אילו אסטרטגיות בינה מלאכותית עבור מפעילי רשתות תקשורת?

ספקי שירותי תקשורת יושבים על מאגר עצום של נתונים שאינם מנוצלים מספיק. בינה מלאכותית תהפוך נתונים אלה לקרקע פורייה לפיתוח שירותים חדשים, שיפור איכות השירותים הקיימים, שיפור חוויית הלקוח וייעול הפעילות העסקית.

נגוין ואן ין, חבר דירקטוריון VNPT

תַקצִיר:
-נתונים ובינה מלאכותית בתקשורת: מפעילי רשתות מחזיקים כמויות גדולות של נתונים שאינן מנוצלות כראוי. בינה מלאכותית יכולה לסייע בהמרת נתונים לכלים לשיפור שירותים ולייעל את פעילות העסק.
- מגמות ביישומי בינה מלאכותית: התפתחות ה-5G וה-IoT דחפה ספקיות תקשורת להתמקד בבינה מלאכותית מאז 2016. לאחרונה, GenAI צץ ככלי אסטרטגי, במיוחד לאחר השקת ChatGPT של OpenAI.
- יתרונות כלכליים מבינה מלאכותית: בינה מלאכותית צפויה ליצור ערך רב עבור ספקי שירותי תקשורת, כולל קיצוץ בעלויות ויצירת מקורות הכנסה חדשים. מקינזי מעריכה ש-GenAI עשויה להביא 100 מיליארד דולר לתעשיית התקשורת.
- יישום בינה מלאכותית בארגון: יש ליישם בינה מלאכותית בכל הרמות בארגון, החל מניתוח נתונים ועד לתפקודים אדמיניסטרטיביים. חברות תקשורת רבות הקימו יחידות ייעודיות לבינה מלאכותית ובנו מרכזי מצוינות בתחום.
- סיכונים ביישומי בינה מלאכותית: אתגרים בגיוס משאבי אנוש בתחום הבינה המלאכותית, ניהול נתונים והבטחת בטיחות בפריסת בינה מלאכותית הם סוגיות העומדות בפני מפעילי רשתות. ניהול בינה מלאכותית הוא גורם חשוב להבטחת פריסה מוצלחת ובת קיימא.
- הכנת נתונים עבור בינה מלאכותית: כדי ליישם בינה מלאכותית ביעילות, על מפעילים להכין נתונים נקיים ועקביים ולהבטיח מודל נתונים משותף. איסוף ועיבוד נתונים הם אתגר גדול, הדורש השקעות גדולות בניתוח וניהול נתונים.

מצב יישומי הבינה המלאכותית עבור חברות תקשורת

עליית טכנולוגיית ה-5G, האינטרנט של הדברים (IoT) והנפח ההולך וגדל של ביג דאטה הם הגורמים המניעים ספקי שירותי טלקום להפנות את תשומת ליבם לבינה מלאכותית. חלק מהמפעילים הגדולים והשאפתניים החלו לאמץ בינה מלאכותית בשנים 2016 ו-2017, ובשנים 2019-2020 מגזר הטלקום ראה אימוץ חזק של בינה מלאכותית בקרב מפעילים ברחבי העולם . ב-12-15 החודשים האחרונים (מאז השקת OpenAI עם Chat GPT), התפיסה של GenAI התרחבה מכלי יצירת תוכן מבוסס בינה מלאכותית לפלטפורמה אסטרטגית, והיא הופכת במהירות למרכז החשיבה של כמעט כל ספק שירותי טלקום ברחבי העולם.

דו"ח מחקרי שוק של Allied [6] על בינה מלאכותית בשוק התקשורת בשנת 2022 מראה: "שוק הבינה המלאכותית העולמי בתקשורת מוערך ב-1.2 מיליארד דולר בשנת 2021 וצפוי להגיע ל-38.8 מיליארד דולר עד 2031, עם צמיחה שנתי ממוצע (CAGR) של 41.4% בין השנים 2022 ל-2031". חברות תקשורת פונות לבינה מלאכותית כגורם מפתח לחדשנות, יעילות תפעולית וחוויית לקוח משופרת.

