چه استراتژی‌های هوش مصنوعی برای اپراتورهای شبکه مخابراتی وجود دارد؟

شرکت‌های مخابراتی روی حجم عظیمی از داده‌های بلااستفاده نشسته‌اند. هوش مصنوعی این داده‌ها را به بستری حاصلخیز برای توسعه خدمات جدید، بهبود کیفیت خدمات موجود، افزایش تجربه مشتری و ساده‌سازی عملیات تجاری تبدیل خواهد کرد.

نگوین ون ین، عضو هیئت مدیره VNPT

خلاصه:
داده‌ها و هوش مصنوعی در ارتباطات از راه دور: اپراتورهای شبکه حجم زیادی از داده‌ها را در اختیار دارند که به درستی مورد استفاده قرار نمی‌گیرند. هوش مصنوعی می‌تواند به تبدیل داده‌ها به ابزارهایی برای بهبود خدمات و بهینه‌سازی عملیات تجاری کمک کند.
- روندهای کاربرد هوش مصنوعی: توسعه 5G و اینترنت اشیا از سال 2016، اپراتورها را به تمرکز بر هوش مصنوعی سوق داده است. اخیراً، GenAI به عنوان یک ابزار استراتژیک، به ویژه پس از راه‌اندازی ChatGPT از OpenAI، ظهور کرده است.
- مزایای اقتصادی هوش مصنوعی: پیش‌بینی می‌شود هوش مصنوعی ارزش زیادی برای اپراتورها ایجاد کند، از جمله کاهش هزینه‌ها و ایجاد جریان‌های درآمدی جدید. مک‌کینزی تخمین می‌زند که GenAI می‌تواند ۱۰۰ میلیارد دلار برای صنعت مخابرات به ارمغان بیاورد.
- به کارگیری هوش مصنوعی در سازمان: هوش مصنوعی باید در تمام سطوح سازمان، از تجزیه و تحلیل داده‌ها گرفته تا عملکردهای اداری، به کار گرفته شود. بسیاری از شرکت‌های بیمه، واحدهای اختصاصی هوش مصنوعی تأسیس کرده و مراکز تعالی هوش مصنوعی ساخته‌اند.
- خطرات در کاربرد هوش مصنوعی: چالش‌های موجود در استخدام منابع انسانی هوش مصنوعی، مدیریت داده‌ها و تضمین ایمنی در استقرار هوش مصنوعی، مسائلی هستند که اپراتورهای شبکه با آنها مواجه هستند. مدیریت هوش مصنوعی عامل مهمی برای تضمین استقرار موفق و پایدار است.
- آماده‌سازی داده‌ها برای هوش مصنوعی: برای به‌کارگیری مؤثر هوش مصنوعی، اپراتورها باید داده‌های تمیز و سازگار را آماده کرده و از یک مدل داده مشترک اطمینان حاصل کنند. جمع‌آوری و پردازش داده‌ها یک چالش بزرگ است که نیاز به سرمایه‌گذاری‌های کلان در تجزیه و تحلیل و مدیریت داده‌ها دارد.

وضعیت کاربرد هوش مصنوعی برای شرکت‌های مخابراتی

ظهور فناوری 5G، اینترنت اشیا و حجم روزافزون کلان‌داده، عواملی هستند که ارائه‌دهندگان خدمات مخابراتی را به سمت توجه به هوش مصنوعی سوق می‌دهند. برخی از اپراتورهای بزرگ و جاه‌طلب، در سال‌های 2016 و 2017 شروع به پذیرش هوش مصنوعی کردند و تا سال‌های 2019-2020، بخش مخابرات شاهد پذیرش قوی هوش مصنوعی در بین اپراتورهای سراسر جهان بوده است. در 12-15 ماه گذشته (از زمان راه‌اندازی OpenAI با Chat GPT)، درک GenAI از یک ابزار تولید محتوای مبتنی بر هوش مصنوعی به یک پلتفرم استراتژیک گسترش یافته و به سرعت در حال تبدیل شدن به مرکز تفکر تقریباً هر ارائه‌دهنده خدمات مخابراتی در سراسر جهان است.

گزارش تحقیقات بازار Allied [6] در مورد هوش مصنوعی در بازار مخابرات در سال 2022 نشان می‌دهد: «اندازه بازار جهانی هوش مصنوعی در مخابرات در سال 2021، 1.2 میلیارد دلار ارزش‌گذاری شده است و انتظار می‌رود تا سال 2031 به 38.8 میلیارد دلار برسد و با نرخ رشد مرکب سالانه 41.4 درصد از سال 2022 تا 2031 رشد کند». شرکت‌های مخابراتی (telcos) به هوش مصنوعی به عنوان یک عامل کلیدی برای نوآوری، بهره‌وری عملیاتی و بهبود تجربه مشتری روی می‌آورند.

