基地局の増設や設備増強など、通信品質向上に向けた継続的な取り組みは、通信事業者にとっての使命であり、競争力の源泉でもある。生成AIの普及に伴い、GPUなどの計算資源やAIデータセンター、エッジコンピューティングなど、通信事業者の投資対象も一段と広がりつつある。
こうした成長投資を継続するためには、サービス品質を維持しながら、いかにコストを抑えるかが課題となる。そこで国内外の通信事業者は、AIを活用したネットワーク運用の自動化・効率化を推進している。
ソフトバンクも、AIを用いてネットワーク運用の高度化を進める1社で、昨年3月には通信業界向けAIモデル「Large Telecom Model（LTM）」を開発した。「ソフトバンクのエキスパートが行ってきた業務をLTMが代替し、運用効率化や省人化、OPEX（事業運営費）削減を目指している」とNWシステム開発本部 LTM AI開発室室長の稲葉宏輝氏は語る。
（左から）ソフトバンク NWシステム開発本部 LTM AI開発室 室長 稲葉宏輝氏、
同社 同部 無線システム統括部 オペレーションシステム部 部長 傳田聡氏
LTMの特徴は？
LTMは、ソフトバンク子会社のSBIntuitionsが開発した「Sarashina」をはじめとする大規模言語モデル（LLM）をベースに、通信業界の専門知識を追加学習させている。
学習データには、基地局の位置やアンテナ角度、使用周波数帯といった設定情報のほか、電波強度やスループット等のパフォーマンス指標など、ソフトバンクが保有する各種データを活用（図表1）。また、ユースケースごとにファインチューニングを実施することで、各業務の要件に応じた判断・応答が行えるよう、AIモデルを最適化しているという。
図表1 Large Telecom Modelの概要
これまでソフトバンクでは、用途ごとに個別のAIモデルを構築し、それぞれの業務に関係するデータのみを学習させて運用するのが一般的だったという。ただ稲葉氏によると、こうしたモデルは特定業務においては高い性能を発揮する「頭の良いモデルだが、学習データに大きく依存してしまうため、与えられたデータの範囲を越えた判断が難しかった」。
そこでLTMでは、実運用データやシミュレーションデータなど、あらゆる通信関連のデータを横断的に学習させた基盤モデルを構築し、そのうえで個別タスクごとにファインチューニングを行っている（図表2）。これにより、「多様な経験を積んだエキスパートのように、周辺知識も踏まえて判断できるようになる」（同氏）。
図表2 一般的な手法とLarge Telecom Modelの考え方の違い
ソフトバンクでは、AIとRAN（無線アクセスネットワーク）の処理基盤を統合し、RANの運用効率化や省電力化、さらにはAIを活用した新たなビジネス創出を目指す「AI-RAN」を推進している。その取り組みの1つが、AIによってRANの性能向上を図る「AI for RAN」だが、これとLTMは両輪を成すものだ。
AI-RANの具体例としては、AIを用いたMassive MIMOのビームフォーミング最適化などが挙げられる。同じ設備でより多くのトラフィックを収容可能になり、AI for RANはOPEXとCAPEX（設備投資）抑制の両方に寄与する。対してLTMは、ネットワーク運用や保守業務の自動化・効率化を通じて、サービス品質の向上とOPEXの削減を目指す取り組みとなる。
