(一)强化学习教程——“Transformer八子” OpenAI科学家认为RL已成为AGI时代新范式引擎
在近期《大模型的第一性思考》的深度对话中,GPT-5与Transformer的共同发明者、OpenAI 资深研究科学家 Lukasz Kaiser 详细谈论了强化学习(RL)在 AGI(通用人工智能
阅读全文在近期《大模型的第一性思考》的深度对话中,GPT-5与Transformer的共同发明者、OpenAI 资深研究科学家 Lukasz Kaiser 详细谈论了强化学习(RL)在 AGI(通用人工智能
阅读全文引言凌晨三点,智慧工厂的生产线因AGV(自动导引运输车)网络偶发抖动而告警,传统的运维模式需要几小时的多方会诊。而一个AI智能体团队,仅用10分钟就定位了核心网的QoS策略冲突并提出了修复方案。这并
阅读全文📋 概述本技术方案针对电信传输网络中的SPN(Slicing Packet Network)链路拥塞预测问题,采用LSTM(Long Short-Term Memory)深度学习模型,实现从传统被动
阅读全文自动化生成PIR报告,构建持续学习的知识闭环引言:让每一次故障都成为网络进化的“养料”在前四篇文章中,我们已经构建了一条AIOps自动化流水线。我们的智能体团队能够预测拥塞、诊断根因、规划方案,并执
阅读全文通过API与SPN控制器集成,实现流量的自动化调度引言:从“纸上谈兵”到“兵贵神速”在前三篇文章中,我们已经构建了一个强大的AIOps决策支持系统。我们成功预测了网络拥塞,精准诊断了根本原因,并由A
阅读全文设计RAG与思维链Prompt,让LLM输出最佳疏导路径引言:从“找到病根”到“开出良方”在前两篇文章中,我们构建了AIOps智能运维闭环的前两个关键环节。第一篇(一)流量预测篇:用AI智能体实现S
阅读全文用Python代码实现多维KPI关联,锁定拥塞根因引言:从“知其然”到“知其所以然”在本系列的第一篇文章中(一)流量预测篇:用AI智能体实现SPN链路拥塞的预测与自动疏导,我们成功构建了一个基于Pr
阅读全文基于LSTM与Prophet构建SPN流量预测模型引言:从“亡羊补牢”到“未雨绸缪”在当今的电信网络运营中,最让NOC(网络运营中心)工程师头疼的场景莫过于突发性的链路拥塞。一旦发生,关键业务(如5
阅读全文1. 问题定义在电信运维中,SPN链路拥塞预测是一个典型的 多变量时间序列预测 问题。• 目标 (Objective): 基于SPN链路上过去一段时间的 多维度性能指标(KPIs),利用深度学习模型
阅读全文一、背景1.1 现状与业务影响随着5G业务(eMBB, uRLLC, mMTC)、企业高质量专线和家庭千兆宽带的快速发展,承载网面临着前所未有的流量冲击。SPN(切片分组网)作为5G承载的核心技术,
阅读全文一、 场景描述1.1 背景随着 5G、政企专线、家庭宽带的快速发展,承载网络对 SPN(Sliced Packet Network) 的依赖度持续提升。SPN 作为 5G 时代面向多业务承载的确定性
阅读全文一、 场景描述1.1 背景随着 5G、政企专线、家庭宽带的快速发展,承载网络对 SPN(Sliced Packet Network) 的依赖度持续提升。SPN 作为 5G 时代面向多业务承载的确定性
阅读全文前情提要本文是电信AIOps智能体系列的第5篇,在前序监控、诊断、优化智能体的基础上,聚焦于运维事件的闭环管理与知识沉淀——自动化事后复盘报告。我们基于Dify的工作流编排能力和RAGFlow知识库
阅读全文前情提要本文是电信AIOps智能体系列的第4篇,在前序监控与诊断智能体的基础上,聚焦于运维闭环的最关键的一环:优化与修复。基于Agent工作流编排能力和RAG知识库,本文构建了一套AI优化智能体Ag
