Телекоммуникационная отрасль переходит к автономным сетевым операциям, что обусловлено растущей сложностью современных сетей. Традиционные ручные методы и базовое машинное обучение недостаточны для автоматизации этих сложных систем. Агенты ИИ обладают возможностями рассуждения, но испытывают трудности с огромным объемом сетевых данных. Чтобы преодолеть этот разрыв, графовые нейронные сети (GNN) интегрируются с агентами ИИ для обработки крупномасштабных временных и реляционных данных. Эта комбинация позволяет проводить продвинутую диагностику, такую как анализ первопричин и планирование мощностей, наряду с рассуждением и выполнением действий. Фреймворк Google Cloud для автономных сетевых операций использует трехкомпонентный подход: Данные, МО и ИИ. Основой является цифровой двойник сети, динамическое графовое представление реальной сети, размещенное на Spanner Graph от Google Cloud для масштабируемости и поддержки мультимоделей. Слой МО использует Distributed Graph Flow (DGF), библиотеку Python с открытым исходным кодом для управления жизненным циклом GNN, обеспечивающую предиктивные инсайты. DGF упрощает разработку моделей GNN, позволяя создавать такие приложения, как обнаружение аномалий, анализ первопричин и предиктивное обслуживание. Он также облегчает анализ "что, если", моделируя изменения в сети и их последствия. Пятиэтапный процесс описывает реализацию анализа первопричин с использованием DGF и GNN, включая подключение к цифровому двойнику, обучение прогнозной модели и ее развертывание для инференса в реальном времени. Эта эволюция на основе GNN обещает сокращение времени простоя, оптимизацию мощностей и улучшение качества обслуживания клиентов.