اریکسون معتقد است [1]، هوش مصنوعی ارزش بی‌سابقه‌ای را برای صنایعی از جمله مخابرات به ارمغان خواهد آورد. برای اپراتورهای شبکه، هوش مصنوعی فرصت‌هایی را برای بهینه‌سازی عملیات شبکه، بهبود تجربه مشتری، کاهش هزینه‌ها، کمک به توسعه پایدار، ایجاد جریان‌های درآمدی جدید و غیره فراهم می‌کند.

گارتنر [2] یک نظرسنجی انجام داد و 29 فناوری مرتبط با هوش مصنوعی را در 5 گروه طبقه‌بندی کرد: فناوری هسته‌ای هوش مصنوعی، فناوری مبتنی بر GenAI؛ فناوری هوش مصنوعی داده‌محور؛ فناوری اعتماد هوش مصنوعی. پیش‌بینی می‌شود روند استقرار فناوری‌های مبتنی بر GenAI در 1 تا 3 سال آینده به شدت افزایش یابد.

شرکت‌های مخابراتی، GenAI را به عنوان یک نقطه عطف، یک نیروی محرکه قدرتمند برای کمک به پیشرفت‌های درآمدی، صرفه‌جویی در هزینه‌ها و تغییر اساسی چشم‌انداز تجربه خدمات کاربر می‌بینند. بسیاری از اپراتورهای شبکه، GenAI را به عنوان یک نقطه تمرکز کلیدی در استراتژی هوش مصنوعی خود می‌بینند.

اندازه‌گیری تأثیر اقتصادی هوش مصنوعی/GenAI

اندازه‌گیری تأثیر اقتصادی هوش مصنوعی بر صنعت مخابرات کار ساده‌ای نیست، زیرا موارد استفاده بالقوه آن گسترده و متنوع است و تخمین ارزش بازار از منابع مختلف بسیار متفاوت است. با این حال، بسیاری از اپراتورها موافقند که مزایای هوش مصنوعی برای کسب‌وکارهای مخابراتی قابل توجه است. به عنوان مثال [4]:

- کاهش نیروی کار و مشاغل به دلیل هوش مصنوعی و اتوماسیون. شرکت BT (بریتانیا) تخمین می‌زند که با بهره‌گیری از دیجیتالی شدن و اتوماسیون، می‌تواند تا سال ۲۰۳۰، ۱۰ هزار شغل را حذف کند.

- با عرضه محصولات مبتنی بر هوش مصنوعی، درآمد جدیدی کسب کنید. شرکت SK Telecom (کره جنوبی) معتقد است که می‌تواند تا سال 2028 درآمد مرتبط با هوش مصنوعی را تا 25000 میلیارد وون کره جنوبی (حدود 18.5 میلیارد دلار آمریکا) افزایش دهد.

- کمک به صرفه‌جویی در هزینه‌ها یا افزایش درآمد. مک‌کینزی تخمین می‌زند که GenAI می‌تواند تا ۱۰۰ میلیارد دلار ارزش افزوده برای بخش مخابرات ایجاد کند.

اپراتورها مزایای هر مورد استفاده از هوش مصنوعی را بر اساس دو جنبه اندازه‌گیری می‌کنند: مالی (صرفه‌جویی در زمان (قابل اندازه‌گیری)، صرفه‌جویی در هزینه، افزایش درآمد) و غیرمالی (رضایت کارکنان، رضایت مشتری، صرفه‌جویی در زمان اندک و دشوار برای اندازه‌گیری، پایداری)

هوش مصنوعی در کجای صنعت مخابرات به کار می‌رود و چگونه می‌توان آن را پیاده‌سازی کرد؟

شرکت‌های مخابراتی، هوش مصنوعی را به عنوان یک اولویت استراتژیک برای اعمال در وظایف و بخش‌های مرتبط با تجزیه و تحلیل داده‌ها در نظر می‌گیرند. با این حال، گسترش اخیر GenAI برخی از دیدگاه‌ها را در مورد کاربرد هوش مصنوعی به ویژه در شرکت‌های مخابراتی مطرح کرده است که به شرح زیر است:

- حوزه‌های کاربرد هوش مصنوعی در مخابرات:

- هوش مصنوعی ابزاری نوآورانه است، بنابراین هوش مصنوعی باید در دسترس هر گروه کاری در شرکت باشد.

+ باید تمام تلاش‌ها برای آسان کردن استفاده از هوش مصنوعی، حتی برای گروه‌هایی با قابلیت‌های تکنولوژیکی پایین، انجام شود.

+ واحدهای اختصاصی هوش مصنوعی باید بتوانند شیوه‌های پیاده‌سازی موفق موارد استفاده هوش مصنوعی را درک کنند و مدل‌ها و روش‌های مناسبی برای به‌کارگیری مجدد این موارد استفاده در سراسر سازمان بسازند.