אריקסון מאמינה [1], שבינה מלאכותית תביא ערך חסר תקדים לתעשיות, כולל טלקומוניקציה. עבור מפעילי רשתות, בינה מלאכותית תביא הזדמנויות לייעל את פעילות הרשת, לשפר את חוויית הלקוח, להפחית עלויות, לתרום לפיתוח בר-קיימא, ליצור זרמי הכנסה חדשים וכו'.

גרטנר [2] ערכה סקר וסיווגה 29 טכנולוגיות הקשורות לבינה מלאכותית ל-5 קבוצות: טכנולוגיית ליבה של בינה מלאכותית, טכנולוגיה מבוססת GenAI; טכנולוגיית בינה מלאכותית ממוקדת נתונים; טכנולוגיית אמון של בינה מלאכותית. מגמת פריסת טכנולוגיות מבוססות GenAI צפויה לעלות בחדות ב-1-3 השנים הקרובות.

חברות תקשורת רואות ב-GenAI נקודת מפנה, כוח מניע רב עוצמה התורם לפריצות דרך בהכנסות, חיסכון בעלויות ושינוי מהותי של חוויית שירות המשתמש. מפעילי רשתות רבים רואים ב-GenAI מוקד מרכזי באסטרטגיית הבינה המלאכותית שלהם.

מדידת ההשפעה הכלכלית של בינה מלאכותית/GenAI

מדידת ההשפעה הכלכלית של בינה מלאכותית על תעשיית התקשורת אינה משימה קלה, שכן מקרי השימוש הפוטנציאליים רחבים ומגוונים והערכות שווי השוק משתנות מאוד ממקורות שונים. עם זאת, מפעילים רבים מסכימים כי היתרונות של בינה מלאכותית לעסקי חברות התקשורת הם משמעותיים. לדוגמה [4]:

- קיצוצי עובדים ומשרות עקב בינה מלאכותית ואוטומציה. BT (בריטניה) מעריכה כי היא עשויה לקצץ 10,000 משרות עד 2030 על ידי מינוף דיגיטציה ואוטומציה.

- לייצר הכנסות חדשות על ידי השקת מוצרים מבוססי בינה מלאכותית. SK Telecom (דרום קוריאה) מאמינה שהיא יכולה לייצר הכנסות הקשורות לבינה מלאכותית של עד 25,000 מיליארד וון קוריאני (כ-18.5 מיליארד דולר) עד 2028.

- סיוע בחיסכון בעלויות או בהגדלת הכנסות. מקינזי מעריכה ש-GenAI יכולה ליצור ערך מוסף של עד 100 מיליארד דולר עבור מגזר התקשורת.

מפעילים מודדים את היתרונות של כל מקרה שימוש בבינה מלאכותית על סמך שני היבטים: פיננסיים (חיסכון בזמן (ניתן לכימות), חיסכון בעלויות, עלייה בהכנסות) והיבטים שאינם פיננסיים (שביעות רצון עובדים, שביעות רצון לקוחות, חיסכון זמן קטן וקשה לכימות, קיימות).

היכן מיושמת בינה מלאכותית בחברות תקשורת וכיצד ליישם אותה

ספקי שירותי תקשורת רואים בבינה מלאכותית עדיפות אסטרטגית שיש ליישם במשימות ובמחלקות הקשורות לניתוח נתונים. עם זאת, ההתפרצות האחרונה של GenAI העלתה כמה נקודות מבט על יישום הבינה המלאכותית בחברות תקשורת, בפרט, כדלקמן:

תחומי יישום של בינה מלאכותית בתקשורת:

בינה מלאכותית היא כלי חדשני, ולכן בינה מלאכותית צריכה להיות זמינה לכל צוות משימה בחברה.

+ יש לעשות כל מאמץ כדי להפוך את הבינה המלאכותית לקלה לשימוש, אפילו עבור קבוצות בעלות יכולות טכנולוגיות נמוכות.

+ יחידות ייעודיות לבינה מלאכותית צריכות להיות מסוגלות להבין שיטות עבודה מוצלחות של יישום מקרי שימוש של בינה מלאכותית ולבנות מודלים ושיטות מתאימים ליישום מחדש של מקרי שימוש אלה ברחבי הארגון.

