Large language models for optical network O&M: Agent-embedded workflow for automation

Dit artikel presenteert een conceptueel raamwerk voor het integreren van multi-agent systemen op basis van grote taalmodellen in bestaande workflows voor het operationeel beheer van optische netwerken, met als doel de automatisering en intelligentie van taken zoals kanaalbeheer, prestatieoptimalisatie en storingsbeheer te verbeteren.

De kern

Hoe een slimme digitale assistent het lichtnet redt: Een verhaal over Agents en LLM's

Stel je voor dat het moderne internet niet bestaat uit kabels en routers, maar uit een gigantisch, adembenemend snel lichtnetwerk. Dit netwerk is als een superhighway voor data, waar enorme hoeveelheden informatie (video's, AI-berekeningen, IoT-gegevens) met de snelheid van het licht reizen. Maar net als elke echte snelweg, moet deze ook onderhouden worden. En dat wordt steeds moeilijker.

Deze paper beschrijft hoe we een nieuwe soort "slimme assistent" kunnen gebruiken om dit onderhoud te automatiseren. Laten we het uitleggen alsof we het over een superintelligente verkeersleider hebben die een heel netwerk van lichtkabels beheert.

1. Het Probleem: De Menselijke Verkeersleider is Overbelast

Vroeger, en nog steeds vaak vandaag, wordt dit netwerk beheerd door echte mensen.

• Het scenario: Stel, er is een kabel beschadigd of er moet een nieuwe "baan" worden aangelegd voor extra data.
• Hoe het nu gaat: Een menselijke technicus moet eerst alle alarmen bekijken (dat zijn er duizenden!), de oorzaak raden, de juiste instructies opschrijven en die handmatig invoeren in een computer.
• Het probleem: Het netwerk wordt steeds groter en complexer. Mensen maken fouten door vermoeidheid, het duurt te lang, en als er iets misgaat, kan dat hele diensten verstoren. Het is alsof je probeert een heel land te besturen door elke lantaarnpaal handmatig aan en uit te schakelen.

2. De Oplossing: De "Agent" (De Slimme Assistent)

De auteurs van dit artikel zeggen: "Laten we Grote Taalmodellen (LLM's) gebruiken, maar dan slim ingebouwd."

• Wat is een LLM? Denk hierbij aan een superintelligente chatbot (zoals de technologie achter moderne AI) die heel goed begrijpt wat mensen zeggen en wat ze bedoelen.
• Wat is een "Agent"? Een gewone chatbot kan alleen praten. Een Agent is een chatbot met handen en voeten. Hij kan niet alleen een plan maken, maar ook echt doen. Hij kan software aanroepen, metingen controleren en instructies geven aan de apparatuur.

3. Hoe werkt het? De "Agent-Embedded" Werkwijze

In plaats van alles te slopen en opnieuw te bouwen, stellen de auteurs voor om deze slimme Agents in te bouwen in de bestaande, bewezen werkwijzen van de technici. Het is alsof je een ervaren chauffeur een autonome cruise-control geeft, in plaats van de auto volledig zelfrijdend te maken zonder dat de bestuurder erbij is.

Het systeem bestaat uit een Hoofd-Agent (de manager) en Sub-Agenten (de specialisten):

A. De Hoofd-Agent (De Manager)

• Rol: Hij luistert naar de menselijke operator (bijvoorbeeld: "We hebben 4 nieuwe lichtbanen nodig tussen stad A en stad B").
• Taak: Hij breekt dit grote verzoek op in kleine taken en geeft ze door aan de juiste specialisten. Hij zorgt dat niemand elkaar in de weg zit.