+ دموکراتیزه کردن دسترسی به هوش مصنوعی باید با پیاده‌سازی رویکردهای جدید FinOps برای هوش مصنوعی همراه باشد تا ریسک‌های هزینه‌ای ناشی از پذیرش هوش مصنوعی مدیریت شود.

+ یک برنامه مدیریت هوش مصنوعی باید تدوین و اجرا شود تا خطر هزینه‌های کنترل نشده را کاهش داده و استفاده و آزمایش هوش مصنوعی را تشویق کند.

- استقرار هوش مصنوعی در شرکت مخابرات

ایجاد یک موقعیت شغلی مدیر ارشد هوش مصنوعی (CXO) با تخصص و اختیار لازم برای پیشبرد توسعه کاربرد و محصول هوش مصنوعی (به عنوان مثال، استیو جارت به عنوان مدیران ارشد هوش مصنوعی (CAIO) در شرکت Orange Innovation، در تاریخ 12/2023 منصوب شد؛ دیپیکا آدوسومیلی، در تاریخ 10/2023 در BT؛ چانگ سوک-گوئن در شرکت SK Telecom).

ایجاد یک شرکت تابعه برای توسعه هوش مصنوعی ، به عنوان مثال، Proximus Ada یک شرکت تابعه از اپراتور شبکه Proximus (بلژیک) است که به طور خاص بر توسعه امنیت سایبری و قابلیت‌های هوش مصنوعی برای تأمین نیازهای داخلی Proximus و ارائه خدمات به مشتریان B2B تمرکز دارد.

جداسازی هوش مصنوعی داخلی و عملکردهای هوش مصنوعی مرتبط با مشتری. تلفونیکا به جای ایجاد یک سازمان متمرکز هوش مصنوعی، تصمیم گرفت آن را به دو بخش تقسیم کند: بینش و نوآوری مشتری؛ شبکه‌ها، سیستم‌های فناوری اطلاعات و تحول دیجیتال داخلی (CDS) به سمت هوش مصنوعی.

این تقسیم مسئولیت‌ها به ویژه جالب است زیرا تمرکز GenAI بیشتر بر روی مشتری مداری است تا عملکردهای شبکه، در حالی که هوش مصنوعی پیش‌بین به طور فزاینده‌ای در حال تبدیل شدن به فناوری مورد استفاده برای اهداف اتوماسیون شبکه است.

هوش مصنوعی به عنوان یک عملکرد تجاری جدید. به عنوان مثال، چاینا موبایل و اس‌کی تلکام سرمایه‌گذاری زیادی در هوش مصنوعی برای ارائه محصولات و خدمات جدید انجام می‌دهند. تمرکز هر دو اپراتور بر ساخت مدل زبان بزرگ (LLM) خود با بهترین راهکارها و ویژگی‌ها و فروش دسترسی به شرکت‌ها (DN) و سایر اپراتورها است.

تأسیس مرکز تعالی هوش مصنوعی (CoE).

در یک نظرسنجی TMFrum (2023) [4]، 53٪ از اپراتورها اظهار داشتند که یک مرکز آموزش هوش مصنوعی (AI CoE) ایجاد کرده‌اند. اما اندازه، دامنه و نقش دقیق یک مرکز آموزش هوش مصنوعی به طور قابل توجهی متفاوت است. به عنوان مثال، Vodafone Ziggo (هلند) یک مرکز آموزش هوش مصنوعی دارد که متخصصان علوم داده شرکت را گرد هم می‌آورد.

تلفونیکا یک مرکز آموزش هوش مصنوعی جهانی دارد که توسط بخش شبکه‌ها و فناوری اطلاعات مدیریت می‌شود و در معماری داده‌ها و هوش مصنوعی تخصص دارد تا به هدف انتقال به یک مدل داده مشترک و تحقیق در مورد فناوری‌ها و راه‌حل‌های هوش مصنوعی دست یابد.

e& (خاورمیانه) یک شورای عالی دارد که در آن هر بخش/بخش کلیدی یک نماینده دارد، حاکمیت هوش مصنوعی در خط مقدم قرار دارد و ماموریت آن اطمینان از تحقیق و به‌کارگیری موارد موفقیت‌آمیز استفاده از هوش مصنوعی در بخش‌های مختلف است.

هوش مصنوعی به عنوان یک عملکرد پلتفرم. برخی از شرکت‌های بیمه، پلتفرم‌های هوش مصنوعی را ساخته‌اند - یا در حال ساخت هستند - که برای دسترسی به آن در بخش‌های مختلف سازمان طراحی شده‌اند.