+ דמוקרטיזציה של הגישה לבינה מלאכותית צריכה להיות מלווה ביישום גישות חדשות של FinOps עבור בינה מלאכותית לניהול סיכוני העלויות הכרוכים באימוץ בינה מלאכותית

+ יש לפתח וליישם תוכנית לממשל בינה מלאכותית כדי להפחית את הסיכון לעלויות בלתי מבוקרות ולעודד את השימוש והניסויים בבינה מלאכותית.

פריסת בינה מלאכותית בחברות תקשורת

בניית משרת CXO בתחום הבינה המלאכותית (AI) בעלת מומחיות וסמכות להניע פיתוח יישומי ומוצרי בינה מלאכותית (למשל, מונה סטיב ג'ארט למנהלי בינה מלאכותית ראשיים (CAIOs) ב-Orange Innovation, 12/2023; דיפיקה אדוסומילי, 10/2023 ב-BT; צ'ונג סוק-גואן ב-SK Telecom).

הקמת חברת בת לפיתוח בינה מלאכותית , לדוגמה Proximus Ada היא חברת בת של מפעילת הרשת Proximus (בלגיה) המתמקדת במיוחד בפיתוח יכולות אבטחת סייבר ובינה מלאכותית כדי לשרת את הדרישות הפנימיות של Proximus ולספק שירותים ללקוחות B2B.

הפרדת פונקציות פנימיות של בינה מלאכותית ופונקציות הפונות ללקוחות. במקום לבנות ארגון בינה מלאכותית מרכזי, טלפוניקה החליטה לפצל אותו לשתי חטיבות: תובנות לקוחות וחדשנות; רשתות, מערכות IT וטרנספורמציה דיגיטלית פנימית (CDS) לכיוון בינה מלאכותית.

חלוקת האחריות הזו מעניינת במיוחד מכיוון ש-GenAI מתמקדת יותר בלקוח מאשר בפונקציות רשת, בעוד שבינה מלאכותית חיזוי הופכת יותר ויותר לטכנולוגיה המשמשת למטרות אוטומציה של רשתות.

בינה מלאכותית כפונקציה עסקית חדשה. לדוגמה, צ'יינה מובייל ו-SK טלקום משקיעות רבות בבינה מלאכותית כדי לספק מוצרים ושירותים חדשים. המיקוד של שתי הספקיות הוא לבנות מודל שפה גדול (LLM) משלהן עם הפתרונות והתכונות הטובים ביותר, ולמכור גישה לארגונים (DNs) ולספקיות אחרות.

הקמת מרכז מצוינות (CoE) בתחום הבינה המלאכותית.

בסקר של TMFrum (2023) [4], 53% מהמפעילים אמרו כי הקימו מרכז מומחיות לבינה מלאכותית. אך הגודל, ההיקף והתפקיד המדויקים של מרכז מומחיות לבינה מלאכותית משתנים באופן משמעותי. לדוגמה, ל-Vodafone Ziggo (הולנד) יש מרכז מומחיות לבינה מלאכותית המאגד את מומחי מדעי הנתונים של החברה.

לטלפוניקה יש מרכז פיתוח עולמי לבינה מלאכותית, המנוהל על ידי חטיבת הרשתות וה-IT, המתמחה בארכיטקטורת נתונים ובינה מלאכותית כדי לשרת את המטרה של מעבר למודל נתונים משותף ולחקור טכנולוגיות ופתרונות של בינה מלאכותית.

ל-e& (המזרח התיכון) יש מרכז ידע שבו לכל מחלקה/פונקציה מרכזית יש נציג, ומשילות בינה מלאכותית נמצאת בחזית המשימה להבטיח שמקרי שימוש מוצלחים בבינה מלאכותית ייחקרו ויושמו על פני מחלקות שונות.

בינה מלאכותית כפונקציית פלטפורמה. חלק מהספקים בנו - או בונים - פלטפורמות בינה מלאכותית שנועדו להפוך אותה לנגישה לחלקים שונים של הארגון.

לדוגמה, ל-Vodafone יש פלטפורמת בינה מלאכותית המספקת גם כלים לשירות עצמי וחומרי הדרכה לצוותים שונים לבניית מקרי שימוש משלהם. ל-SK Telecom יש פלטפורמת בינה מלאכותית המעניקה לכל הארגון גישה לתוכנית הלימודים הלומדת (LLM) ש-SKT מפתחת.

