Ποιες στρατηγικές τεχνητής νοημοσύνης εφαρμόζουν οι πάροχοι τηλεπικοινωνιακών δικτύων;

Οι πάροχοι έχουν στη διάθεσή τους ένα τεράστιο απόθεμα υποαξιοποιημένων δεδομένων. Η Τεχνητή Νοημοσύνη θα μετατρέψει αυτά τα δεδομένα σε γόνιμο έδαφος για την ανάπτυξη νέων υπηρεσιών, τη βελτίωση της ποιότητας των υπαρχουσών υπηρεσιών, την ενίσχυση της εμπειρίας των πελατών και την απλοποίηση των επιχειρηματικών λειτουργιών.

Νγκουγιέν Βαν Γιεν, Μέλος του Διοικητικού Συμβουλίου του VNPT

Περίληψη:
-Δεδομένα και Τεχνητή Νοημοσύνη στις τηλεπικοινωνίες: Οι πάροχοι δικτύων κατέχουν μεγάλες ποσότητες δεδομένων που δεν αξιοποιούνται σωστά. Η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει στη μετατροπή των δεδομένων σε εργαλεία για τη βελτίωση των υπηρεσιών και τη βελτιστοποίηση των επιχειρηματικών λειτουργιών.
- Τάσεις στις εφαρμογές τεχνητής νοημοσύνης: Η ανάπτυξη του 5G και του IoT έχει ωθήσει τους παρόχους να επικεντρωθούν στην τεχνητή νοημοσύνη από το 2016. Πρόσφατα, η Γενετική Τεχνητή Νοημοσύνη (GenAI) έχει αναδειχθεί ως στρατηγικό εργαλείο, ειδικά μετά την κυκλοφορία του ChatGPT της OpenAI.
- Οικονομικά οφέλη από την Τεχνητή Νοημοσύνη: Η Τεχνητή Νοημοσύνη προβλέπεται να δημιουργήσει μεγάλη αξία για τους παρόχους, συμπεριλαμβανομένης της μείωσης του κόστους και της δημιουργίας νέων ροών εσόδων. Η McKinsey εκτιμά ότι η Γενετική Τεχνητή Νοημοσύνη θα μπορούσε να αποφέρει 100 δισεκατομμύρια δολάρια στον κλάδο των τηλεπικοινωνιών.
- Εφαρμογή της Τεχνητής Νοημοσύνης στον οργανισμό: Η Τεχνητή Νοημοσύνη πρέπει να εφαρμόζεται σε όλα τα επίπεδα του οργανισμού, από την ανάλυση δεδομένων έως τις διοικητικές λειτουργίες. Πολλοί φορείς έχουν δημιουργήσει ειδικές μονάδες Τεχνητής Νοημοσύνης και έχουν δημιουργήσει κέντρα αριστείας Τεχνητής Νοημοσύνης.
- Κίνδυνοι στην εφαρμογή της Τεχνητής Νοημοσύνης: Οι προκλήσεις στην πρόσληψη ανθρώπινου δυναμικού στην Τεχνητή Νοημοσύνη, στη διαχείριση δεδομένων και στη διασφάλιση της ασφάλειας στην ανάπτυξη της Τεχνητής Νοημοσύνης είναι ζητήματα που αντιμετωπίζουν οι φορείς εκμετάλλευσης δικτύων. Η διακυβέρνηση της Τεχνητής Νοημοσύνης είναι ένας σημαντικός παράγοντας για τη διασφάλιση της επιτυχούς και βιώσιμης ανάπτυξης.
- Προετοιμασία δεδομένων για την Τεχνητή Νοημοσύνη: Για την αποτελεσματική εφαρμογή της Τεχνητής Νοημοσύνης, οι φορείς εκμετάλλευσης πρέπει να προετοιμάζουν καθαρά, συνεπή δεδομένα και να διασφαλίζουν ένα κοινό μοντέλο δεδομένων. Η συλλογή και η επεξεργασία δεδομένων αποτελεί μεγάλη πρόκληση, η οποία απαιτεί μεγάλες επενδύσεις στην ανάλυση και τη διαχείριση δεδομένων.

Η κατάσταση των εφαρμογών τεχνητής νοημοσύνης για τις τηλεπικοινωνιακές εταιρείες

Η άνοδος της τεχνολογίας 5G, του IoT και ο συνεχώς αυξανόμενος όγκος των Big Data είναι οι παράγοντες που ωθούν τους παρόχους τηλεπικοινωνιακών υπηρεσιών να στρέψουν την προσοχή τους στην Τεχνητή Νοημοσύνη. Μερικοί από τους μεγάλους, φιλόδοξους παρόχους άρχισαν να υιοθετούν την Τεχνητή Νοημοσύνη το 2016, το 2017 και μέχρι το 2019-2020 ο τηλεπικοινωνιακός τομέας έχει δει μια ισχυρή υιοθέτηση της Τεχνητής Νοημοσύνης σε όλους τους παρόχους παγκοσμίως . Τους τελευταίους 12-15 μήνες (από την κυκλοφορία του OpenAI με το Chat GPT), η αντίληψη για την Γενετικά Τροποποιημένη Τεχνητή Νοημοσύνη (GenAI) έχει επεκταθεί από ένα εργαλείο δημιουργίας περιεχομένου που βασίζεται στην Τεχνητή Νοημοσύνη σε μια στρατηγική πλατφόρμα και γίνεται γρήγορα το κέντρο σκέψης σχεδόν κάθε παρόχου τηλεπικοινωνιακών υπηρεσιών παγκοσμίως.

Η έκθεση έρευνας αγοράς της Allied [6] σχετικά με την Τεχνητή Νοημοσύνη στην αγορά τηλεπικοινωνιών το 2022 δείχνει: «Το παγκόσμιο μέγεθος της Τεχνητής Νοημοσύνης στην αγορά τηλεπικοινωνιών αποτιμάται σε 1,2 δισεκατομμύρια δολάρια ΗΠΑ το 2021 και αναμένεται να φτάσει τα 38,8 δισεκατομμύρια δολάρια ΗΠΑ έως το 2031, σημειώνοντας αύξηση με σύνθετο ρυθμό ανάπτυξης (CAGR) 41,4% από το 2022 έως το 2031». Οι εταιρείες τηλεπικοινωνιών (τηλεπικοινωνίες) στρέφονται στην Τεχνητή Νοημοσύνη ως βασικό παράγοντα για την καινοτομία, την επιχειρησιακή αποτελεσματικότητα και την βελτιωμένη εμπειρία των πελατών.

