통신망 장애 원인을 찾을 때 AI가 숫자 몇 개만 보고 성급히 답하지 않도록, 데이터를 정해진 칸에 정리하고 단계별 점검을 거쳐 결론을 내리게 훈련한 방법이다.

통신망 장애 원인을 찾을 때 AI가 숫자 몇 개만 보고 성급히 답하지 않도록, 데이터를 정해진 칸에 정리하고 단계별 점검을 거쳐 결론을 내리게 훈련한 방법이다.

무엇이 문제였나 — 통신 장애 원인을 찾으려면 속도, 무선 신호 세기, 자원 할당량, 기지국 설정, 이웃 셀 상태 같은 여러 정보를 함께 봐야 한다. 어떻게 풀었나 — 이 논문은 그런 정보를 매번 같은 형식으로 정리하고, AI가 ‘차량 속도가 너무 빠른가?’, ‘무선 자원이 부족한가?’, ‘핸드오버가 잦은가?’ 같은 점검을 먼저 하게 만든다. 그래서 뭐가 좋아졌나 — 그 결과 5G 드라이브 테스트 데이터에서는 정확도 94.2%, 별도 관측 데이터에서는 64.7%를 기록해 일반 LLM 프롬프트나 단순 fine-tuning보다 훨씬 좋은 성능을 보였다.

의사가 환자를 볼 때 혈압, 체온, 엑스레이, 혈액검사를 정해진 항목에 적고 체크리스트를 확인한 뒤 진단하는 것과 비슷하다. SEKA-FT는 LLM에게 통신망 장애도 그런 순서로 보게 만든다.

논문 정보

Hao Zhou, Mandar Kulkarni, Hao Chen, Yan Xin, and Charlie (Jianzhong) Zhang · Samsung Research America · IEEE Wireless Communications Magazine · 2026

왜 중요한가

통신망 장애는 결제, 교통, 의료, 긴급전화 같은 사회 기반 서비스에 큰 영향을 줄 수 있다. AI가 원인뿐 아니라 어떤 증거를 보고 그렇게 판단했는지 함께 보여주면, 통신 엔지니어가 더 빠르게 확인하고 대응할 수 있다.

핵심 지표

어떻게 동작하나

SEKA-FT는 통신망 RCA를 단순 label prediction이 아니라 evidence-to-path-to-decision 구조화 추론 문제로 재정의한다. ① Canonical Context Structuring은 user-plane KPI, control-plane event, topology/neighbor-cell relationship, configuration/engineering parameter를 bottleneck snapshot, UE global state, trajectory-level events, engineering parameters 같은 일관된 semantic slot으로 정규화한다. ② CoT-enabled Decision-Path Control은 Speed_check, Low RB_check, Handover_check, Distance_check 같은 중간 진단 체크를 생성하게 해 unsupported hypothesis를 단계적으로 제거한다. ③ Evidence- and Knowledge-Anchored Explanation Design은 체크 결과와 도메인 규칙 기반 hypothesis refinement, 최종 root-cause decision을 하나의 structured target sequence로 묶어 hallucination을 줄이고 traceability를 높인다. 실험은 Qwen2.5-1.5B-Instruct를 기본 모델로 사용하며, LoRA를 마지막 4개 Transformer block에 적용한다. 학습은 prompt token을 loss에서 masking한 causal LM loss, AdamW, learning rate 1e-5, gradient clipping, 12 epochs, batch size 2, max sequence length 2048, bf16 mixed precision, Nvidia RTX 6000 Ada 환경에서 수행된다.

핵심 수식:

L_SEKA-FT = - Σ_{t=1}^{|Y|} log P_θ(y_t | y_{<t}, x_struct)

x_struct는 canonical context로 정규화된 텔레메트리 입력이고, Y={y_t}는 [중간 진단 체크 → evidence-grounded hypothesis refinement → 최종 RCA decision]을 포함하는 structured target sequence이다. 원문은 prompt token을 loss에서 masking한 token-level causal language modeling objective로 설명한다.

