Welche KI-Strategien für Telekommunikationsnetzbetreiber?

Netzbetreiber verfügen über einen riesigen Pool ungenutzter Daten. KI verwandelt diese Daten in einen fruchtbaren Boden für die Entwicklung neuer Dienste, die Verbesserung der Qualität bestehender Dienste, die Optimierung des Kundenerlebnisses und die Optimierung von Geschäftsabläufen.

Nguyen Van Yen, Mitglied des VNPT- Vorstands

Zusammenfassung:
Daten und KI in der Telekommunikation: Netzbetreiber verfügen über große Datenmengen, die nicht optimal genutzt werden. KI kann dabei helfen, Daten in Tools umzuwandeln, die die Dienste verbessern und Geschäftsabläufe optimieren.
- KI-Anwendungstrends: Die Entwicklung von 5G und IoT hat die Netzbetreiber seit 2016 dazu veranlasst, sich auf KI zu konzentrieren. In letzter Zeit hat sich GenAI als strategisches Tool herausgestellt, insbesondere nach der Einführung von ChatGPT von OpenAI.
Wirtschaftliche Vorteile durch KI: KI wird voraussichtlich einen großen Mehrwert für Netzbetreiber schaffen, unter anderem durch Kostensenkungen und die Schaffung neuer Einnahmequellen. McKinsey schätzt, dass GenAI der Telekommunikationsbranche 100 Milliarden US-Dollar einbringen könnte.
- KI-Anwendung im Unternehmen: KI muss auf allen Ebenen des Unternehmens eingesetzt werden, von der Datenanalyse bis hin zu Verwaltungsfunktionen. Viele Fluggesellschaften haben spezielle KI-Abteilungen eingerichtet und KI-Kompetenzzentren aufgebaut.
- Risiken bei der KI-Anwendung: Netzwerkbetreiber stehen vor Herausforderungen bei der Rekrutierung von KI-Personal, der Datenverwaltung und der Gewährleistung der Sicherheit beim KI-Einsatz. KI-Governance ist ein wichtiger Faktor für einen erfolgreichen und nachhaltigen Einsatz.
- Datenvorbereitung für KI: Um KI effektiv einsetzen zu können, müssen Betreiber saubere, konsistente Daten vorbereiten und ein gemeinsames Datenmodell sicherstellen. Die Datenerfassung und -verarbeitung ist eine große Herausforderung und erfordert hohe Investitionen in Datenanalyse und -management.

Der Stand der KI-Anwendung für Telekommunikation

Der Aufstieg der 5G-Technologie, des IoT und das stetig wachsende Big-Data-Volumen sind die Faktoren, die Telekommunikationsdienstleister dazu bewegen, sich KI zuzuwenden. Einige der großen, ambitionierten Betreiber begannen 2016 und 2017 mit der Einführung von KI, und bis 2019/2020 erlebte der Telekommunikationssektor eine starke KI-Nutzung bei Betreibern weltweit . In den letzten 12 bis 15 Monaten (seit der Einführung von OpenAI mit Chat GPT) hat sich die Wahrnehmung von GenAI von einem KI-basierten Tool zur Inhaltserstellung zu einer strategischen Plattform erweitert und entwickelt sich schnell zum Denkzentrum fast aller Telekommunikationsdienstleister weltweit.

Der Marktforschungsbericht von Allied [6] über KI im Telekommunikationsmarkt im Jahr 2022 zeigt: „Der globale KI-Markt im Telekommunikationsbereich wird im Jahr 2021 auf 1,2 Milliarden US-Dollar geschätzt und soll bis 2031 38,8 Milliarden US-Dollar erreichen, was einem CAGR von 41,4 % zwischen 2022 und 2031 entspricht.“ Telekommunikationsunternehmen (Telcos) setzen auf KI als Schlüsselfaktor für Innovation, Betriebseffizienz und ein verbessertes Kundenerlebnis.