Η Ericsson πιστεύει [1] ότι η Τεχνητή Νοημοσύνη θα προσφέρει πρωτοφανή αξία σε κλάδους, συμπεριλαμβανομένων των τηλεπικοινωνιών. Για τους παρόχους δικτύων, η Τεχνητή Νοημοσύνη θα προσφέρει ευκαιρίες για βελτιστοποίηση των λειτουργιών του δικτύου, βελτίωση της εμπειρίας των πελατών, μείωση του κόστους, συμβολή στη βιώσιμη ανάπτυξη, δημιουργία νέων ροών εσόδων κ.λπ.

Η Gartner [2] διεξήγαγε μια έρευνα και ταξινόμησε 29 τεχνολογίες που σχετίζονται με την Τεχνητή Νοημοσύνη σε 5 ομάδες: βασική τεχνολογία Τεχνητής Νοημοσύνης, τεχνολογία που βασίζεται στην Γενική Τεχνητή Νοημοσύνη (GenAI), τεχνολογία Τεχνητής Νοημοσύνης με επίκεντρο τα δεδομένα, τεχνολογία Εμπιστοσύνης στην Τεχνητή Νοημοσύνη (AI). Η τάση ανάπτυξης τεχνολογιών που βασίζονται στην Γενική Τεχνητή Νοημοσύνη (GenAI) προβλέπεται να αυξηθεί απότομα τα επόμενα 1-3 χρόνια.

Οι τηλεπικοινωνιακές εταιρείες βλέπουν την Γενική Τεχνητή Νοημοσύνη (GenAI) ως σημείο καμπής, μια ισχυρή κινητήρια δύναμη που θα συμβάλει σε σημαντικές εξελίξεις στα έσοδα, στην εξοικονόμηση κόστους και στην ριζική αλλαγή του τοπίου της εμπειρίας εξυπηρέτησης των χρηστών. Πολλοί πάροχοι δικτύων βλέπουν την Γενική Τεχνητή Νοημοσύνη ως βασικό επίκεντρο της στρατηγικής τους για την Τεχνητή Νοημοσύνη.

Μέτρηση του οικονομικού αντίκτυπου της Τεχνητής Νοημοσύνης/Γενικής Τεχνητής Νοημοσύνης

Η μέτρηση του οικονομικού αντίκτυπου της Τεχνητής Νοημοσύνης στον κλάδο των τηλεπικοινωνιών δεν είναι εύκολη υπόθεση, καθώς οι πιθανές περιπτώσεις χρήσης είναι ευρείες και ποικίλες και οι εκτιμήσεις της αγοραίας αξίας ποικίλλουν σημαντικά από διαφορετικές πηγές. Ωστόσο, πολλοί πάροχοι συμφωνούν ότι τα οφέλη της Τεχνητής Νοημοσύνης για τις επιχειρήσεις τηλεπικοινωνιών είναι σημαντικά. Για παράδειγμα [4]:

- Περικοπές εργατικού δυναμικού και θέσεων εργασίας λόγω της Τεχνητής Νοημοσύνης και του αυτοματισμού. Η BT (UK) εκτιμά ότι θα μπορούσε να μειώσει 10.000 θέσεις εργασίας έως το 2030 αξιοποιώντας την ψηφιοποίηση και τον αυτοματισμό.

- Δημιουργήστε νέα έσοδα λανσάροντας προϊόντα με δυνατότητα τεχνητής νοημοσύνης. Η SK Telecom (Νότια Κορέα) πιστεύει ότι μπορεί να δημιουργήσει έσοδα που σχετίζονται με την τεχνητή νοημοσύνη έως και 25.000 δισεκατομμύρια KRW (περίπου 18,5 δισεκατομμύρια δολάρια ΗΠΑ) έως το 2028.

- Βοηθήστε στην εξοικονόμηση κόστους ή στην αύξηση των εσόδων. Η McKinsey εκτιμά ότι η Γενετική Τεχνητή Νοημοσύνη (GenAI) θα μπορούσε να δημιουργήσει έως και 100 δισεκατομμύρια δολάρια σε προστιθέμενη αξία για τον τομέα των τηλεπικοινωνιών.

Οι φορείς εκμετάλλευσης μετρούν τα οφέλη κάθε περίπτωσης χρήσης Τεχνητής Νοημοσύνης με βάση δύο πτυχές: Οικονομικές (εξοικονόμηση χρόνου (ποσοτικοποιήσιμη), εξοικονόμηση κόστους, αυξημένα έσοδα) και μη οικονομικές (ικανοποίηση εργαζομένων, ικανοποίηση πελατών, μικρή και δύσκολο να ποσοτικοποιηθεί εξοικονόμηση χρόνου, βιωσιμότητα).

Πού εφαρμόζεται η Τεχνητή Νοημοσύνη στις τηλεπικοινωνίες και πώς εφαρμόζεται;

Οι πάροχοι θεωρούν την Τεχνητή Νοημοσύνη ως στρατηγική προτεραιότητα που πρέπει να εφαρμόζεται σε εργασίες και τμήματα που σχετίζονται με την ανάλυση δεδομένων. Ωστόσο, η πρόσφατη έκρηξη της Γενικής Τεχνητής Νοημοσύνης (GenAI) έχει εγείρει ορισμένες προοπτικές σχετικά με την εφαρμογή της στις τηλεπικοινωνιακές εταιρείες, ειδικότερα ως εξής:

- Τομείς εφαρμογής Τεχνητής Νοημοσύνης στις τηλεπικοινωνίες:

- Η Τεχνητή Νοημοσύνη είναι ένα καινοτόμο εργαλείο, επομένως η Τεχνητή Νοημοσύνη πρέπει να είναι διαθέσιμη σε κάθε ομάδα εργασίας της εταιρείας.

