对于必须自主适应不断变化的条件的可编程网络，这一点至关重要。
此外，AI驱动的解决方案可以实现实时服务监控和保障，确保服务运营不超出预定义意图和KPI的设定参数范围。这种持续的监督和自动调整对于确保可编程网络的无缝运行至关重要。
借助这些能力，AI和ML不仅能降低服务管理的复杂性，还为构建适应能力更强、更高效且具备自我管理能力的网络铺平了道路。
推荐阅读：