Ericsson ist überzeugt [1], dass KI Branchen wie der Telekommunikation einen beispiellosen Mehrwert bringen wird. Für Netzbetreiber bietet KI Möglichkeiten zur Optimierung des Netzbetriebs, zur Verbesserung des Kundenerlebnisses, zur Kostensenkung, zur nachhaltigen Entwicklung, zur Erschließung neuer Einnahmequellen usw.

Gartner [2] führte eine Umfrage durch und klassifizierte 29 KI-bezogene Technologien in fünf Gruppen: KI-Kerntechnologie, GenAI-basierte Technologie, datenzentrierte KI-Technologie und KI-Trust-Technologie. Der Trend zum Einsatz von GenAI-basierten Technologien wird in den nächsten ein bis drei Jahren voraussichtlich stark zunehmen.

Telekommunikationsunternehmen sehen in GenAI einen Wendepunkt, eine starke Triebkraft, die zu Umsatzsteigerungen und Kosteneinsparungen beiträgt und die Service-Landschaft für Nutzer grundlegend verändert. Viele Netzbetreiber sehen in GenAI einen zentralen Schwerpunkt ihrer KI-Strategie.

Messung der wirtschaftlichen Auswirkungen von KI/GenAI

Die wirtschaftlichen Auswirkungen von KI auf die Telekommunikationsbranche zu messen, ist keine leichte Aufgabe, da die potenziellen Anwendungsfälle vielfältig sind und die Marktwertschätzungen aus verschiedenen Quellen stark variieren. Viele Betreiber sind sich jedoch einig, dass die Vorteile von KI für die Telekommunikationsbranche erheblich sind. Zum Beispiel [4]:

- Arbeits- und Stellenabbau durch KI und Automatisierung. BT (UK) schätzt, dass durch Digitalisierung und Automatisierung bis 2030 10.000 Stellen abgebaut werden könnten.

- Erzielen Sie neue Umsatzmöglichkeiten durch die Einführung KI-fähiger Produkte. SK Telecom (Südkorea) geht davon aus, dass es bis 2028 KI-bezogene Umsätze von bis zu 25.000 Milliarden KRW (ca. 18,5 Milliarden USD) erzielen kann.

- Helfen Sie, Kosten zu sparen oder den Umsatz zu steigern. McKinsey schätzt, dass GenAI einen Mehrwert von bis zu 100 Milliarden US-Dollar für den Telekommunikationssektor schaffen könnte.

Betreiber messen den Nutzen jedes KI-Anwendungsfalls anhand von zwei Aspekten: Finanziell (Zeitersparnis (quantifizierbar), Kostenersparnis, Umsatzsteigerung) und nicht-finanziell (Mitarbeiterzufriedenheit, Kundenzufriedenheit, geringe und schwer quantifizierbare Zeitersparnis, Nachhaltigkeit).

Wo wird KI in der Telekommunikation eingesetzt und wie wird sie implementiert?

Carrier betrachten KI als strategische Priorität für Aufgaben und Abteilungen im Zusammenhang mit der Datenanalyse. Der jüngste Boom von GenAI hat jedoch einige Perspektiven für den Einsatz von KI im Telekommunikationsbereich eröffnet, insbesondere:

- KI-Anwendungsbereiche in der Telekommunikation:

- KI ist ein innovatives Werkzeug, daher muss KI jeder Task Force im Unternehmen zur Verfügung stehen.

+ Es müssen alle Anstrengungen unternommen werden, um die Nutzung von KI auch für Gruppen mit geringen technologischen Fähigkeiten einfach zu gestalten.

+ KI-spezifische Einheiten müssen in der Lage sein, erfolgreiche Implementierungspraktiken für KI-Anwendungsfälle zu verstehen und geeignete Modelle und Methoden für die erneute Anwendung dieser Anwendungsfälle im gesamten Unternehmen zu entwickeln.