+ Πρέπει να καταβληθεί κάθε δυνατή προσπάθεια ώστε η Τεχνητή Νοημοσύνη να είναι εύχρηστη, ακόμη και για ομάδες με χαμηλές τεχνολογικές δυνατότητες.

+ Οι μονάδες που ασχολούνται με την Τεχνητή Νοημοσύνη πρέπει να είναι σε θέση να κατανοούν επιτυχημένες πρακτικές υλοποίησης περιπτώσεων χρήσης της Τεχνητής Νοημοσύνης και να δημιουργούν κατάλληλα μοντέλα και μεθόδους για την επαναεφαρμογή αυτών των περιπτώσεων χρήσης σε ολόκληρο τον οργανισμό.

+ Ο εκδημοκρατισμός της πρόσβασης στην Τεχνητή Νοημοσύνη πρέπει να συνοδεύεται από την εφαρμογή νέων προσεγγίσεων FinOps για την Τεχνητή Νοημοσύνη, με σκοπό τη διαχείριση των κινδύνων κόστους που προκύπτουν από την υιοθέτηση της Τεχνητής Νοημοσύνης.

+ Πρέπει να αναπτυχθεί και να εφαρμοστεί ένα πρόγραμμα διακυβέρνησης της Τεχνητής Νοημοσύνης για τη μείωση του κινδύνου ανεξέλεγκτου κόστους και την ενθάρρυνση της χρήσης και του πειραματισμού με την Τεχνητή Νοημοσύνη.

- Ανάπτυξη Τεχνητής Νοημοσύνης στις Τηλεπικοινωνιακές Εταιρείες

Δημιουργήστε μια θέση CXO AI με εξειδίκευση και εξουσία για την προώθηση εφαρμογών AI και ανάπτυξης προϊόντων (π.χ. ο Steve Jarrett διορίστηκε Chief AI Officers (CAIOs) στην Orange Innovation, 12/2023· η Deepika Adusumilli, 10/2023 στην BT· ο Chung Suk-guen στην SK Telecom).

Ίδρυση θυγατρικής για την ανάπτυξη Τεχνητής Νοημοσύνης , για παράδειγμα, η Proximus Ada είναι θυγατρική του φορέα εκμετάλλευσης δικτύου Proximus (Βέλγιο) που επικεντρώνεται ειδικά στην ανάπτυξη δυνατοτήτων κυβερνοασφάλειας και Τεχνητής Νοημοσύνης για την εξυπηρέτηση των εσωτερικών απαιτήσεων της Proximus και την παροχή υπηρεσιών σε πελάτες B2B.

Διαχωρίστε τις εσωτερικές λειτουργίες Τεχνητής Νοημοσύνης και τις λειτουργίες Τεχνητής Νοημοσύνης που απευθύνονται στον πελάτη. Αντί να δημιουργήσει έναν κεντρικό οργανισμό Τεχνητής Νοημοσύνης, η Telefónica αποφάσισε να τον χωρίσει σε δύο τμήματα: Εξειδίκευση Πελατών και Καινοτομία, Δίκτυα, Συστήματα Πληροφορικής και Εσωτερικός Ψηφιακός Μετασχηματισμός (CDS) προς την Τεχνητή Νοημοσύνη.

Αυτή η κατανομή αρμοδιοτήτων είναι ιδιαίτερα ενδιαφέρουσα, καθώς η GenAI εστιάζει περισσότερο στον πελάτη παρά στις λειτουργίες δικτύου, ενώ η προγνωστική AI γίνεται ολοένα και περισσότερο η τεχνολογία που χρησιμοποιείται για σκοπούς αυτοματοποίησης δικτύων.

Η Τεχνητή Νοημοσύνη ως νέα επιχειρηματική λειτουργία. Για παράδειγμα, η China Mobile και η SK Telecom επενδύουν σημαντικά στην Τεχνητή Νοημοσύνη για την παροχή νέων προϊόντων και υπηρεσιών. Στόχος και των δύο φορέων είναι η δημιουργία του δικού τους Μοντέλου Μεγάλης Γλώσσας (LLM) με τις καλύτερες λύσεις και δυνατότητες, καθώς και η πώληση πρόσβασης σε επιχειρήσεις (DNs) και άλλους φορείς.

Ίδρυση Κέντρου Αριστείας Τεχνητής Νοημοσύνης (CoE).

Σε μια έρευνα του TMFrum (2023) [4], το 53% των φορέων εκμετάλλευσης δήλωσαν ότι είχαν δημιουργήσει ένα Κέντρο Διαφάνειας Τεχνητής Νοημοσύνης. Ωστόσο, το ακριβές μέγεθος, το πεδίο εφαρμογής και ο ρόλος ενός Κέντρου Διαφάνειας Τεχνητής Νοημοσύνης ποικίλλει σημαντικά. Για παράδειγμα, η Vodafone Ziggo (Ολλανδία) διαθέτει ένα Κέντρο Διαφάνειας Τεχνητής Νοημοσύνης που συγκεντρώνει τους ειδικούς της εταιρείας στην επιστήμη δεδομένων.

Η Telefónica διαθέτει ένα παγκόσμιο Κέντρο Διαφάνειας Τεχνητής Νοημοσύνης, το οποίο διαχειρίζεται το τμήμα Δικτύων και Πληροφορικής, το οποίο ειδικεύεται σε δεδομένα και αρχιτεκτονική Τεχνητής Νοημοσύνης για την εξυπηρέτηση του στόχου της μετάβασης σε ένα κοινό μοντέλο δεδομένων και της έρευνας για τεχνολογίες και λύσεις Τεχνητής Νοημοσύνης.

Η e& (Μέση Ανατολή) διαθέτει ένα Κέντρο Διαγωνισμού όπου κάθε βασικό τμήμα/λειτουργία έχει έναν εκπρόσωπο, ενώ η διακυβέρνηση της Τεχνητής Νοημοσύνης βρίσκεται στην πρώτη γραμμή με στόχο να διασφαλίσει ότι οι επιτυχημένες περιπτώσεις χρήσης της Τεχνητής Νοημοσύνης ερευνώνται και εφαρμόζονται σε διαφορετικά τμήματα.

