Cet article aborde le rôle de l'IA générative (GenAI) dans l'optimisation autonome des réseaux sans fil de nouvelle génération et la génération de xApps et de rApps à l'aide de modèles de langage à grande échelle (LLM) au sein de l'architecture Open RAN (ORAN). Pour pallier le coût élevé et la consommation de ressources du réglage fin des LLM conventionnels, cet article propose une approche basée sur la génération augmentée de récupération (RAG). Plus précisément, nous comparons et évaluons trois approches : RAG vectoriel, GraphRAG et GraphRAG hybride, en utilisant la spécification ORAN, et analysons leurs performances en termes de fidélité, de pertinence des réponses, de pertinence contextuelle et d'exactitude factuelle en fonction de la complexité des questions. Les résultats montrent que GraphRAG et GraphRAG hybride surpassent les RAG vectoriels conventionnels, et en particulier, GraphRAG hybride améliore l'exactitude factuelle de 8 % et GraphRAG améliore la pertinence contextuelle de 11 %.