+ Die Demokratisierung des Zugangs zu KI muss mit der Implementierung neuer FinOps-Ansätze für KI einhergehen, um die Kostenrisiken der KI-Einführung zu bewältigen

+ Es muss ein KI-Governance-Programm entwickelt und implementiert werden, um das Risiko unkontrollierter Kosten zu verringern und die Nutzung und Erprobung von KI zu fördern.

- KI-Einsatz in der Telekommunikation

Bauen Sie eine CXO-KI-Position mit Fachwissen und Autorität auf , um die Entwicklung von KI-Anwendungen und -Produkten voranzutreiben (z. B. Steve Jarrett, ernannt zum Chief AI Officer (CAIO) bei Orange Innovation, 12/2023; Deepika Adusumilli, 10/2023 bei BT; Chung Suk-guen bei SK Telecom).

Gründung einer Tochtergesellschaft zur Entwicklung von KI . Proximus Ada ist beispielsweise eine Tochtergesellschaft des Netzbetreibers Proximus (Belgien), die sich speziell auf die Entwicklung von Cybersicherheits- und KI-Funktionen konzentriert, um die internen Anforderungen von Proximus zu erfüllen und Dienstleistungen für B2B-Kunden bereitzustellen.

Trennen Sie interne KI- und kundenorientierte KI-Funktionen. Anstatt eine zentralisierte KI-Organisation aufzubauen, entschied sich Telefónica für die Aufteilung in zwei Bereiche: Customer Insights und Innovation; Netzwerke, IT-Systeme und interne digitale Transformation (CDS) in Richtung KI.

Diese Aufgabenteilung ist besonders interessant, da der Fokus von GenAI eher auf dem Kunden als auf Netzwerkfunktionen liegt, während prädiktive KI zunehmend als Technologie für die Netzwerkautomatisierung eingesetzt wird.

KI als neue Geschäftsfunktion. China Mobile und SK Telecom investieren beispielsweise massiv in KI, um neue Produkte und Dienstleistungen anzubieten. Der Fokus beider Anbieter liegt auf der Entwicklung eines eigenen Large Language Model (LLM) mit den besten Lösungen und Funktionen und dem Verkauf des Zugangs an Unternehmen (DNs) und andere Anbieter.

Gründung eines AI Center of Excellence (CoE).

In einer TMFrum-Umfrage (2023) [4] gaben 53 % der Betreiber an, ein KI-CoE eingerichtet zu haben. Die genaue Größe, der Umfang und die Rolle eines KI-CoE variieren jedoch erheblich. So verfügt beispielsweise Vodafone Ziggo (Niederlande) über ein KI-CoE, das die Data-Science-Experten des Unternehmens zusammenbringt.

Telefónica verfügt über ein globales KI-CoE, das von der Abteilung Netzwerke und IT verwaltet wird und auf Daten- und KI-Architektur spezialisiert ist, um das Ziel der Umstellung auf ein gemeinsames Datenmodell und der Erforschung von KI-Technologien und -Lösungen zu erreichen.

e& (Naher Osten) verfügt über ein CoE, in dem jede wichtige Abteilung/Funktion einen Vertreter hat. Die KI-Governance steht im Vordergrund und hat die Aufgabe, sicherzustellen, dass erfolgreiche KI-Anwendungsfälle in verschiedenen Abteilungen erforscht und angewendet werden.

KI als Plattformfunktion. Einige Netzbetreiber haben KI-Plattformen entwickelt oder sind dabei, diese für verschiedene Teile des Unternehmens zugänglich zu machen.

Vodafone beispielsweise verfügt über eine KI-Plattform, die auch Self-Service-Tools und Schulungsmaterialien für verschiedene Teams bereitstellt, damit diese ihre eigenen Anwendungsfälle erstellen können. SK Telecom verfügt über eine Intelligence-Plattform, die der gesamten Organisation Zugriff auf das von SKT entwickelte LLM gewährt.