Η Τεχνητή Νοημοσύνη ως λειτουργία πλατφόρμας. Ορισμένοι πάροχοι έχουν κατασκευάσει —ή κατασκευάζουν— πλατφόρμες Τεχνητής Νοημοσύνης σχεδιασμένες να την καθιστούν προσβάσιμη σε διαφορετικά μέρη του οργανισμού.

Για παράδειγμα, η Vodafone διαθέτει μια πλατφόρμα τεχνητής νοημοσύνης που παρέχει επίσης εργαλεία αυτοεξυπηρέτησης και εκπαιδευτικό υλικό για διαφορετικές ομάδες, ώστε να μπορούν να δημιουργήσουν τις δικές τους περιπτώσεις χρήσης. Η SK Telecom διαθέτει μια Πλατφόρμα Ευφυΐας που παρέχει σε ολόκληρο τον οργανισμό πρόσβαση στο LLM που αναπτύσσει η SKT.

- Διαχείριση Τεχνητής Νοημοσύνης

Απαιτήσεις Διακυβέρνησης Τεχνητής Νοημοσύνης. Πολλές απαιτήσεις διακυβέρνησης για την Τεχνητή Νοημοσύνη αποτελούν μέρος των υφιστάμενων προγραμμάτων διακυβέρνησης δεδομένων. Ωστόσο, απαιτούνται πρόσθετες δικλείδες ασφαλείας ειδικά για την Τεχνητή Νοημοσύνη, ώστε να διασφαλιστεί ότι τα εργαλεία και τα συστήματα Τεχνητής Νοημοσύνης παραμένουν ασφαλή και ηθικά. Υπάρχουν δύο τύποι προγραμμάτων διακυβέρνησης Τεχνητής Νοημοσύνης:

- Το πρόγραμμα εξωτερικής διακυβέρνησης έχει σχεδιαστεί για να προστατεύει άτομα και οργανισμούς εκτός της εταιρείας.

- Τα προγράμματα εσωτερικής διακυβέρνησης έχουν σχεδιαστεί για να προστατεύουν τους εργαζομένους και να διασφαλίζουν ότι η Τεχνητή Νοημοσύνη αναπτύσσεται με επιτυχία και βιωσιμότητα σε ολόκληρη την επιχείρηση.

Τα προγράμματα διακυβέρνησης που αποσκοπούν στην προστασία ατόμων και οργανισμών εκτός της εταιρείας τείνουν να είναι κωδικοποιημένα και κανονιστικά. Για παράδειγμα, η Ευρωπαϊκή Ένωση (ΕΕ) ψήφισε τον Νόμο περί Τεχνητής Νοημοσύνης τον Δεκέμβριο του 2023, ο οποίος θα τεθεί σε ισχύ το 2025, και οι ΗΠΑ εξέδωσαν Εκτελεστικό Διάταγμα για την Τεχνητή Νοημοσύνη τον Οκτώβριο του 2023.

Οι αυστηρότεροι κυβερνητικοί κανονισμοί μπορούν να βοηθήσουν τις τηλεπικοινωνιακές εταιρείες να αναπτύξουν τεχνολογίες και δυνατότητες που μπορούν να αξιοποιηθούν στο εξωτερικό, ειδικά σε χώρες με αυστηρούς κανονισμούς κυριαρχίας δεδομένων.

Για παράδειγμα, η China Mobile πιστεύει ότι οι μέθοδοι που χρησιμοποιεί για την τήρηση των νόμων περί τεχνητής νοημοσύνης μπορούν να βοηθήσουν στην ανάπτυξη τεχνολογιών ασφαλείας που μπορεί να προσφέρει στους πελάτες της. Η Swisscom πειραματίζεται με την κατασκευή της δικής της υποδομής τεχνητής νοημοσύνης και την ανάπτυξη εσωτερικής εμπειρογνωμοσύνης που μπορεί να χρησιμοποιήσει για να δημιουργήσει αξία και νέες λύσεις στον τομέα των υπηρεσιών πληροφορικής.

Η εμφάνιση της Γενικής Τεχνητής Νοημοσύνης (GenAI) επιβάλλει επίσης την ανάγκη βελτίωσης της εσωτερικής διακυβέρνησης της Τεχνητής Νοημοσύνης: Αύξηση της κλίμακας· Διαχείριση του κόστους· Προστασία του οργανισμού από τις συνέπειες της χρήσης ανακριβών αποτελεσμάτων· Μείωση του κινδύνου τεχνικού χρέους· Προστασία από τον κίνδυνο «αλλοίωσης» των δεδομένων του μοντέλου εκπαίδευσης LLM· Προστασία του οργανισμού από παραβίαση πνευματικής ιδιοκτησίας (IP)/πνευματικών δικαιωμάτων.

Κίνδυνοι από την εφαρμογή της Τεχνητής Νοημοσύνης στις επιχειρήσεις

Η έρευνα του TMforum 2023 σχετικά με τους κινδύνους εφαρμογής της GenAI στις τηλεπικοινωνιακές εταιρείες περιλαμβάνει:

3.1. Ανθρώπινοι πόροι για την Τεχνητή Νοημοσύνη

Όσον αφορά την πρόσληψη ταλέντων στον τομέα της Τεχνητής Νοημοσύνης, οι περισσότερες εταιρείες τηλεπικοινωνιών βρίσκονται σε μειονεκτική θέση σε σύγκριση με τις εταιρείες τεχνολογίας, ειδικά όταν προσλαμβάνουν νέα ταλέντα. Οι εταιρείες τεχνολογίας συνήθως προσφέρουν καλύτερους μισθούς, ταχύτερη επαγγελματική εξέλιξη και μια σημαντικά πιο ευέλικτη εταιρική κουλτούρα.

Η έρευνα του TM Forum σχετικά με τις ανάγκες σε ανθρώπινο δυναμικό στις τηλεπικοινωνιακές εταιρείες ανά ειδικότητα [4] δείχνει ότι οι δεξιότητες Τεχνητής Νοημοσύνης/μηχανικής μάθησης, ανάλυσης δεδομένων και αυτοματισμού έχουν μεγάλη ζήτηση (64%, λιγότερο από την Ασφάλεια που ανέρχεται σε 69%).