برای مثال، وودافون یک پلتفرم هوش مصنوعی دارد که ابزارهای سلف سرویس و مواد آموزشی را نیز برای تیم‌های مختلف فراهم می‌کند تا موارد استفاده خود را بسازند. SK Telecom یک پلتفرم اطلاعاتی دارد که به کل سازمان امکان دسترسی به LLM که SKT در حال توسعه آن است را می‌دهد.

- مدیریت هوش مصنوعی

الزامات حاکمیت هوش مصنوعی. بسیاری از الزامات حاکمیت برای هوش مصنوعی بخشی از برنامه‌های حاکمیت داده موجود هستند. با این حال، برای اطمینان از ایمن و اخلاقی ماندن ابزارها و سیستم‌های هوش مصنوعی، به اقدامات حفاظتی ویژه هوش مصنوعی بیشتری نیاز است. دو نوع برنامه حاکمیت هوش مصنوعی وجود دارد:

- برنامه حاکمیت شرکتی خارجی به گونه‌ای طراحی شده است که از افراد و سازمان‌های خارج از شرکت محافظت کند.

- برنامه‌های حاکمیت داخلی برای محافظت از کارکنان و اطمینان از استقرار موفقیت‌آمیز و پایدار هوش مصنوعی در سراسر سازمان طراحی شده‌اند.

برنامه‌های حاکمیتی که با هدف محافظت از افراد و سازمان‌های خارج از شرکت تدوین می‌شوند، معمولاً مدون و هنجاری هستند. به عنوان مثال، اتحادیه اروپا (EU) قانون هوش مصنوعی را در دسامبر 2023 تصویب کرد که در سال 2025 لازم‌الاجرا خواهد شد و ایالات متحده در اکتبر 2023 یک فرمان اجرایی در مورد هوش مصنوعی صادر کرد.

مقررات سختگیرانه‌تر دولتی می‌تواند به شرکت‌های مخابراتی کمک کند تا فناوری‌ها و قابلیت‌هایی را توسعه دهند که بتوان از آنها در خارج از کشور، به ویژه در کشورهایی که مقررات سختگیرانه‌ای در مورد حاکمیت داده‌ها دارند، کسب درآمد کرد.

برای مثال، چاینا موبایل معتقد است روش‌هایی که برای رعایت قوانین هوش مصنوعی استفاده می‌کند، می‌تواند به توسعه فناوری‌های امنیتی که می‌تواند به مشتریان خود ارائه دهد، کمک کند. سوئیس‌کام در حال آزمایش ساخت زیرساخت هوش مصنوعی خود و توسعه تخصص داخلی است که می‌تواند از آن برای ایجاد ارزش و راه‌حل‌های جدید در کسب‌وکار خدمات فناوری اطلاعات خود استفاده کند.

ظهور GenAI همچنین نیاز به بهبود مدیریت داخلی هوش مصنوعی را افزایش می‌دهد: افزایش مقیاس؛ مدیریت هزینه‌ها؛ محافظت از سازمان در برابر عواقب استفاده از نتایج نادرست؛ کاهش خطر بدهی فنی؛ محافظت در برابر خطر «خراب شدن» داده‌های مدل آموزش LLM؛ محافظت از سازمان در برابر نقض مالکیت معنوی (IP)/حق نشر.

خطرات به کارگیری هوش مصنوعی در شرکت‌ها

نظرسنجی TMforum 2023 در مورد خطرات به‌کارگیری GenAI در شرکت‌های مخابراتی شامل موارد زیر است:

۳.۱ منابع انسانی برای هوش مصنوعی

وقتی صحبت از استخدام استعدادهای هوش مصنوعی می‌شود، اکثر شرکت‌های مخابراتی در مقایسه با شرکت‌های فناوری، به خصوص هنگام استخدام استعدادهای جوان، در موقعیت نامساعدی قرار دارند. شرکت‌های فناوری معمولاً حقوق بهتری، پیشرفت شغلی سریع‌تر و فرهنگ سازمانی انعطاف‌پذیرتری ارائه می‌دهند.

نظرسنجی TM Forum در مورد نیازهای منابع انسانی شرکت‌های مخابراتی بر اساس تخصص [4] نشان می‌دهد که مهارت‌های هوش مصنوعی/یادگیری ماشین، تجزیه و تحلیل داده‌ها و اتوماسیون تقاضای بالایی دارند (64٪، کمتر از امنیت با 69٪).

از نظر دشواری مهارت‌هایی که شرکت‌های مخابراتی می‌توانند استخدام کنند، ۵۹٪ از پاسخ‌دهندگان گفتند که استخدام متخصصان علوم داده/تحلیل داده‌ها و متخصصان هوش مصنوعی/یادگیری ماشین سخت‌ترین است (با ۶۳٪، پس از امنیت در رتبه دوم قرار دارد).