阅读全文前情提要本系列文章的场景来自于由美国电信巨头Verizon、英国电信BT Group、阿联酋电信Etisalat发起的TMF Catalyst催化剂项目:Unleash the potential
阅读全文前情提要本系列文章的场景来自美国电信巨头Verizon、英国电信BT Group、阿联酋电信Etisalat发起的TMF Catalyst催化剂项目:Unleash the potential of
阅读全文本系列文章的场景来自于由美国电信巨头Verizon、英国电信BT Group、阿联酋电信Etisalat发起的TMF Catalyst催化剂项目:Unleash the potential of
阅读全文下面是博主总结的电信网络AI智能运维领域的15项研究创新点和落地方向。有合作意向的读者可关注公众号私信联系博主。核心理论类1. "基于多阶段关联分析的AIOps智能体工作流设计与实现"• Four-
阅读全文揭秘ChatGPT背后的核心技术:RLHF(Reinforcement Learning from Human Feedback)如何让AI更懂人类?这项技术通过四个关键模型(Actor、Refer
阅读全文前情提要本文是电信AIOps智能体系列的第4篇,在前序监控、诊断、优化智能体的基础上,聚焦于运维事件的闭环管理与知识沉淀——自动化事后复盘报告。我们基于Dify的工作流编排能力和RAGFlow知识库
阅读全文前情提要本文是电信AIOps智能体系列的第3篇,在前序监控与诊断智能体的基础上,聚焦于运维闭环的最关键的一环:优化与修复。基于Agent工作流编排能力和RAG知识库,本文构建了一套AI优化智能体Ag
阅读全文博主编写本文时,恰逢93阅兵。虽然此系列文章以体育赛事场景为例,但依然适用于阅兵等大型活动的信息通信保障。前情提要本系列文章的场景来自于由美国电信巨头Verizon、英国电信BT Group、阿联酋
阅读全文导言:本文概述了通信网络AIOps中的四阶段AI智能体工作流设计。这套方法论通过渐进式处理、智能化决策、闭环优化和人机协作四大设计原则,实现了从事件检测、多异常关联分析、LLM深度推理到解决方案推荐
阅读全文前情提要 本系列文章的场景来自美国电信巨头Verizon、英国电信BT Group、阿联酋电信Etisalat发起的TMF Catalyst催化剂项目:Unleash the potential
阅读全文> 请关注本公众号私信获取本文Agent源码。本文基于 Dify 的工作流编排能力和 RAGFlow 知识库,构建了一套电信运营商传输网络的智能故障预测与自动化运维场景的AI智能体Agent和MCP
阅读全文背景介绍为上万球迷在某体育赛事决赛现场提供4K超清多角度直播是5G网络切片的核心承诺,更是5G商业化浪潮中电信运营商面临的严峻考验。5G切片技术,作为实现“一网多能、按需定制”的关键,旨在为增强型移
阅读全文博主上一篇文章(附源码)Dify+RAGFlow搭建工业互联网MCP服务和AI智能体Agent,快速实现水泵企业数控机床预测性维护,是基于 Dify 的工作流编排能力和 RAGFlow 知识库,构建
阅读全文随着云原生、AI原生、数智化与开放生态加速演进,AI+OSS 的出现标志着电信行业的一次范式转移,它承诺带来更高的灵活性、互操作性和成本效益。而要成功实现 AI+OSS,人工智能 (AI) 和机器学
阅读全文本文介绍的AI+OSS平台解决方案是网络工程师进行5G RAN优化的“Copilot”。本文结合Apache Airflow工作流引擎、LangChain智能体和精调的大型语言模型,提出AI驱动的解
阅读全文本文基于博主之前的文章构建TMF合规的通信网络质量优化AI+OSS智能体Agent平台,快速生成业务性能优化方案,实现从被动响应到主动预测的智能化转型让AI+OSS智能体Agent在电信网络'大海捞
阅读全文