B. De Sub-Agenten (De Specialisten)

De paper beschrijft drie hoofd-specialisten:

1. De "Nieuwe Baan" Agent (Optische Kanaalbeheer):

   • Analogie: Stel je voor dat je een nieuwe snelwegbaan moet aanleggen.
   • Wat doet hij? Hij zoekt de kortste route, controleert of er genoeg ruimte is in het spectrum (de "kleuren" van het licht), en berekent of de kwaliteit goed blijft. Hij gebruikt een Digitale Tweeling (een perfecte digitale kopie van het netwerk) om te simuleren of het plan werkt voordat hij iets echt verandert. Pas als het veilig is, geeft hij de opdracht om de apparatuur in te stellen.

2. De "Schoonheidsspecialist" Agent (Prestatie-optimalisatie):

   • Analogie: Lichtbanen kunnen soms "onveilig" worden door ouderdom of slijtage, waardoor de kracht van het signaal onevenwichtig wordt (sommige banen zijn te zwak, andere te fel).
   • Wat doet hij? Hij kijkt continu naar de kracht van het licht. Als hij ziet dat het niet gelijkmatig is, past hij heel voorzichtig de "knoppen" (versterkers en filters) aan. Hij doet dit stap voor stap, controleert het resultaat, en past het weer aan, totdat alles perfect in balans is. Dit doet hij veel sneller en nauwkeuriger dan een mens die dit handmatig doet.

3. De "Brandweer" Agent (Foutbeheer):

   • Analogie: Als er een ongeluk gebeurt op de snelweg, komen er honderden alarmen binnen.
   • Wat doet hij? Mensen worden vaak overstuur door al die alarmen. Deze Agent leest alle alarmen, filtert de ruis weg en zegt direct: "Het is niet dat de hele snelweg plat ligt, maar er is een kabel doorgesneden tussen punt X en Y." Hij geeft zelfs direct een advies: "Stuur een monteur naar deze locatie." Hij gebruikt zijn kennis van het netwerk om de ware oorzaak te vinden, in plaats van alleen symptomen te behandelen.

4. Waarom is dit belangrijk?

De paper benadrukt dat we niet direct naar "volledig autonome robots" moeten springen die alles zelf doen zonder mens. Dat is te riskant.

• De stap: We gaan van handmatig -> semi-automatisch (hulpsoftware) -> Agent-geïntegreerd (de AI helpt mee in het bestaande proces) -> volledig autonoom (in de toekomst).
• De voordelen: Minder fouten, snellere reactie op storingen, en het netwerk kan groeien zonder dat we duizenden extra technici nodig hebben.

5. De Uitdagingen (De "Maar...")

Het klinkt geweldig, maar er zijn nog hobbels:

• Snelheid: De AI moet data in echt real-time krijgen. Als de data te traag is, kan de AI geen snelle beslissingen nemen.
• De Digitale Tweeling: De digitale kopie van het netwerk moet perfect zijn. Als de kopie niet klopt met de werkelijkheid, kan de AI verkeerde beslissingen nemen.
• Betrouwbaarheid: AI kan soms "hallucineren" (dingen verzinnen die niet waar zijn). In een lichtnetwerk kan een hallucinatie leiden tot een storing. Daarom moet er altijd een veiligheidsnet zijn (zoals een digitale simulatie of menselijke goedkeuring) voordat er echt iets wordt veranderd.

Conclusie

Kortom: Deze paper stelt voor om AI-agenten als slimme assistenten in te zetten die werken met de mens, niet in plaats van de mens. Ze nemen de saaie, complexe en risicovolle taken over, zodat het lichtnetwerk veiliger, sneller en slimmer wordt. Het is de eerste stap naar een netwerk dat zichzelf bijna volledig kan onderhouden, met de mens als de eindverantwoordelijke kapitein.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het onderzoekspaper "Large language models for optical network O&M: Agent-embedded workflow for automation", vertaald en samengevat in het Nederlands.

Titel: Large Language Models voor Optische Netwerk O&M: Agent-geïntegreerde Werkstromen voor Automatisering

Auteurs: Shengnan Li et al. (Beijing University of Posts and Telecommunications, China Telecom, etc.)
Publicatiedatum: Maart 2026 (voorgesteld)

---

1. Het Probleem

Optische netwerken vormen de ruggengraat van moderne informatie-infrastructuur, maar hun operationele en onderhoudsprocessen (O&M) staan onder druk door de snelle expansie van netwerkschaal en de toenemende diversiteit van diensten.

