في عالم يتزايد فيه الاعتماد على الشبكات الرقمية، يظل تشخيص الأعطال الشبكية مهمةً معقدة تواجه العديد من التحديات. إذ أن الأعطال تنتقل عبر الشبكة تبعاً لطبقات مختلفة من التوصيلات وبناءً على بروتوكولات معينة، مما يجعل العمليات النظامية تكتفي فقط بمراقبة التنبيهات التي تظهر في نهاية سلسلة الانتشار، حيث قد تؤدي الأعطال الجذرية المتعددة إلى أعراض نهاية مشابهة جداً.

هنا تأتي أهمية مقاربة PropLLM، التي تعُد الأولى من نوعها في دمج أسلوب إعادة بناء المشهد خطوة بخطوة مع قدرات النماذج اللغوية الضخمة (Large Language Models). فبدلاً من الانحصار في تشخيص الأعراض فقط، يقوم PropLLM بتتبع مسار انتشار الأعطال بشكل دقيق، ملاحِقاً الأدلة الواقعية القابلة للتحقق من خلال رسم بياني للمعرفة (Knowledge Graph) ذو طبقتين.

تعتمد هذه التقنية على آلية التركيز على المسببات السببية الزمنية (Temporal Causal Propagation Attention) لتمكين النموذج من فهم الاتجاه الصحيح للأسباب ضمن الشبكة، مما يؤدي إلى تحديد العطل الجذري ونوع العطل بدقة عالية من خلال سلسلة سببية مدعومة بالأدلة.

وفقاً للأبحاث، حقق PropLLM تحسناً في دقة تشخيص نوع الأعطال بنسبة 3.9% وكذلك تحسناً في دقة تحديد الجذور بنسبة 4.7% بالمقارنة مع أقوى الأساليب المتاحة، بالإضافة إلى تقليل معدل الأخطاء بنسبة 50.8%. ولمزيد من التأكيد على كفاءة هذه الطريقة، أظهرت تجارب إضافية على مجموعة بيانات TeleLogs الخاصة بشبكات الجيل الخامس (5G) فعالية هذه التقنية عبر سيناريوهات الشبكات المختلفة.

إن PropLLM لا يُظهر فقط الإمكانيات العالية للذكاء الاصطناعي في هذا المجال، بل يفتح آفاقًا جديدة للفهم والتحليل، مما يغير جذريًا من طريقة تعاملنا مع أعطال الشبكات.