ניהול בינה מלאכותית

דרישות ניהול בינה מלאכותית. דרישות ניהול רבות עבור בינה מלאכותית הן חלק מתוכניות ניהול נתונים קיימות. עם זאת, יש צורך באמצעי הגנה נוספים ספציפיים לבינה מלאכותית כדי להבטיח שכלים ומערכות של בינה מלאכותית יישארו בטוחים ואתיים. ישנם שני סוגים של תוכניות ניהול בינה מלאכותית:

- תוכנית הממשל החיצוני נועדה להגן על יחידים וארגונים מחוץ לחברה.

- תוכניות ממשל פנימיות נועדו להגן על העובדים ולהבטיח כי בינה מלאכותית תיפרס בהצלחה ובת קיימא ברחבי הארגון.

תוכניות ממשל שמטרתן להגן על אנשים וארגונים מחוץ לחברה נוטות להיות מקודדות ונורמטיביות. לדוגמה, האיחוד האירופי (EU) העביר את חוק הבינה המלאכותית בדצמבר 2023, שייכנס לתוקף בשנת 2025, וארצות הברית הוציאה צו נשיאותי בנושא בינה מלאכותית באוקטובר 2023.

תקנות ממשלתיות מחמירות יותר יכולות לסייע לחברות תקשורת לפתח טכנולוגיות ויכולות שניתן להפיק מהן רווחים בחו"ל, במיוחד במדינות עם תקנות מחמירות בנוגע לריבונות נתונים.

לדוגמה, צ'יינה מובייל מאמינה שהשיטות בהן היא משתמשת כדי לעמוד בחוקי בינה מלאכותית יכולות לסייע בפיתוח טכנולוגיות אבטחה שהיא יכולה להציע ללקוחותיה. סוויסקום מתנסה בבניית תשתית בינה מלאכותית משלה ופיתוח מומחיות פנימית בה היא יכולה להשתמש כדי ליצור ערך ופתרונות חדשים בעסקי שירותי ה-IT שלה.

הופעתה של GenAI מובילה גם לצורך בשיפור הממשל הפנימי של הבינה המלאכותית: הגדלת ההיקף; ניהול עלויות; הגנה על הארגון מפני ההשלכות של שימוש בתוצאות לא מדויקות; הפחתת הסיכון לחוב טכני; הגנה מפני הסיכון של "שחיתות" בנתוני מודל הכשרת תואר שני (LLM); הגנה על הארגון מפני הפרת קניין רוחני (IP)/זכויות יוצרים.

סיכונים של יישום בינה מלאכותית בארגונים

סקר TMforum 2023 על הסיכונים של יישום GenAI בחברות טלקום כולל:

3.1. משאבי אנוש לבינה מלאכותית

בכל הנוגע לגיוס כישרונות בתחום הבינה המלאכותית, רוב חברות התקשורת נמצאות בעמדת נחיתות בהשוואה לחברות טכנולוגיה, במיוחד בגיוס כישרונות צעירים. חברות טכנולוגיה מציעות בדרך כלל משכורות טובות יותר, התקדמות קריירה מהירה יותר ותרבות ארגונית גמישה משמעותית.

סקר של פורום TM על צורכי משאבי אנוש בחברות טלקום לפי התמחות [4] מראה כי מיומנויות של בינה מלאכותית/למידת מכונה, ניתוח נתונים ואוטומציה מבוקשות מאוד (64%, פחות מאשר אבטחה עם 69%).

מבחינת הקושי של הכישורים שחברות התקשורת יכולות לגייס, 59% מהנשאלים אמרו שאנשי מדעי הנתונים/ניתוח הנתונים ואנשי בינה מלאכותית/למידה אלקטרונית הם הקשים ביותר לגיוס (שניים רק לאבטחה עם 63%).

בכנס MWC 2024, חברת Korea Telecom (קוריאה) הודיעה כי תגייס עד 1,000 מומחים בתחום הבינה המלאכותית והדיגיטל השנה, במטרה להפוך לחברת AICT - בינה מלאכותית ו-ICT. במקביל, KT גם הגדילה את ההכשרה הפנימית שלה במיומנויות בינה מלאכותית כדי לשנות לחלוטין את ה-DNA של KT לכיוון הבינה המלאכותית.