Όσον αφορά τη δυσκολία των δεξιοτήτων που μπορούν να προσλάβουν οι τηλεπικοινωνιακοί πάροχοι, το 59% των ερωτηθέντων δήλωσε ότι οι επαγγελματίες επιστήμης δεδομένων/αναλυτικής δεδομένων και οι επαγγελματίες τεχνητής νοημοσύνης/μηχανικής μάθησης είναι οι πιο δύσκολοι στην πρόσληψη (δεύτεροι μόνο στον τομέα της ασφάλειας με 63%).

Στην MWC 2024, η Korea Telecom (Κορέα) ανακοίνωσε ότι θα προσλάβει έως και 1.000 ειδικούς σε θέματα Τεχνητής Νοημοσύνης και ψηφιακής τεχνολογίας φέτος, σε μια προσπάθεια να γίνει μια εταιρεία Τεχνητής Νοημοσύνης και Πληροφορικής (AICT - AI and ICT). Ταυτόχρονα, η KT αύξησε επίσης την εσωτερική της εκπαίδευση σε δεξιότητες Τεχνητής Νοημοσύνης, ώστε να αλλάξει εντελώς το DNA της KT προς την Τεχνητή Νοημοσύνη.

Η China Mobile ίδρυσε την Jiutian το 2019 ως πλατφόρμα για να υποστηρίξει τη φιλοδοξία της να γίνει ένας εξαιρετικά αυτοματοποιημένος πάροχος έως το 2025. Η πλατφόρμα Τεχνητής Νοημοσύνης είναι προσβάσιμη από εξωτερικούς προγραμματιστές μέσω ανοιχτών API. Μέχρι τον Οκτώβριο του 2023, η China Mobile είχε αναπτύξει το δικό της LLM ως μέρος της Jiutian. Ξεκινώντας με μόλις 20 μηχανικούς Τεχνητής Νοημοσύνης, η China Mobile έχει πλέον 600 μηχανικούς Τεχνητής Νοημοσύνης και σχεδιάζει να φτάσει τους 1.000 μέχρι το τέλος του 2024.

Η Vodafone συνεργάζεται με υπερ-επεκτατές για την πλατφόρμα τεχνητής νοημοσύνης της, αλλά εξακολουθεί να χρειάζεται δεξιότητες AIOps καθώς και αναλυτικά στοιχεία, αυτοματοποίηση, cloud και πλατφόρμες. Η Vodafone προσελκύει ταλέντα προσλαμβάνοντας προσωπικό πλήρους απασχόλησης.

Ο Ashish Yadav, Senior Director στην Capgemini, δήλωσε ότι οι τηλεπικοινωνιακές εταιρείες αναζητούν ολοένα και περισσότερο ανώτερα ταλέντα στο Cloud και την Τεχνητή Νοημοσύνη σε επίπεδο αρχιτέκτονα μέσω εταιρειών ολοκλήρωσης συστημάτων ως μορφή εσωτερικής ανάθεσης (Insourcing). Ο ορισμός της εσωτερικής ανάθεσης μπορεί να ερμηνευτεί με πολλούς διαφορετικούς τρόπους, αλλά σε αυτό το πλαίσιο, οι τηλεπικοινωνιακές εταιρείες «αντιμετωπίζουν» τα ανώτερα ταλέντα της συνεργαζόμενης εταιρείας ως μέλος της ομάδας εργασίας της τηλεπικοινωνιακής εταιρείας.

Οι περισσότερες εταιρείες τηλεπικοινωνιών εντείνουν επίσης την επανεκπαίδευση και την αναβάθμιση δεξιοτήτων, ώστε να αναζητούν προληπτικά ταλέντα στον τομέα της Τεχνητής Νοημοσύνης κατόπιν ζήτησης. Στην πραγματικότητα, αυτή η προσέγγιση μπορεί να είναι πιο οικονομικά αποδοτική από την πρόσληψη νέων ταλέντων και εφαρμόζεται όλο και περισσότερο σε όλες τις άλλες δεξιότητες που είναι δύσκολο να προσληφθούν.

Στην έρευνα του TMForum σχετικά με το τι πρέπει να κάνουν οι μεταφορείς για να αξιοποιήσουν αποτελεσματικά την Τεχνητή Νοημοσύνη και τη μηχανική μάθηση, το 60% των ερωτηθέντων δήλωσε ότι η εκπαίδευση των υφιστάμενων εργαζομένων σε μια ποικιλία δεξιοτήτων Τεχνητής Νοημοσύνης έχει υψηλό αντίκτυπο, ενώ το 39% δήλωσε ότι έχει σημαντικό αντίκτυπο.

Σύμφωνα με την McKinsey & Company, η GenAI αναγκάζει τους χειριστές να αναπτύξουν εσωτερικά την εξειδίκευσή τους στην Τεχνητή Νοημοσύνη, ενώ παράλληλα απαιτεί νέες δεξιότητες από τους χρήστες, όπως η άμεση μηχανική - η ικανότητα να κάνουν ερωτήσεις για να λάβουν την καλύτερη απάντηση από το LLM. Οι χειριστές πρέπει επίσης να προσλάβουν μηχανικούς δεδομένων και ειδικούς στον τομέα «οι οποίοι κατανοούν ποια δεδομένα πρέπει να συλλέγουν και πώς να τα συλλέγουν, καθώς και να παρακολουθούν και να αξιολογούν την ποιότητα των νέων μορφών δεδομένων που δημιουργούνται και χρησιμοποιούνται από τα συστήματα GenAI » .

3.2. Ετοιμότητα δεδομένων για εφαρμογές Τεχνητής Νοημοσύνης

Μια αρχιτεκτονική που βασίζεται σε δεδομένα είναι το κλειδί για τη διατήρηση της ακρίβειας και της συνέπειας σε όλο το δίκτυο. Η χρήση ενός κοινού μοντέλου δεδομένων διασφαλίζει την ομαλή ροή των δεδομένων σε όλα τα συστήματα και την ακριβή προβολή τους σε όλες τις αυτοματοποιημένες ροές εργασίας.

