Resumen: Se espera que la IA generativa (Genai) juegue un papel fundamental en la habilitación de la optimización autónoma en futuras redes inalámbricas. Dentro de la arquitectura de Oran, los modelos de idiomas grandes (LLM) se pueden especializar para generar XAPP y rapps aprovechando las especificaciones y las definiciones de API de la plataforma Ran Intelligent Controller (RIC). Sin embargo, el ajuste de las LLM de la base para las tareas específicas de las telecomunicaciones sigue siendo costosa y intensiva en recursos. La generación de recuperación aumentada (RAG) ofrece una alternativa práctica a través del aprendizaje en contexto, lo que permite la adaptación del dominio sin reentrenamiento completo. Mientras que los sistemas de RAG tradicionales dependen de la recuperación basada en vectores, las variantes emergentes como Graphrag y Graphrag Hybrid incorporan gráficos de conocimiento o estrategias de recuperación dual para apoyar el razonamiento múltiple y mejorar la conexión a tierra. A pesar de su promesa, estos métodos carecen de evaluaciones sistemáticas impulsadas por métricas, particularmente en dominios de alto riesgo como el oran. En este estudio, realizamos una evaluación comparativa de Rag, Graphrag e Hybrid Graphrag híbrido utilizando especificaciones de Oran. Evaluamos el rendimiento en diferentes complejidades de preguntas utilizando métricas de generación establecidas: fidelidad, relevancia de respuesta, relevancia del contexto y corrección objetiva. Los resultados muestran que tanto Graphrag como Hybrid Graphrag superan el trapo tradicional. Graprag híbrido mejora la corrección de hechos en un 8%, mientras que Graphrag mejora la relevancia del contexto en un 7%.
Publicado Originalme en export.arxiv.org El 7 de julio de 2025.
Ver Fuente Original