در MWC 2024، شرکت Korea Telecom (کره) اعلام کرد که امسال تا ۱۰۰۰ متخصص هوش مصنوعی و دیجیتال را استخدام خواهد کرد تا به یک شرکت AICT - هوش مصنوعی و فناوری اطلاعات و ارتباطات - تبدیل شود. همزمان، KT آموزش داخلی در مهارت‌های هوش مصنوعی را نیز افزایش داد تا DNA KT را به سمت هوش مصنوعی کاملاً تغییر دهد.

چاینا موبایل در سال ۲۰۱۹ جیوتیان را به عنوان پلتفرمی برای پشتیبانی از جاه‌طلبی خود برای تبدیل شدن به یک اپراتور بسیار خودکار تا سال ۲۰۲۵ تأسیس کرد. توسعه‌دهندگان خارجی می‌توانند از طریق APIهای باز به پلتفرم هوش مصنوعی دسترسی داشته باشند. تا اکتبر ۲۰۲۳، چاینا موبایل به عنوان بخشی از جیوتیان، دوره کارشناسی ارشد خود را توسعه داده بود. چاینا موبایل که با تنها ۲۰ مهندس هوش مصنوعی شروع به کار کرد، اکنون ۶۰۰ مهندس هوش مصنوعی دارد و قصد دارد تا پایان سال ۲۰۲۴ به ۱۰۰۰ مهندس برسد.

ودافون برای پلتفرم هوش مصنوعی خود با ابرمقیاس‌پذیرها همکاری می‌کند، اما همچنان به مهارت‌های هوش مصنوعی (AIOps) و همچنین تجزیه و تحلیل، اتوماسیون، فضای ابری و پلتفرم‌ها نیاز دارد. ودافون با استخدام تمام وقت، استعدادها را جذب می‌کند.

آشیش یاداو، مدیر ارشد Capgemini، گفت که شرکت‌های مخابراتی به طور فزاینده‌ای به دنبال استعدادهای ارشد فضای ابری و هوش مصنوعی در سطح معماری از طریق شرکت‌های ادغام سیستم به عنوان نوعی از درون‌سپاری هستند. تعریف درون‌سپاری را می‌توان به روش‌های مختلفی تفسیر کرد، اما در این زمینه، شرکت‌های مخابراتی با استعدادهای ارشد شرکت شریک به عنوان عضوی از تیم کاری شرکت مخابراتی "برخورد" می‌کنند.

اکثر شرکت‌های مخابراتی نیز در حال افزایش مهارت‌های جدید و ارتقای مهارت‌ها هستند تا به طور فعال استعدادهای هوش مصنوعی را بر اساس تقاضا جذب کنند. در واقع، این رویکرد می‌تواند از استخدام استعدادهای جدید مقرون به صرفه‌تر باشد و به طور فزاینده‌ای در مورد سایر مهارت‌های دشوار استخدام اعمال می‌شود.

در نظرسنجی TMForum در مورد اینکه شرکت‌های بیمه برای بهره‌برداری مؤثر از هوش مصنوعی و یادگیری ماشینی چه باید بکنند، ۶۰ درصد از پاسخ‌دهندگان گفتند که آموزش کارمندان فعلی در مهارت‌های مختلف هوش مصنوعی تأثیر زیادی دارد، در حالی که ۳۹ درصد گفتند که تأثیر قابل توجهی دارد.

طبق گفته مک‌کینزی و شرکا، GenAI اپراتورها را مجبور می‌کند تا تخصص هوش مصنوعی را به صورت داخلی توسعه دهند و در عین حال به مهارت‌های جدیدی از سوی کاربران، مانند مهندسی سریع - توانایی پرسیدن سوال برای دریافت بهترین پاسخ از LLM - نیاز دارد. اپراتورها همچنین باید مهندسان داده و متخصصان حوزه را استخدام کنند «که بدانند چه داده‌هایی را جمع‌آوری کنند و چگونه آنها را جمع‌آوری کنند، و همچنین بر کیفیت اشکال جدید داده‌های ایجاد شده و مورد استفاده توسط سیستم‌های GenAI نظارت و ارزیابی کنند . »

۳.۲ آمادگی داده‌ها برای کاربردهای هوش مصنوعی

معماری داده‌محور، کلید حفظ دقت و ثبات در سراسر شبکه است. استفاده از یک مدل داده مشترک، جریان روان داده‌ها را در تمام سیستم‌ها تضمین می‌کند و در تمام گردش‌های کاری خودکار، به طور دقیق ارائه می‌شود.