Η Τεχνητή Νοημοσύνη χρειάζεται δεδομένα και η ανάλυση δεδομένων χρειάζεται Τεχνητή Νοημοσύνη. Πολλοί φορείς εκμετάλλευσης αντιμετωπίζουν σήμερα σημαντικές προκλήσεις στην ανάπτυξη συνεκτικών στρατηγικών δεδομένων για την πλήρη αξιοποίηση της τεχνολογίας Τεχνητής Νοημοσύνης. Οι φορείς εκμετάλλευσης στα αρχικά στάδια του πειραματισμού με την Τεχνητή Νοημοσύνη ενδέχεται να υποτιμούν τι χρειάζεται, ειδικά όσον αφορά τα δεδομένα, για την επιτυχή ανάπτυξη της Τεχνητής Νοημοσύνης σε μεγάλη κλίμακα.

Πολλοί πάροχοι δεν έχουν μια συνεκτική στρατηγική που να επιτρέπει την οριζόντια ροή των δεδομένων σε ολόκληρο τον οργανισμό σύμφωνα με ένα ενιαίο μοντέλο δεδομένων.

Ορισμένες συγκεκριμένες προκλήσεις στην προετοιμασία δεδομένων για την Τεχνητή Νοημοσύνη:

Υπάρχει έλλειψη σαφών, συνεπών και εφαρμόσιμων δεδομένων που μπορούν να εφαρμοστούν σε διαφορετικά μέρη της επιχείρησης, από το δίκτυο έως την παροχή υπηρεσιών και την εμπειρία των πελατών. Αυτό είναι κρίσιμο για όλες τις διαδικασίες που αφορούν την εκτέλεση που βασίζεται σε δεδομένα και βασίζεται στην Τεχνητή Νοημοσύνη.

Η έλλειψη ενός κοινού μοντέλου δεδομένων (δεδομένα συλλέγονται αυτήν τη στιγμή από πολλούς προμηθευτές) έχει ως αποτέλεσμα την εξαιρετικά χρονοβόρα συγκέντρωση δομημένων και μη δομημένων δεδομένων.

Η έλλειψη πλαισίου δεδομένων, δηλαδή η μη πλήρης γνώση του πώς, πότε, πού και για ποιους σκοπούς συλλέγονται τα δεδομένα, αποτελεί ένα ιδιαίτερα σημαντικό εμπόδιο που πρέπει να ξεπεράσουν οι τηλεπικοινωνιακές εταιρείες εάν θέλουν να αναπτύξουν GenAI ή οποιοδήποτε άλλο είδος μοντέλου μηχανικής μάθησης.

Οι πάροχοι βλέπουν την αξία των δεδομένων και έχουν αυξήσει τις επενδύσεις τους στην ανάλυση δεδομένων. Η Omdia εκτιμά ότι έως το 2025, οι παγκόσμιοι πάροχοι θα έχουν επενδύσει περίπου 2,5 δισεκατομμύρια δολάρια σε ανάλυση δεδομένων.

Στην πραγματικότητα, ο χρόνος και η επένδυση που απαιτούνται για τη συλλογή, τον καθαρισμό, τον μετασχηματισμό και την αποθήκευση δεδομένων στη σωστή μορφή είναι συχνά δυσανάλογα υψηλότεροι από τον χρόνο που απαιτείται για τη χρήση αυτών των δεδομένων. Η διαδικασία δημιουργίας λιμνών δεδομένων και αποθηκών δεδομένων συνεχίζεται εδώ και χρόνια, αλλά δεν έχει ακόμη δώσει στους παρόχους τη δυνατότητα να αναπτύξουν την Τεχνητή Νοημοσύνη σε κλίμακα σε όλους τους οργανισμούς τους.

Η έλευση των καινοτομιών και των αναλυτικών στοιχείων που βασίζονται στην τεχνητή νοημοσύνη έχει οδηγήσει στην ανάγκη και την απαίτηση για πιο διαφοροποιημένη και ευέλικτη χρήση δεδομένων, για παράδειγμα:

- Η Τεχνητή Νοημοσύνη/μηχανική μάθηση απαιτεί τεράστιες ποσότητες δεδομένων για την εκπαίδευση μοντέλων

- Απαιτούνται ποικίλα σύνολα δεδομένων και πολλαπλοί τύποι δεδομένων για να διασφαλιστούν αμερόληπτα αποτελέσματα τεχνητής νοημοσύνης

- Προσθέστε επίπεδα δεδομένων για να βελτιώσετε την ακρίβεια του μοντέλου και τον αντίκτυπο της εφαρμογής

- Τα μοντέλα πρέπει να εκπαιδεύονται συνεχώς με τις πιο πρόσφατες πληροφορίες για να διατηρούν την προγνωστική τους απόδοση, ειδικά σε δυναμικά περιβάλλοντα.

- Τα δεδομένα πρέπει να είναι διαθέσιμα σε πραγματικό χρόνο για κρίσιμες επιχειρηματικές λειτουργίες, κυρίως σε περιβάλλοντα υψηλής διαδραστικότητας.

- Η έλευση της GenAI έδωσε στους χειριστές την ευκαιρία να αξιοποιήσουν τη μεγάλη ποσότητα μη δομημένων δεδομένων που είναι διαθέσιμα, αλλά αυτά τα δεδομένα πρέπει να επισημανθούν και να καθαριστούν πριν τροφοδοτηθούν στο LLM.

Για να σημειωθεί σημαντική πρόοδος στην Τεχνητή Νοημοσύνη από την οπτική γωνία των δεδομένων, οι φορείς εκμετάλλευσης χρειάζονται μια συνολική αλλαγή στον τρόπο που προσεγγίζουν τα δεδομένα που «ρέουν» μέσω του συστήματος, μερικές φορές μια αλλαγή στην εταιρική κουλτούρα. Ο βασικός παράγοντας είναι η δημιουργία ενός κοινού μοντέλου δεδομένων και μιας ενιαίας πηγής αλήθειας.

