自律型ネットワークの加速: Google Cloud と DigitalRoute が AI 向けのデータ準備を簡素化

※この投稿は米国時間 2026 年 3 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

レベル 4 とレベル 5 の自律型ネットワーク運用（ANO）を実現するために、通信業界では、予測メンテナンスが可能な自己修復および自己最適化型ネットワークの構築に向けて AI の活用が加速しています。

しかし、そこには大きな障害があります。それは、AI の品質は AI に供給されるデータの品質に依存するということです。業界が AI エージェント、大規模言語モデル（LLM）、AIOps に注目する一方で、基盤となるデータは依然として乱雑で断片化されたままです。分断されたデータでは、有効な AI モデルを構築できません。

このたび、Google は、データ利用と収益化のプラットフォーム プロバイダである DigitalRoute との新たな共同取り組みを発表いたします。これは、業界最大の障壁の一つであるデータの準備を解決することを目的としています。Google は、未加工の混沌としたネットワーク ノイズを高品質の「AI 対応」データへと変換する、再利用可能なデータ パイプラインをリリースし、次世代の自律型エージェントを実現します。

「データスワンプ」からデジタルツインへ

AI エージェントがネットワーク異常を解決するには、まず環境を理解する必要があります。現代の通信ネットワークにおいて、次の 4 つの理由から、これはエンジニアリング上の大きな課題となっています。

1. 形式の不一致: ネットワーク データは、ベンダーやドメインごとに異なる数十種類の独自形式（例: ASN.1、XML、CSV、バイナリ）で届きます。AI は「翻訳者」なしにこれらを読み取ることはできません。

2. ボリュームと速度: 5G ネットワークでは、毎日数十億件の請求データとイベントデータのレコードが生成されます。これを超低レイテンシでリアルタイムに処理することは、従来のメディエーション システムには不可能です。

3. スキーマの進化: ネットワーク機能がアップグレードされるたび、または新しい 5G 機能がロールアウトされるたびに、基盤となるデータ構造が変化します。これは通常、従来のデータシステムを「破壊」します。

4. 相関関係の複雑さ: 1 つの顧客セッションが複数のネットワーク要素にまたがって断片化されることがよくあります。これらの断片をつなぎ合わせなければ、AI は実際のカスタマー エクスペリエンスを理解するためのコンテキストを欠くことになります。

その結果、「データスワンプ」と呼ばれる、AI モデルが効果的に使用できない未精製情報が大量に生まれます。

ソリューション: データ準備のためのクラウドネイティブなアーキテクチャ

この課題に対処するため、Google は DigitalRoute と連携して、従来の通信プロトコルとクラウドネイティブ インテリジェンスを橋渡しするソリューションを設計しました。Google Kubernetes Engine（GKE）で DigitalRoute の Usage Engine Private Edition を実行することで、エッジとクラウドのロケーション間で動的にスケールする再利用可能なパイプラインを作成しました。

このアーキテクチャには、3 つの明確な利点があります。

1. エッジとコアでの正規化: 複雑なバイナリ メッセージを統一された共通データモデルにデコードし、ストレージに到達する前に無関係な「ノイズ」を除外します。これにより、ダウンストリーム AI がベンダー固有の制約から切り離され、データの下り（外向き）の費用が大幅に削減されます。

2. 「デュアルパス」戦略: 正規化されたデータは、次の 2 つの専門的な環境に流れます。

• リアルタイムの運用向け: データは Spanner に push され、「ネットワーク デジタルツイン」が構築されます。これにより、AI エージェントはネットワーク トポロジの経時変化を辿り、迅速に根本原因を分析できます。

• 長期的な分析向け: 履歴データは BigQuery に流れます。BigQuery はサーバーレスで瞬時にスケールできるため、運用担当者はインフラストラクチャを管理することなくペタバイト規模のネットワーク トラフィックを分析し、「データ プロダクト」を Vertex AI に直接フィードしてモデルを迅速にトレーニングできます。

3. コンテキスト化された加入者トレース: ネットワークと加入者トレース分析（NSTA）ソリューションにより、タイムスタンプと識別子に基づいてさまざまなノードからのメッセージを整列させます。これにより、一貫性のある時系列のセッションフローが構築され、AI エージェントは加入者のジャーニーのエンドツーエンドのコンテキストを把握できるようになります。

このアーキテクチャにより、AI エージェントが Spanner で光ファイバーの切断に準リアルタイムで対応する必要がある場合でも、BigQuery と Vertex AI で来月の容量不足を予測する必要がある場合でも、常に一貫した高品質のデータを利用できます。

データから成果へ: 自律型エージェントの実現

このパートナーシップは、本番環境レベルの AI ユースケースを実現することを目的としています。これらの再利用可能なパイプラインを確立することで、次の基盤が提供されます。

• 迅速な異常検出: ベースライン データは整合性があり、ノイズがないため、エージェントはネットワーク パフォーマンスのわずかな逸脱を検出できます。

• 自動化された根本原因分析: 障害が発生した場合、エージェントは無線アクセス ネットワーク（RAN）の問題とコアのトレースデータを即座に相関させ、修正箇所を特定できます。

• 予測メンテナンス: 運用担当者は、BigQuery の履歴データを使用してグラフ ニューラル ネットワーク（GNN）をトレーニングし、数日先の容量のボトルネックを予測できます。

自律型ネットワークのミッション遂行を加速

データ準備こそが、「研究プロジェクト」に終わるか、本番環境グレードの自律型ネットワークになれるかの分かれ目です。今、取り込みレイヤを標準化することで、通信事業者は将来の AI 主導のネットワークに不可欠な基盤を構築できます。

さっそく始めましょう。

• Google Cloud セールスチームにお問い合わせのうえ、データ準備のワークショップのスケジュールを調整し、自律型ネットワーク運用に関するリファレンス アーキテクチャをご確認ください。

• GKE 上の Usage Engine が、特定の形式の不一致やボリュームの問題をどのように解決できるかについては、DigitalRoute にお問い合わせください。

- グループ プロダクト マネージャー、Manisha Gupta

- シニア プロダクト マネージャー、Naresh Rao