هوش مصنوعی به داده نیاز دارد و تجزیه و تحلیل داده‌ها به هوش مصنوعی. امروزه بسیاری از اپراتورها با چالش‌های قابل توجهی در توسعه استراتژی‌های منسجم داده برای بهره‌برداری کامل از فناوری هوش مصنوعی مواجه هستند. اپراتورها در مراحل اولیه آزمایش هوش مصنوعی ممکن است آنچه را که برای استقرار موفقیت‌آمیز هوش مصنوعی در مقیاس بزرگ، به ویژه از نظر داده، مورد نیاز است، دست کم بگیرند.

بسیاری از شرکت‌های مخابراتی فاقد یک استراتژی منسجم هستند که امکان جریان افقی داده‌ها را در سراسر سازمان، طبق یک مدل داده واحد، فراهم کند.

برخی از چالش‌های خاص در آماده‌سازی داده‌ها برای هوش مصنوعی:

کمبود داده‌های تمیز، واضح، منسجم و کاربردی که بتوان از آنها در بخش‌های مختلف کسب‌وکار، از شبکه گرفته تا ارائه خدمات و تجربه مشتری، استفاده کرد، احساس می‌شود. این موضوع برای تمام فرآیندهای مربوط به اجرای مبتنی بر داده و هوش مصنوعی بسیار مهم است.

فقدان یک مدل داده مشترک (داده‌ها در حال حاضر از چندین فروشنده جمع‌آوری می‌شوند) منجر به تجمیع بسیار زمان‌بر داده‌های ساختاریافته و بدون ساختار می‌شود.

فقدان زمینه داده‌ها، یعنی عدم آگاهی کامل از چگونگی، زمان، مکان و اهداف جمع‌آوری داده‌ها، مانع بسیار مهمی است که شرکت‌های مخابراتی در صورت تمایل به استقرار GenAI یا هر نوع مدل یادگیری ماشینی دیگر، باید بر آن غلبه کنند.

اپراتورها ارزش داده‌ها را درک می‌کنند و سرمایه‌گذاری‌های خود را در تجزیه و تحلیل داده‌ها افزایش داده‌اند. Omdia تخمین می‌زند که تا سال ۲۰۲۵، اپراتورهای جهانی حدود ۲.۵ میلیارد دلار در تجزیه و تحلیل داده‌ها سرمایه‌گذاری خواهند کرد.

در واقع، زمان و سرمایه‌گذاری مورد نیاز برای جمع‌آوری، پاکسازی، تبدیل و ذخیره داده‌ها در قالب مناسب، اغلب به طور نامتناسبی بیشتر از زمان لازم برای استفاده از آن داده‌ها است. فرآیند ایجاد دریاچه‌های داده و انبارهای داده سال‌هاست که در حال انجام است، اما هنوز به اپراتورهای تلفن همراه این امکان را نداده است که هوش مصنوعی را در مقیاس وسیع در سراسر سازمان‌های خود مستقر کنند.

ظهور نوآوری‌ها و تحلیل‌های مبتنی بر هوش مصنوعی، نیاز و الزام به استفاده متنوع‌تر و انعطاف‌پذیرتر از داده‌ها را افزایش داده است، برای مثال:

- هوش مصنوعی/یادگیری ماشین برای آموزش مدل‌ها به حجم عظیمی از داده‌ها نیاز دارد

- برای اطمینان از نتایج بی‌طرفانه هوش مصنوعی، به مجموعه داده‌های متنوع و انواع داده‌های متعدد نیاز است.

- اضافه کردن لایه‌های داده برای بهبود دقت مدل و تأثیر برنامه

- مدل‌ها باید به طور مداوم با آخرین اطلاعات آموزش داده شوند تا عملکرد پیش‌بینی‌کننده، به ویژه در محیط‌های پویا، حفظ شود.

- داده‌ها باید برای عملکردهای حیاتی کسب‌وکار، به‌ویژه در محیط‌های بسیار تعاملی، به‌صورت بلادرنگ در دسترس باشند.

- ظهور GenAI به اپراتورها این فرصت را داده است که از حجم زیاد داده‌های بدون ساختار موجود استفاده کنند، اما این داده‌ها قبل از ورود به LLM نیاز به برچسب‌گذاری و پاکسازی دارند.

برای پیشرفت قابل توجه در هوش مصنوعی از منظر داده، اپراتورها باید تغییر جامعی در نحوه برخورد خود با داده‌هایی که در سیستم "جریان" دارند، ایجاد کنند، که گاهی اوقات تغییر در فرهنگ سازمانی است. عامل کلیدی، ایجاد یک مدل داده مشترک و ایجاد یک منبع واحد حقیقت است.

ایجاد یک منبع واحد حقیقت، کار بسیار پیچیده‌ای است که تاکنون به دلیل پراکندگی داده‌ها، فراتر از توانایی اکثر اپراتورها بوده است. BT، Deutsche Telekom و Telefónica با انتقال تمام داده‌های خود به ابر عمومی، گام‌هایی برای حل این مشکل برداشته‌اند. به عنوان مثال، طی دو سال گذشته، BT بیش از ۹۰٪ از داده‌های خود را به پلتفرم ابری گوگل منتقل کرده است.