Η δημιουργία μιας ενιαίας πηγής αλήθειας είναι ένα εξαιρετικά περίπλοκο έργο που μέχρι στιγμής ξεπερνά τις δυνατότητες των περισσότερων φορέων εκμετάλλευσης λόγω του κατακερματισμού των δεδομένων. Η BT, η Deutsche Telekom και η Telefónica έχουν λάβει μέτρα για την αντιμετώπιση αυτού του προβλήματος, μεταφέροντας όλα τα δεδομένα τους στο δημόσιο cloud. Για παράδειγμα, τα τελευταία δύο χρόνια, η BT έχει μεταφέρει περισσότερο από το 90% των δεδομένων της στην πλατφόρμα Google Cloud.

Αρχιτεκτονική, κατασκευή, αγορά και κλιμάκωση τεχνητής νοημοσύνης

Υπάρχουν πολλές ομοιότητες μεταξύ της Τεχνητής Νοημοσύνης/Γενικής Τεχνητής Νοημοσύνης (ΤΝ/Γενικής Τεχνητής Νοημοσύνης) και του cloud computing, ιδίως η τεχνολογική μετατόπιση και η κυριαρχία των hypercallers. Οι πάροχοι δικτύων αντιμετωπίζουν το ίδιο πρόβλημα, το ίδιο ερώτημα με την ΤΝ και το Cloud: Τι να αγοράσουν και τι να κατασκευάσουν;

Η προσέγγιση των παρόχων στην Τεχνητή Νοημοσύνη διαμορφώνεται σε μεγάλο βαθμό από τις βασικές αρχές της ανοιχτής αρχιτεκτονικής και της δυνατότητας σύνθεσης. Ο Omair Ahmed Khan της Deutsche Telekom αναφέρει ότι τα περισσότερα έργα Τεχνητής Νοημοσύνης της εταιρείας περιλαμβάνουν έναν συνδυασμό στοιχείων κατασκευής και αγοράς: «Η Deutsche Telekom έχει μια υβριδική στρατηγική κατασκευής και αγοράς και το κομμάτι της αγοράς δεν έχει ποτέ περιλάβει την αγορά μιας ολοκληρωμένης λύσης «με το κλειδί στο χέρι».

Οι φορείς εκμετάλλευσης πιστεύουν ότι είναι πολύ νωρίς για να θεωρήσουν την Τεχνητή Νοημοσύνη ως μέρος της αρχιτεκτονικής της επιχείρησής τους ή ως μέρος της αρχιτεκτονικής αναφοράς τους. Ορισμένοι φορείς εκμετάλλευσης με σαφές όραμα και στρατηγική για την ενσωμάτωση της Τεχνητής Νοημοσύνης στη μελλοντική αρχιτεκτονική της επιχείρησής τους αναγνωρίζουν επίσης τις προκλήσεις υλοποίησης που σχετίζονται ειδικά με τους ανθρώπους, τα εργαλεία και τις δυνατότητες που απαιτούνται για την επίτευξη αποτελεσματικών αποτελεσμάτων και σαφούς απόδοσης της επένδυσης.

Η βιομηχανοποίηση του λογισμικού μπορεί να θεωρηθεί ως μια καλή πρακτική για τη βιομηχανοποίηση της Τεχνητής Νοημοσύνης, μεταφέροντας δεδομένα σε δημόσια cloud και καθιστώντας τα δεδομένα προσβάσιμα σε πραγματικό χρόνο. Ένας CIO ενός παρόχου της Νοτιοανατολικής Ασίας περιέγραψε τη διαδικασία που ακολούθησε η εταιρεία για τη βιομηχανοποίηση της Τεχνητής Νοημοσύνης ως «εργοστάσιο δεδομένων». «Αυτό έχει μειώσει σημαντικά τον χρόνο και το κόστος παραγωγής της Τεχνητής Νοημοσύνης», είπε.

«Πριν από δύο χρόνια, το κόστος παραγωγής τεχνητής νοημοσύνης ήταν πολύ υψηλό. Χρειάζονταν έξι έως οκτώ μήνες για να δημιουργηθεί ένα μοντέλο τεχνητής νοημοσύνης. Τώρα χρειάζονται μόνο λίγες ημέρες. Μπορείτε να εκτελέσετε ολόκληρο τον κύκλο πολύ πιο γρήγορα και με λιγότερους ανθρώπους.»

Πρακτική σε ορισμένους φορείς:

China Mobile: αγόρασε υλικό και κατασκεύασε το δικό της κέντρο δεδομένων, συμπεριλαμβανομένων μονάδων επεξεργασίας γραφικών (GPU) και επιταχυντών, στο πλαίσιο του έργου Jiutian LLM.

Jio: Η Reliance Industries, η μητρική εταιρεία της ινδικής εταιρείας τηλεπικοινωνιών Jio, συνεργάστηκε με την Nvidia για την κατασκευή υποδομής υπερυπολογιστών για την Τεχνητή Νοημοσύνη. Η Reliance στοχεύει στην παροχή υποδομής Τεχνητής Νοημοσύνης σε επιστήμονες, προγραμματιστές και νεοσύστατες επιχειρήσεις σε όλη την Ινδία και στη δημιουργία εφαρμογών και υπηρεσιών Τεχνητής Νοημοσύνης για τους 450 εκατομμύρια πελάτες της Jio.

Η απόφαση για το πού θα αναπτυχθεί η Τεχνητή Νοημοσύνη σε δημόσιο ή ιδιωτικό cloud αποτελεί επίσης ένα ζήτημα για τις τηλεπικοινωνιακές εταιρείες και εξαρτάται σε μεγάλο βαθμό από την κλίμακα της ανάπτυξης. Η ανάπτυξη της Τεχνητής Νοημοσύνης σε δημόσιο cloud έχει το πλεονέκτημα των άφθονων υπολογιστικών πόρων, της ισχύος και του εξειδικευμένου υλικού που απαιτείται για την επεξεργασία πολύπλοκων αλγορίθμων και μεγάλων όγκων δεδομένων, ωστόσο το κόστος μπορεί να αποτελέσει πρόβλημα εάν ο πάροχος χρησιμοποιεί το δημόσιο cloud μόνο για την επεξεργασία μεγάλων όγκων δεδομένων.