• Huidige staat: De meeste operatoren vertrouwen op een semi-automatische, mens-gedreven O&M-framework gebaseerd op Netwerkbeheersystemen (NMS). Hoewel NMS's visualisatie en controle bieden, blijven kritieke taken zoals alarmcorrelatie, root-cause-analyse, configuratie van nieuwe kanalen en prestatie-optimalisatie afhankelijk van handmatige ingrepen van operators.
• Beperkingen van traditionele AI: Bestaande AI-oplossingen (machine learning/deep learning) zijn vaak gespecialiseerd in specifieke taken (bijv. voorspelling van storingen) maar missen generalisatievermogen, contextbegrip en de capaciteit om complexe, meervoudige taken te plannen of tools te orkestreren.
• De uitdaging: Er is een urgentie om de automatisering te verhogen om menselijke fouten te verminderen en de schaalbaarheid te verbeteren, maar er ontbreekt een systematische aanpak om Large Language Models (LLMs) effectief te integreren in bestaande, gevestigde O&M-werkstromen zonder deze volledig te herontwerpen.

2. Methodologie

De auteurs stellen een Multi-Agent Architectuur voor die LLMs integreert als het "intelligente brein" binnen bestaande O&M-processen, in plaats van deze te vervangen. De kern van de methode is het concept van "Agent-embedded workflows".

A. Kernarchitectuur (Multi-Agent Systeem):
Het systeem bestaat uit drie lagen:

1. Interactielayer: Bevat een Supervisor Agent die fungeert als centrale coördinator. Deze agent interpreteert menselijke intenties, deconstrueert taken en delegeert werk aan gespecialiseerde sub-agenten.
2. Sub-Agent Layer: Drie gespecialiseerde agenten die verantwoordelijk zijn voor specifieke domeinen:
   • Optical Channel Management Agent: Voor het toevoegen/verwijderen van kanalen.
   • Performance Optimization Agent: Voor prestatie-optimalisatie (bijv. vermogensvereffening).
   • Fault Management Agent: Voor storingsdetectie en root-cause-analyse.
3. Functionele Layer: De onderliggende tools en API's (RWA-algoritmen, Digital Twin simulaties, alarm-API's) die door de agenten worden aangeroepen.

B. Sleuteltechnologieën:
Om de LLM's operationeel te maken in dit domein, worden zes kerncomponenten gebruikt:

• Prompt Engineering: Roltoewijzing (bijv. "Je bent een optisch netwerkbouwer"), taakinstructies en output-formatting.
• Retrieval-Augmented Generation (RAG): Koppeling aan externe kennisbanken (handleidingen, alarmregels, netwerktopologie) om hallucinaties te voorkomen en context te bieden.
• Planning & Workflow: Gebruik van Chain-of-Thought (CoT) en ReAct strategieën voor redenering, en vooraf gedefinieerde DAG's (Directed Acyclic Graphs) voor stabiele, repetitieve taken.
• Tool Invocation: LLM's kunnen externe tools aanroepen (API's voor databases, controllers, Digital Twins) om acties in de echte wereld uit te voeren.
• Geheugen: Behoud van context over meerdere interacties heen.
• LangChain Framework: Gebruikt als ontwikkelomgeving om de modulaire opbouw van de agenten en werkstromen te faciliteren.