معماری هوش مصنوعی، ساخت، خرید و مقیاس‌پذیری

شباهت‌های زیادی بین هوش مصنوعی/GenAi و رایانش ابری وجود دارد، به ویژه تغییر تکنولوژیکی و تسلط ابرفراخوان‌ها. اپراتورهای شبکه با همان مشکل، همان سوال هوش مصنوعی و ابررایانه مواجه هستند: چه چیزی بخریم و چه چیزی بسازیم؟

رویکرد اپراتورها به هوش مصنوعی تا حد زیادی توسط اصول اصلی معماری باز و قابلیت ترکیب‌پذیری شکل گرفته است. عمر احمد خان از دویچه تلکام می‌گوید که بیشتر پروژه‌های هوش مصنوعی این شرکت شامل ترکیبی از ساخت و خرید اجزا است. «دویچه تلکام یک استراتژی ترکیبی ساخت و خرید دارد و بخش خرید هرگز شامل خرید یک راه‌حل کامل و آماده نبوده است.»

اپراتورها معتقدند که هنوز خیلی زود است که هوش مصنوعی را به عنوان بخشی از معماری سازمانی خود یا به عنوان بخشی از معماری مرجع خود در نظر بگیرند. برخی از اپراتورها که چشم‌انداز و استراتژی روشنی برای ادغام هوش مصنوعی در معماری سازمانی آینده خود دارند، چالش‌های پیاده‌سازی را نیز به طور خاص مربوط به افراد، ابزارها و قابلیت‌های مورد نیاز برای ارائه نتایج مؤثر و بازگشت سرمایه مشخص، تشخیص می‌دهند.

صنعتی‌سازی نرم‌افزار را می‌توان با انتقال داده‌ها به ابرهای عمومی و دسترسی به داده‌ها به صورت بلادرنگ، به عنوان یک روش خوب برای صنعتی‌سازی هوش مصنوعی در نظر گرفت. یک مدیر ارشد اطلاعات یک شرکت مخابراتی جنوب شرقی آسیا، فرآیندی را که این شرکت برای صنعتی‌سازی هوش مصنوعی طی کرده است، به عنوان یک «کارخانه داده» توصیف کرد. او گفت: «این امر به طور قابل توجهی زمان و هزینه تولید هوش مصنوعی را کاهش داده است.»

«دو سال پیش، هزینه تولید هوش مصنوعی بسیار بالا بود. ایجاد یک مدل هوش مصنوعی شش تا هشت ماه طول می‌کشید. اکنون فقط چند روز طول می‌کشد. شما می‌توانید کل چرخه را بسیار سریع‌تر و با افراد کمتری اجرا کنید.»

تمرین در برخی از شرکت‌های مخابراتی:

چاینا موبایل: به عنوان بخشی از پروژه جیوتیان ال‌ال‌ام، سخت‌افزار خریداری کرده و مرکز داده خود شامل واحدهای پردازش گرافیکی (GPU) و شتاب‌دهنده‌ها را ساخته است.

جیو: شرکت ریلاینس اینداستریز، شرکت مادر شرکت مخابراتی هندی جیو، با انویدیا برای ساخت زیرساخت‌های ابررایانه‌ای برای هوش مصنوعی همکاری کرده است. ریلاینس قصد دارد زیرساخت‌های هوش مصنوعی را در اختیار دانشمندان، توسعه‌دهندگان و استارتاپ‌ها در سراسر هند قرار دهد و برنامه‌ها و خدمات هوش مصنوعی را برای ۴۵۰ میلیون مشتری جیو ایجاد کند.

تصمیم‌گیری در مورد محل استقرار هوش مصنوعی در یک ابر عمومی یا یک ابر خصوصی نیز برای شرکت‌های مخابراتی یک مسئله است و تا حد زیادی به مقیاس استقرار بستگی دارد. استقرار هوش مصنوعی در یک ابر عمومی از مزایای منابع محاسباتی فراوان، قدرت و سخت‌افزار تخصصی مورد نیاز برای پردازش الگوریتم‌های پیچیده و حجم زیادی از داده‌ها برخوردار است، با این حال، اگر اپراتور فقط از ابر عمومی برای پردازش حجم زیادی از داده‌ها استفاده کند، هزینه می‌تواند به یک مسئله تبدیل شود.

بسیاری از اپراتورها تصمیم به استفاده از ابر خصوصی برای GenAI را غیرممکن می‌دانند، مگر اینکه اپراتور در حال ساخت LLM خود باشد - مانند مورد China Mobile، Softbank و SK Telecom در آسیا و Deutsche Telekom در اروپا. اپراتورها تمایل دارند ابر عمومی را برای آزمایش و ساخت MVP برای موارد استفاده هوش مصنوعی در اولویت قرار دهند.