- KI-Management

Anforderungen an die KI-Governance. Viele Governance-Anforderungen für KI sind Teil bestehender Data-Governance-Programme. Es sind jedoch zusätzliche KI-spezifische Sicherheitsvorkehrungen erforderlich, um die Sicherheit und Ethik von KI-Tools und -Systemen zu gewährleisten. Es gibt zwei Arten von KI-Governance-Programmen:

- Das externe Governance-Programm dient dem Schutz von Personen und Organisationen außerhalb des Unternehmens.

- Interne Governance-Programme sollen die Mitarbeiter schützen und sicherstellen, dass KI im gesamten Unternehmen erfolgreich und nachhaltig eingesetzt wird.

Governance-Programme zum Schutz von Personen und Organisationen außerhalb des Unternehmens sind in der Regel kodifiziert und normativ. So verabschiedete die Europäische Union (EU) im Dezember 2023 den AI Act, der 2025 in Kraft treten wird, und die USA erließen im Oktober 2023 eine Executive Order zu KI.

Strengere staatliche Vorschriften können Telekommunikationsunternehmen dabei helfen, Technologien und Fähigkeiten zu entwickeln , die im Ausland monetarisiert werden können, insbesondere in Ländern mit strengen Vorschriften zur Datensouveränität.

China Mobile beispielsweise ist überzeugt, dass die Methoden, die das Unternehmen zur Einhaltung der KI-Gesetze einsetzt, dazu beitragen können, Sicherheitstechnologien zu entwickeln, die es seinen Kunden anbieten kann. Swisscom experimentiert mit dem Aufbau einer eigenen KI-Infrastruktur und der Entwicklung interner Fachkompetenzen, die das Unternehmen nutzen kann, um Mehrwert zu schaffen und neue Lösungen für sein IT-Dienstleistungsgeschäft zu entwickeln.

Das Aufkommen von GenAI erfordert auch die Verbesserung der internen KI-Governance: Skalierung vorantreiben; Kosten verwalten; das Unternehmen vor den Folgen der Verwendung ungenauer Ergebnisse schützen; das Risiko technischer Schulden verringern; dem Risiko vorbeugen, dass die Daten des LLM-Trainingsmodells „beschädigt“ werden; das Unternehmen vor Verletzungen des geistigen Eigentums (IP)/Urheberrechtsverletzungen schützen.

Risiken der Anwendung von KI in Unternehmen

Die TMforum-Umfrage 2023 zu den Risiken der Anwendung von GenAI in der Telekommunikation umfasst:

3.1. Humanressourcen für KI

Bei der Einstellung von KI-Talenten sind die meisten Telekommunikationsunternehmen im Vergleich zu Technologieunternehmen im Nachteil, insbesondere bei der Einstellung junger Talente. Technologieunternehmen bieten in der Regel bessere Gehälter, schnellere Karrierechancen und eine deutlich flexiblere Unternehmenskultur.

Die Umfrage des TM Forums zum Personalbedarf der Telko-Branche nach Fachgebiet [4] zeigt, dass die Nachfrage nach Fähigkeiten in den Bereichen KI/Maschinelles Lernen, Datenanalyse und Automatisierung sehr hoch ist (64 %, weniger als im Bereich Sicherheit mit 69 %).

Was die Schwierigkeit der Rekrutierung von Fachkräften für Telekommunikationsunternehmen angeht, gaben 59 % der Befragten an, dass die Rekrutierung von Fachkräften für Datenwissenschaft/Datenanalyse und KI/ML am schwierigsten sei (nur übertroffen von 63 % für Sicherheit).

Auf dem MWC 2024 kündigte Korea Telecom (Korea) an, in diesem Jahr bis zu 1.000 KI- und Digitalexperten einzustellen, um ein AICT- und IKT-Unternehmen zu werden. Gleichzeitig verstärkte KT die interne Schulung im Bereich KI, um die DNA von KT vollständig in Richtung KI zu verändern.

