Este artículo aborda el papel de la IA generativa (GenAI) para la optimización autónoma de redes inalámbricas de próxima generación y la generación de xApps y rApps utilizando modelos de lenguaje a gran escala (LLM) dentro de la arquitectura Open RAN (ORAN). Para abordar el alto costo y consumo de recursos del ajuste fino convencional de LLM, este artículo propone un enfoque basado en la Generación Aumentada por Recuperación (RAG). Específicamente, comparamos y evaluamos tres enfoques: RAG basado en vectores, GraphRAG y GraphRAG híbrido, utilizando la especificación ORAN, y analizamos su rendimiento en términos de fidelidad, relevancia de la respuesta, relevancia contextual y precisión fáctica en función de la complejidad de la pregunta. Los resultados muestran que GraphRAG y GraphRAG híbrido superan al RAG basado en vectores convencional y, en particular, GraphRAG híbrido mejora la precisión fáctica en un 8% y GraphRAG mejora la relevancia contextual en un 11%.