Η απόφαση χρήσης ενός ιδιωτικού cloud για GenAI θεωρείται από πολλούς παρόχους ανέφικτη, εκτός εάν ο πάροχος δημιουργεί το δικό του LLM - όπως στην περίπτωση των China Mobile, Softbank και SK Telecom στην Ασία και της Deutsche Telekom στην Ευρώπη. Οι πάροχοι τείνουν να δίνουν προτεραιότητα στο δημόσιο cloud για δοκιμές και δημιουργία MVP για περιπτώσεις χρήσης Τεχνητής Νοημοσύνης.

Καθώς οι πάροχοι αυξάνουν τη χρήση της Τεχνητής Νοημοσύνης, αυτό αναπόφευκτα θα οδηγήσει σε βαθύτερες σχέσεις.

- Softbank: συνεργάστηκε με την Nvidia για την κατασκευή κέντρων δεδομένων (TTDL) σχεδιασμένων να φιλοξενούν εφαρμογές GenAI και ασύρματες εφαρμογές. Το νέο TTDL θα χειρίζεται φόρτους εργασίας τόσο AI όσο και 5G.

- SK Telecom: επιδιώκει τη ζήτηση για κέντρα δεδομένων που βασίζονται στην Τεχνητή Νοημοσύνη στο πλαίσιο των ευρύτερων φιλοδοξιών της SKT για την Τεχνητή Νοημοσύνη. Ο οικονομικός διευθυντής Yang-Seob Kim δήλωσε ότι η SKT σχεδιάζει να «ενισχύσει περαιτέρω την επιχειρηματική της δραστηριότητα στον τομέα των κέντρων δεδομένων, εστιάζοντας στα κέντρα δεδομένων Τεχνητής Νοημοσύνης επόμενης γενιάς και στην παγκόσμια επέκταση».

- Η NTT επενδύει 1,5 τρισεκατομμύρια γιεν (περίπου 12 δισεκατομμύρια δολάρια) τα επόμενα πέντε χρόνια για να επεκτείνει και να αναβαθμίσει την επιχειρηματική της δραστηριότητα στον τομέα των κέντρων δεδομένων παγκοσμίως, ώστε να καλύψει την αυξανόμενη ζήτηση για δεδομένα που σχετίζονται με τη χρήση της GenAI, μαζί με άλλες τεχνολογίες.

Η απόφαση για το πού θα αναπτυχθεί η Τεχνητή Νοημοσύνη σε δημόσιο ή ιδιωτικό cloud αποτελεί επίσης ένα ζήτημα για τις τηλεπικοινωνιακές εταιρείες και εξαρτάται σε μεγάλο βαθμό από την κλίμακα της ανάπτυξης. Η ανάπτυξη της Τεχνητής Νοημοσύνης σε δημόσιο cloud έχει το πλεονέκτημα των άφθονων υπολογιστικών πόρων, της ισχύος και του εξειδικευμένου υλικού που απαιτείται για την επεξεργασία πολύπλοκων αλγορίθμων και μεγάλων όγκων δεδομένων, ωστόσο το κόστος μπορεί να αποτελέσει πρόβλημα εάν ο πάροχος χρησιμοποιεί το δημόσιο cloud μόνο για την επεξεργασία μεγάλων όγκων δεδομένων.

Η απόφαση χρήσης ενός ιδιωτικού cloud για GenAI θεωρείται από πολλούς παρόχους ανέφικτη, εκτός εάν ο πάροχος δημιουργεί το δικό του LLM - όπως στην περίπτωση των China Mobile, Softbank και SK Telecom στην Ασία και της Deutsche Telekom στην Ευρώπη. Οι πάροχοι τείνουν να δίνουν προτεραιότητα στο δημόσιο cloud για δοκιμές και δημιουργία MVP για περιπτώσεις χρήσης Τεχνητής Νοημοσύνης.

Καθώς οι πάροχοι εντείνουν τη χρήση της τεχνητής νοημοσύνης, αυτό αναπόφευκτα θα οδηγήσει σε βαθύτερες σχέσεις με τις υπερδυνάμεις - Amazon Web Services, Microsoft Azure και Google Cloud.

Αναφορές:
1. Επιχειρηματικό δυναμικό Τεχνητής Νοημοσύνης: Κατανόηση της αξίας της Τεχνητής Νοημοσύνης για
τηλεπικοινωνιακές δραστηριότητες. https://www.ericsson.com/4ac6ca/
περιουσιακά στοιχεία/τοπικά/αναφορές-έγγραφα/περαιτέρω-γνώσεις/έγγραφο/ai-
επιχειρηματικό-δυναμικό.pdf
[2]. Ραντάρ Επιπτώσεων Αναδυόμενης Τεχνολογίας: Τεχνητή Νοημοσύνη, Gartner, 19 Ιανουαρίου 2024 ID G00796195
[3]. Γενετική Τεχνητή Νοημοσύνη: οι χειριστές κάνουν τα πρώτα τους βήματα, TMforum 2023
[4]. Χτίζοντας μια Στρατηγική Τεχνητής Νοημοσύνης, οι τηλεπικοινωνιακές εταιρείες έθεσαν τα θεμέλια.
TMforum 3 Μαρτίου 2024
[5]. https://intellias.com/ai-in-telecommunications/
[6]. https://www.alliedmarketresearch.com/ai-in-
αγορά-τηλεπικοινωνιών-A09352
[7]. Γενική Τεχνητή Νοημοσύνη στις Τηλεπικοινωνίες, Βασικά ευρήματα από την εταιρεία τηλεπικοινωνιών Γενικής Τεχνητής Νοημοσύνης της Omdia
έρευνα παρόχου υπηρεσιών Omdia 2024
[8] https://www.xenonstack.com/enterprise-generative-ai/
τηλεπικοινωνίες/
[9]. Προς τα πού οδεύει η Τεχνητή Νοημοσύνη; Nokia https://www.nokia.com/thought-
ηγεσία/άρθρα/AI/πού-είναι-η-κεφαλή-του-AI/
[10]. Ericsson Telco AI, Εσωτερικό έγγραφο

(Δημοσιεύτηκε στην έντυπη έκδοση του περιοδικού Information and Communications Magazine No. 8, Αύγουστος 2024)

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