China Mobile gründete Jiutian 2019 als Plattform, um sein Ziel zu unterstützen, bis 2025 ein hochautomatisierter Mobilfunkanbieter zu werden. Externe Entwickler können über offene APIs auf die KI-Plattform zugreifen. Bis Oktober 2023 hatte China Mobile im Rahmen von Jiutian ein eigenes LLM entwickelt. Angefangen mit nur 20 KI-Ingenieuren, beschäftigt China Mobile heute 600 KI-Ingenieure und plant, bis Ende 2024 die Zahl auf 1.000 zu erhöhen.

Vodafone arbeitet für seine KI-Plattform mit Hyperscalern zusammen, benötigt aber weiterhin AIOps-Kenntnisse sowie Kenntnisse in den Bereichen Analytik, Automatisierung, Cloud und Plattformen. Vodafone wirbt um Talente durch Vollzeiteinstellungen.

Ashish Yadav, Senior Director bei Capgemini, sagte, dass Telekommunikationsunternehmen im Rahmen des Insourcings zunehmend über Systemintegrationsunternehmen nach erfahrenen Cloud- und KI-Experten auf Architektenebene suchen. Die Definition von Insourcing kann unterschiedlich interpretiert werden, doch in diesem Kontext „behandeln“ Telekommunikationsunternehmen die erfahrenen Talente des Partnerunternehmens wie Mitglieder ihres Arbeitsteams.

Die meisten Telekommunikationsunternehmen intensivieren zudem die Umschulung und Weiterbildung, um proaktiv und bedarfsgerecht KI-Talente zu finden. Dieser Ansatz kann sogar kostengünstiger sein als die Rekrutierung neuer Talente und wird zunehmend auch für alle anderen schwer zu besetzenden Fähigkeiten eingesetzt.

In der Umfrage von TMForum zu den Maßnahmen, die Netzbetreiber ergreifen müssen, um KI und maschinelles Lernen effektiv zu nutzen, gaben 60 % der Befragten an, dass die Schulung bestehender Mitarbeiter in verschiedenen KI-Fähigkeiten große Auswirkungen habe, während 39 % sagten, dass dies erhebliche Auswirkungen habe.

Laut McKinsey & Company zwingt GenAI die Betreiber dazu, intern KI-Expertise aufzubauen, während gleichzeitig neue Fähigkeiten von den Nutzern verlangt werden, wie etwa Prompt Engineering – die Fähigkeit, Fragen zu stellen, um die beste Antwort von LLM zu erhalten. Die Betreiber müssen außerdem Dateningenieure und Fachexperten einstellen, „die wissen, welche Daten wie erfasst werden müssen, und die die Qualität neuer Datenformen, die von GenAI-Systemen erstellt und verwendet werden, überwachen und bewerten können . “

3.2. Datenbereitschaft für KI-Anwendungen

Eine datengesteuerte Architektur ist der Schlüssel zur Aufrechterhaltung von Genauigkeit und Konsistenz im gesamten Netzwerk. Die Verwendung eines gemeinsamen Datenmodells gewährleistet einen reibungslosen Datenfluss über alle Systeme hinweg und die präzise Bereitstellung in allen automatisierten Workflows.

KI braucht Daten, und Datenanalyse braucht KI. Viele Betreiber stehen heute vor großen Herausforderungen bei der Entwicklung kohärenter Datenstrategien, um die KI-Technologie voll auszuschöpfen. Betreiber in den frühen Phasen von KI-Experimenten unterschätzen möglicherweise, was – insbesondere in Bezug auf Daten – für einen erfolgreichen KI-Einsatz im großen Maßstab erforderlich ist.

Vielen Netzbetreibern fehlt eine schlüssige Strategie, die einen horizontalen Datenfluss innerhalb der Organisation nach einem einzigen Datenmodell ermöglicht.