C. Implementatie in Scenarios:
De auteurs demonstreren de methode in drie specifieke scenario's:

1. Kanaalbeheer: Van een menselijke vraag ("Voeg 4 kanalen toe tussen A en C") naar het automatisch uitvoeren van Routing & Wavelength Assignment (RWA), QoT-schatting via Digital Twin, en het genereren van configuratiecommando's.
2. Prestatie-optimalisatie: Detectie van vermogensafwijkingen via OCM-data, simulatie van aanpassingen (WSS/Versterkers) in een Digital Twin, en iteratieve optimalisatie van de Generalized Signal-to-Noise Ratio (GSNR).
3. Storingsbeheer: Analyse van alarmpatronen, correlatie van alarms om de root-cause te vinden (bijv. een kabelbreuk), en generatie van reparatie-instructies voor veldtechnici.

3. Belangrijkste Resultaten en Validatie

Het paper presenteert conceptuele validaties en architecturale bewijzen van haalbaarheid:

• Validatie Kanaalbeheer: In een gesimuleerd 5-knooppuntennetwerk slaagde de agent erin om een verzoek tot het toevoegen van 4 kanalen om te zetten in een geselecteerde route (A-B-C) met specifieke frequenties. De agent gebruikte een RWA-tool en een QoT-schattingstool om te verifiëren dat de GSNR-marges binnen de limieten vielen, en produceerde een gestructureerde JSON-uitvoer.
• Validatie Prestatie-optimalisatie: De agent slaagde erin om op basis van OCM-data vermogensvereffeningsproblemen te identificeren in specifieke OMS-segmenten (Optical Multiplex Sections) en stelde een workflow voor om deze aan te passen via WSS en versterkers.
• Validatie Storingsbeheer: Bij een gesimuleerde kabelbreuk tussen twee knooppunten, analyseerde de agent de alarmreeks (MUT_LOS, OSC_LOS, R_LOS), identificeerde correct de root-cause en genereerde gepaste oplossingsvoorstellen op basis van een kennisbank.
• Workflow-Evolutie: Het paper toont de evolutie van handmatige processen naar semi-automatische systemen en uiteindelijk naar Agent-embedded workflows, waarbij de agenten de menselijke operator ondersteunen en taken autonomiseren binnen veilige grenzen.

4. Bijdragen

• Conceptueel Kader: De paper introduceert een gestructureerde aanpak om LLM-based Agents te embedden in bestaande O&M-werkstromen, in plaats van een "vanaf nul" herontwerp.
• Multi-Agent Architectuur: Een specifiek ontwerp met een Supervisor Agent en gespecialiseerde sub-agenten voor de drie hoofdtaken in optische netwerken, wat conflicten voorkomt en de orde bewaart.
• Praktische Implementatie: Gedetailleerde ontwerpen voor prompt-templates, tool-integratie en kennisbank-opbouw voor specifieke optische taken (RWA, QoT, alarmcorrelatie).
• Identificatie van Uitdagingen: Een eerlijke analyse van de barrières voor implementatie, waaronder real-time data-toegang, Digital Twin-accuraatheid en de betrouwbaarheid van LLM's (hallucinaties).

5. Betekenis en Toekomstperspectief

Deze studie markeert een belangrijke stap richting autonome optische netwerken.

• Efficiëntie: Het potentieel om menselijke fouten te reduceren en de tijd voor complexe taken (zoals storingen oplossen of kanaalconfiguratie) aanzienlijk te verkorten.
• Schalbaarheid: Een oplossing die beter kan omgaan met de toenemende complexiteit en schaal van moderne netwerken dan menselijke teams alleen.
• Veiligheid: Door de "Agent-embedded" aanpak en de integratie van Digital Twins voor pre-validatie, wordt een veiligheidsnet gebouwd dat kritieke fouten in live netwerken voorkomt.
• Toekomst: De auteurs benadrukken dat dit een overgangsfase is naar volledig gesloten-lus systemen (perceptie, besluitvorming, actie). Toekomstig werk richt zich op de validatie in operationele netwerken en de integratie met bestaande NMS en SDN-controllers.

Conclusie: Het paper biedt een robuust raamwerk voor het gebruik van LLMs als coördinerende intelligentie in optische netwerken, waarbij het de kloof overbrugt tussen geavanceerde AI en de praktische realiteit van netwerkbeheer.