한계와 주의할 점

• 평가는 5G RAN/observability 범위에 한정되어 있으며, core-network, transport-network, alarm-topology, multi-domain, 실제 operator incident RCA는 future work로 남아 있다.
• TeleLogs Accuracy 0.942에서 TelecomTS Accuracy 0.647로 낮아져, 데이터 표현과 관측 환경이 달라질 때 성능 손실이 있음을 보여준다.
• 기본 실험은 Qwen2.5-1.5B-Instruct에 LoRA를 적용한 설정이며, root cause 후보와 diagnostic check가 데이터셋 정의에 맞춰져 있어 새로운 장애 유형에는 재설계가 필요할 수 있다.
• 잔존 오류는 excessive downtilt, stronger neighboring-cell selection, overlapping coverage처럼 RSRP/SINR 및 neighbor-cell pattern이 비슷한 coverage/neighbor-cell 관련 범주에 집중된다.
• 중간 체크와 explanation target은 benchmark-defined diagnostic checks와 domain-rule-based refinement templates에 의존하므로, 다른 통신 도메인으로 옮길 때 해당 규칙의 품질이 중요하다.
• 비슷한 RSRP/SINR 및 neighbor-cell 패턴을 가진 coverage 관련 root cause가 섞여 있을 때 오분류 가능성이 높다.
• 데이터셋이나 운영망의 입력 표현이 바뀌면 canonical context slot과 diagnostic check 정의를 다시 맞춰야 한다.
• 훈련에 포함되지 않은 root cause category나 기존 체크로 포착되지 않는 신규 장애 유형에는 최종 label 생성이 불안정할 수 있다.
• 도메인 규칙 기반 hypothesis refinement template이 실제 운영 환경과 어긋나면 그럴듯하지만 잘못된 추론 경로를 만들 수 있다.

시스템 적용 아이디어

논문의 기법을 비슷한 구조를 가진 시스템에 옮길 때의 적용 지점이다.

RAG 재순위 단계에 근거 점검표 추가

검색된 문서를 바로 답변에 쓰기 전에, 문서 근거를 정해진 evidence slot과 checklist로 정리한다. 이후 답변 생성 단계는 checklist에서 근거가 없는 가설을 배제하도록 제약한다. SEKA-FT가 telecom RCA에서 hallucination을 줄이고 decision-path consistency를 높인 것처럼, 일반 RAG에서도 근거 누락형 오답을 줄이는 데 활용할 수 있다.

적용 지점 — RAG 검색 파이프라인의 재순위 및 답변 검증 단계

기대 효과 — 원문 Fig. 5(d)에서 SEKA-FT가 representative diagnostic checks 전반에서 near-perfect decision-path consistency를 보인 효과를 근거로, 검색 근거와 답변의 불일치를 줄일 수 있다.

1.5B 구조화 fine-tuning 모델을 판단 게이트로 사용

에이전트 워크플로우의 분류, 라우팅, 원인 후보 축소 단계에 canonical context와 decision-path target으로 학습한 작은 모델을 배치한다. 본 논문에서 Qwen2.5-1.5B 기반 SEKA-FT가 Qwen3-32B ICL보다 TeleLogs Accuracy에서 크게 앞선 결과는, 반복적인 도메인 판단 단계에는 구조화 fine-tuning이 효율적일 수 있음을 보여준다.

적용 지점 — 에이전트 워크플로우 안의 도메인 분류·판단 게이트

기대 효과 — TeleLogs 기준 Qwen3-32B ICL Accuracy 0.126 대비 SEKA-FT Accuracy 0.942로, 특정 RCA 판단에서는 작은 구조화 모델이 큰 ICL 모델보다 높은 정확도를 낼 수 있다.

중간 점검표를 self-verification 게이트로 활용

일반 에이전트가 답변을 제출하기 전에 ‘입력에 없는 값을 만들지 않았는가’, ‘모든 근거가 evidence slot에 연결되는가’, ‘배제된 가설을 다시 결론으로 쓰지 않았는가’ 같은 체크를 수행하게 한다. SEKA-FT의 Speed_check, Low RB_check, Handover_check, Distance_check는 이런 self-verification schema의 도메인 특화 예시로 볼 수 있다.

적용 지점 — 에이전트의 답변 제출 직전 self-verification 단계

기대 효과 — 원문 Fig. 5(d)의 decision-path consistency 개선처럼, 중간 검증을 통해 그럴듯하지만 근거가 약한 답변 제출을 줄일 수 있다.

구조화 multi-step target schema로 조기 종료 방지

복잡한 작업을 수행하는 에이전트에 ‘중간 체크 N개, 배제된 후보, 남은 후보, 최종 결론’ 형식의 output schema를 강제한다. SEKA-FT는 이 방식으로 원래 8-way decision space를 sequential checks 후 평균 2.5-way까지 줄이는 효과를 보였다.

적용 지점 — 에이전트 multi-step workflow의 종료 조건 및 output schema

기대 효과 — 원문 Fig. 5(f) 기준 후보 공간이 8에서 평균 2.5로 감소하므로, 일반 워크플로우에서도 근거 없는 조기 결론을 줄이는 데 도움이 된다.

단계별 도입 로드맵

원문 PDF: 2026-09-03-large-language-models-llms-for-telecom-root-cause-analysis-rca-a-structu.pdf