Einige besondere Herausforderungen bei der Vorbereitung von Daten für KI:

Es mangelt an sauberen, klaren, konsistenten und umsetzbaren Daten , die auf verschiedene Geschäftsbereiche angewendet werden können – vom Netzwerk über die Servicebereitstellung bis hin zum Kundenerlebnis. Dies ist für alle Prozesse rund um die daten- und KI-gesteuerte Ausführung von entscheidender Bedeutung.

Das Fehlen eines gemeinsamen Datenmodells (derzeit werden Daten von mehreren Anbietern gesammelt) führt zu einer äußerst zeitaufwändigen Aggregation strukturierter und unstrukturierter Daten.

Der fehlende Datenkontext, d. h. das Unwissen darüber, wie, wann, wo und zu welchem ​​Zweck die Daten erfasst werden, ist eine besonders große Hürde, die Telekommunikationsunternehmen überwinden müssen, wenn sie GenAI oder ein anderes Modell für maschinelles Lernen einsetzen möchten.

Die Betreiber erkennen den Wert von Daten und erhöhen ihre Investitionen in die Datenanalyse. Omdia schätzt, dass globale Betreiber bis 2025 rund 2,5 Milliarden US-Dollar in die Datenanalyse investiert haben werden.

Tatsächlich ist der Zeit- und Investitionsaufwand für das Sammeln, Bereinigen, Transformieren und Speichern von Daten im richtigen Format oft unverhältnismäßig höher als der Zeitaufwand für deren Nutzung. Der Prozess der Erstellung von Data Lakes und Data Warehouses läuft bereits seit Jahren, doch bisher haben Netzbetreiber noch nicht die Möglichkeit, KI in großem Umfang in ihren Unternehmen einzusetzen.

Das Aufkommen KI-basierter Innovationen und Analysen hat den Bedarf und die Anforderung einer vielfältigeren und flexibleren Datennutzung vorangetrieben, zum Beispiel:

- KI/Maschinelles Lernen erfordert riesige Datenmengen, um Modelle zu trainieren

- Um unvoreingenommene KI-Ergebnisse zu gewährleisten, sind vielfältige Datensätze und mehrere Datentypen erforderlich

- Fügen Sie Datenebenen hinzu, um die Modellgenauigkeit und die Anwendungsauswirkungen zu verbessern

- Modelle müssen kontinuierlich mit den neuesten Informationen trainiert werden, um die Vorhersageleistung aufrechtzuerhalten, insbesondere in dynamischen Umgebungen

- Daten müssen für kritische Geschäftsfunktionen in Echtzeit verfügbar sein, vor allem in hochgradig interaktiven Umgebungen

- Das Aufkommen von GenAI hat den Betreibern die Möglichkeit gegeben, die große Menge an verfügbaren unstrukturierten Daten zu nutzen. Diese Daten müssen jedoch markiert und bereinigt werden, bevor sie in LLM eingespeist werden.

Um aus Datensicht signifikante Fortschritte in der KI zu erzielen, müssen Betreiber ihren Umgang mit den durch das System „fließenden“ Daten grundlegend ändern. Dies kann mitunter auch eine Veränderung der Unternehmenskultur erfordern. Der Schlüsselfaktor ist der Aufbau eines gemeinsamen Datenmodells und die Schaffung einer einzigen zuverlässigen Datenquelle.

Der Aufbau einer einzigen zuverlässigen Datenquelle ist eine hochkomplexe Aufgabe, die aufgrund der Datenfragmentierung bisher die Möglichkeiten der meisten Betreiber überstieg. BT, die Deutsche Telekom und Telefónica haben daher Maßnahmen ergriffen, um dieses Problem zu lösen und alle ihre Daten in die öffentliche Cloud zu verlagern. So hat BT in den letzten zwei Jahren mehr als 90 % seiner Daten auf die Google Cloud Platform verlagert.

KI-Architektur: Erstellen, Kaufen und Skalieren

Es gibt viele Ähnlichkeiten zwischen KI/GenAi und Cloud Computing, insbesondere den technologischen Wandel und die Dominanz von Hypercallern. Netzbetreiber stehen vor dem gleichen Problem, der gleichen Frage wie bei KI und Cloud: Was soll man kaufen und was soll man selbst entwickeln?