همچنان که اپراتورها استفاده از هوش مصنوعی را افزایش می‌دهند، این امر ناگزیر به روابط عمیق‌تر منجر خواهد شد.

- سافت‌بانک: با انویدیا برای ساخت مراکز داده (TTDL) که برای میزبانی برنامه‌های GenAI و بی‌سیم طراحی شده‌اند، همکاری کرده است. TTDL جدید، هم بار کاری هوش مصنوعی و هم 5G را مدیریت خواهد کرد.

- SK Telecom: به عنوان بخشی از جاه‌طلبی‌های گسترده‌تر SKT در حوزه هوش مصنوعی، تقاضا برای مراکز داده مبتنی بر هوش مصنوعی را دنبال می‌کند. یانگ-سئوب کیم، مدیر ارشد مالی، گفت SKT قصد دارد «کسب‌وکار مرکز داده خود را با تمرکز بر مراکز داده هوش مصنوعی نسل بعدی و گسترش جهانی، بیشتر تقویت کند.»

- شرکت NTT در پنج سال آینده ۱.۵ تریلیون ین (حدود ۱۲ میلیارد دلار) برای گسترش و ارتقاء کسب و کار مرکز داده خود در سطح جهانی سرمایه‌گذاری می‌کند تا تقاضای رو به رشد برای داده‌های مرتبط با استفاده از GenAI و سایر فناوری‌ها را برآورده کند.

تصمیم‌گیری در مورد محل استقرار هوش مصنوعی در یک ابر عمومی یا یک ابر خصوصی نیز برای شرکت‌های مخابراتی یک مسئله است و تا حد زیادی به مقیاس استقرار بستگی دارد. استقرار هوش مصنوعی در یک ابر عمومی از مزایای منابع محاسباتی فراوان، قدرت و سخت‌افزار تخصصی مورد نیاز برای پردازش الگوریتم‌های پیچیده و حجم زیادی از داده‌ها برخوردار است، با این حال، اگر اپراتور فقط از ابر عمومی برای پردازش حجم زیادی از داده‌ها استفاده کند، هزینه می‌تواند به یک مسئله تبدیل شود.

بسیاری از اپراتورها تصمیم به استفاده از ابر خصوصی برای GenAI را غیرممکن می‌دانند، مگر اینکه اپراتور در حال ساخت LLM خود باشد - مانند مورد China Mobile، Softbank و SK Telecom در آسیا و Deutsche Telekom در اروپا. اپراتورها تمایل دارند ابر عمومی را برای آزمایش و ساخت MVP برای موارد استفاده هوش مصنوعی در اولویت قرار دهند.

همزمان با افزایش استفاده اپراتورها از هوش مصنوعی، این امر ناگزیر به روابط عمیق‌تر با ابرقدرت‌ها - خدمات وب آمازون، مایکروسافت آژور و گوگل کلود - منجر خواهد شد.

مراجع:
۱. پتانسیل تجاری هوش مصنوعی: درک ارزش هوش مصنوعی برای
عملیات مخابراتی. https://www.ericsson.com/4ac6ca/
دارایی‌ها/محلی/گزارش‌ها-مقالات/بینش‌های بیشتر/داک/هوش مصنوعی
پتانسیل کسب و کار.pdf
[2]. رادار تأثیر فناوری‌های نوظهور: هوش مصنوعی، گارتنر، 19 ژانویه 2024، شناسه G00796195
[3]. هوش مصنوعی مولد: اپراتورها اولین گام‌های خود را برمی‌دارند، TMforum 2023
[4]. شرکت‌های مخابراتی با ایجاد یک استراتژی هوش مصنوعی، پایه‌ها را بنا نهادند،
TMforum، ۳ مارس ۲۰۲۴
[5]. https://intellias.com/ai-in-telecommunications/
[6]. https://www.alliedmarketresearch.com/ai-in-
بازار-مخابرات-A09352
[7]. Gen Ai در مخابرات، یافته‌های کلیدی از شرکت مخابراتی GenAI Omdia
نظرسنجی ارائه دهندگان خدمات Omdia 2024
[8] https://www.xenonstack.com/enterprise-generative-ai/
مخابرات/
[9]. هوش مصنوعی به کجا می‌رود؟ نوکیا https://www.nokia.com/thought-
رهبری/مقالات/هوش مصنوعی/هوش مصنوعی به کجا می‌رود/
[10]. اریکسون تلکو هوش مصنوعی، سند داخلی

(منتشر شده در نسخه چاپی مجله اطلاعات و ارتباطات شماره ۸، اوت ۲۰۲۴)

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