Der KI-Ansatz der Netzbetreiber wird maßgeblich von den Grundprinzipien offener Architektur und Kombinierbarkeit geprägt. Omair Ahmed Khan von der Deutschen Telekom erklärt, dass die meisten KI-Projekte des Unternehmens eine Kombination aus selbst entwickelten und gekauften Komponenten beinhalten: „Die Deutsche Telekom verfolgt eine hybride Strategie aus selbst entwickelten und gekauften Komponenten, und der Kaufteil beinhaltete nie den Kauf einer kompletten schlüsselfertigen Lösung.“

Betreiber sind der Ansicht, dass es noch zu früh ist, KI als Teil ihrer Unternehmensarchitektur oder ihrer Referenzarchitektur zu betrachten. Einige Betreiber mit einer klaren Vision und Strategie für die Integration von KI in ihre zukünftige Unternehmensarchitektur erkennen jedoch auch die Herausforderungen bei der Implementierung, insbesondere im Hinblick auf die Mitarbeiter, Tools und Fähigkeiten, die für effektive Ergebnisse und einen klaren Return on Investment erforderlich sind.

Die Industrialisierung von Software kann als bewährte Methode für die KI-Industrialisierung angesehen werden, indem Daten in öffentliche Clouds verschoben und in Echtzeit zugänglich gemacht werden. Ein CIO eines südostasiatischen Carriers beschrieb den Prozess der KI-Industrialisierung seines Unternehmens als „Datenfabrik“. „Dies hat den Zeit- und Kostenaufwand für die KI-Produktion erheblich reduziert“, sagte er.

„Vor zwei Jahren waren die Kosten für die KI-Produktion sehr hoch. Die Erstellung eines KI-Modells dauerte sechs bis acht Monate. Heute dauert es nur noch wenige Tage. Der gesamte Zyklus kann viel schneller und mit weniger Personal durchgeführt werden.“

Praxis bei einigen Trägern:

China Mobile: hat im Rahmen des Jiutian LLM-Projekts Hardware gekauft und ein eigenes Rechenzentrum einschließlich Grafikprozessoren (GPUs) und Beschleunigern gebaut.

Jio: Reliance Industries, die Muttergesellschaft des indischen Telekommunikationsunternehmens Jio, hat sich mit Nvidia zusammengeschlossen, um eine Supercomputing-Infrastruktur für KI aufzubauen. Ziel von Reliance ist es, Wissenschaftlern, Entwicklern und Startups in ganz Indien KI-Infrastruktur bereitzustellen und KI-Anwendungen und -Dienste für die 450 Millionen Kunden von Jio zu entwickeln.

Die Entscheidung, ob KI in einer öffentlichen oder privaten Cloud eingesetzt werden soll, ist auch für Telekommunikationsunternehmen ein Problem und hängt weitgehend vom Umfang der Bereitstellung ab. Die Bereitstellung von KI in einer öffentlichen Cloud bietet den Vorteil reichlicher Rechenressourcen, Leistung und spezieller Hardware, die für die Verarbeitung komplexer Algorithmen und großer Datenmengen erforderlich ist. Die Kosten können jedoch zum Problem werden, wenn der Betreiber die öffentliche Cloud nur zur Verarbeitung großer Datenmengen nutzt.

Die Entscheidung, eine private Cloud für GenAI zu nutzen, wird von vielen Betreibern als nicht praktikabel angesehen, es sei denn, der Betreiber baut ein eigenes LLM auf – wie beispielsweise China Mobile, Softbank und SK Telecom in Asien und die Deutsche Telekom in Europa. Betreiber bevorzugen die öffentliche Cloud für Tests und die Entwicklung von MVPs für KI-Anwendungsfälle.

Wenn die Fluggesellschaften ihre KI-Nutzung verstärken, wird dies zwangsläufig zu engeren Beziehungen führen.

- Softbank: hat sich mit Nvidia zusammengetan, um Rechenzentren (TTDL) für GenAI- und Wireless-Anwendungen zu bauen. Das neue TTDL wird sowohl KI- als auch 5G-Workloads verarbeiten.

- SK Telecom: SKT verfolgt die Nachfrage nach KI-basierten Rechenzentren als Teil seiner umfassenderen KI-Ambitionen. CFO Yang-Seob Kim sagte, SKT plane, „sein Rechenzentrumsgeschäft weiter auszubauen und sich dabei auf KI-Rechenzentren der nächsten Generation und die globale Expansion zu konzentrieren“.

- NTT investiert in den nächsten fünf Jahren 1,5 Billionen Yen (ca. 12 Milliarden US-Dollar), um sein Rechenzentrumsgeschäft weltweit auszubauen und zu modernisieren, um der wachsenden Nachfrage nach Daten im Zusammenhang mit der Nutzung von GenAI und anderen Technologien gerecht zu werden.

Die Entscheidung, ob KI in einer öffentlichen oder privaten Cloud eingesetzt werden soll, ist auch für Telekommunikationsunternehmen ein Problem und hängt weitgehend vom Umfang der Bereitstellung ab. Die Bereitstellung von KI in einer öffentlichen Cloud bietet den Vorteil reichlicher Rechenressourcen, Leistung und spezieller Hardware, die für die Verarbeitung komplexer Algorithmen und großer Datenmengen erforderlich ist. Die Kosten können jedoch zum Problem werden, wenn der Betreiber die öffentliche Cloud nur zur Verarbeitung großer Datenmengen nutzt.

Die Entscheidung, eine private Cloud für GenAI zu nutzen, wird von vielen Betreibern als nicht praktikabel angesehen, es sei denn, der Betreiber baut ein eigenes LLM auf – wie beispielsweise China Mobile, Softbank und SK Telecom in Asien und die Deutsche Telekom in Europa. Betreiber bevorzugen die öffentliche Cloud für Tests und die Entwicklung von MVPs für KI-Anwendungsfälle.

Wenn die Netzbetreiber ihre KI-Nutzung verstärken, wird dies unweigerlich zu engeren Beziehungen mit den Supermächten Amazon Web Services, Microsoft Azure und Google Cloud führen.

Quellen:
1. Geschäftspotenzial von KI: Den Wert von KI verstehen für
Telekommunikationsbetrieb. https://www.ericsson.com/4ac6ca/
Vermögenswerte/Lokale/Berichte-Papiere/Weitere Einblicke/doc/ai-
Geschäftspotenzial.pdf
[2]. Emerging Tech Impact Radar: Künstliche Intelligenz, Gartner, 19. Januar 2024 ID G00796195
[3]. Generative KI: Betreiber machen ihre ersten Schritte, TMforum 2023
[4]. Mit der Entwicklung einer KI-Strategie legen Telekommunikationsunternehmen den Grundstein.
TMforum 3. März 2024
[5]. https://intellias.com/ai-in-telecommunications/
[6]. https://www.alliedmarketresearch.com/ai-in-
Telekommunikationsmarkt-A09352
[7]. Gen AI in der Telekommunikation, Wichtige Erkenntnisse aus Omdias GenAI-Telekommunikation
Dienstleisterumfrage Omdia 2024
[8] https://www.xenonstack.com/enterprise-generative-ai/
Telekommunikation/
[9]. Wohin entwickelt sich KI? Nokia https://www.nokia.com/thought-
Führung/Artikel/KI/Wohin geht die KI/
[10]. Ericsson Telco AI, Internes Dokument

(Veröffentlicht in der Printausgabe des Information and Communications Magazine Nr. 8, August 2024)

Quelle: https://ictvietnam.vn/chien-luoc-ai-nao-cho-cac-nha-khai-tac-mang-vien-thong-66422.html