צ'יינה מובייל הקימה את ג'יוטיאן בשנת 2019 כפלטפורמה שתתמוך בשאיפה שלה להפוך לספקית תקשורת אוטומטית ביותר עד 2025. פלטפורמת הבינה המלאכותית ניתנת לגישה על ידי מפתחים חיצוניים דרך ממשקי API פתוחים. עד אוקטובר 2023, צ'יינה מובייל פיתחה תואר ראשון במשפטים משלה כחלק מג'יוטיאן. החברה החלה עם 20 מהנדסי בינה מלאכותית בלבד, וכעת מעסיקה 600 מהנדסי בינה מלאכותית, והיא מתכננת להגיע ל-1,000 עד סוף 2024.

וודאפון עובדת עם היפר-סקיילרים עבור פלטפורמת הבינה המלאכותית שלה, אך עדיין זקוקה למיומנויות AIOps כמו גם לניתוח נתונים, אוטומציה, ענן ופלטפורמות. וודאפון מושכת כישרונות על ידי גיוס עובדים במשרה מלאה.

אשיש יאדב, מנהל בכיר בקפג'מיני, אמר כי חברות הטלקום מחפשות יותר ויותר כישרונות בכירים בתחום הענן והבינה המלאכותית ברמת הארכיטקט באמצעות חברות אינטגרציה של מערכות, כצורה של מיקור פנים. ניתן לפרש את ההגדרה של מיקור פנים בדרכים רבות ושונות, אך בהקשר זה, חברות הטלקום "מתייחסות" לכישרונות הבכירים של חברת השותפה כאל חברים בצוות העבודה של חברת הטלקום.

רוב חברות הטלקום גם מגבירות את קצב ההכשרה וההכשרה מחדש כדי לאתר באופן יזום כישרונות בתחום הבינה המלאכותית לפי דרישה. למעשה, גישה זו יכולה להיות חסכונית יותר מגיוס כישרונות חדשים, והיא מיושמת יותר ויותר על כל שאר הכישורים שקשה לגייס.

בסקר של TMForum על מה שספקי חברות צריכים לעשות כדי לנצל ביעילות בינה מלאכותית ולמידת מכונה, 60% מהנשאלים אמרו כי להכשרת עובדים קיימים במגוון מיומנויות בינה מלאכותית יש השפעה רבה, בעוד 39% אמרו שיש לה השפעה משמעותית.

לפי McKinsey & Company, GenAI מאלצת מפעילים לפתח מומחיות בבינה מלאכותית באופן פנימי, ובמקביל דורשת מיומנויות חדשות מהמשתמשים, כגון הנדסה מהירה - היכולת לשאול שאלות כדי לקבל את התגובה הטובה ביותר מתואר שני במשפטים. מפעילים צריכים גם להעסיק מהנדסי נתונים ומומחי תחום "שמבינים אילו נתונים לאסוף וכיצד לאסוף אותם, כמו גם ניטור והערכת איכות של צורות חדשות של נתונים שנוצרו ומשמשות מערכות GenAI . "

3.2. מוכנות נתונים ליישומי בינה מלאכותית

ארכיטקטורה מונעת נתונים היא המפתח לשמירה על דיוק ועקביות ברחבי הרשת. שימוש במודל נתונים משותף מבטיח זרימת נתונים בצורה חלקה בכל המערכות ומוגשת בצורה מדויקת בכל זרימות העבודה האוטומטיות.

בינה מלאכותית זקוקה לנתונים, וניתוח נתונים זקוק לבינה מלאכותית. מפעילים רבים מתמודדים כיום עם אתגרים משמעותיים בפיתוח אסטרטגיות נתונים קוהרנטיות לניצול מלא של טכנולוגיית בינה מלאכותית. מפעילים בשלבים המוקדמים של ניסויים בבינה מלאכותית עשויים לזלזל בדרישות הנדרשות, במיוחד מבחינת נתונים, כדי לפרוס בהצלחה בינה מלאכותית בקנה מידה גדול.

לחברות תקשורת רבות חסרה אסטרטגיה מגובשת המאפשרת זרימה אופקית של נתונים ברחבי הארגון בהתאם למודל נתונים יחיד.

כמה אתגרים ספציפיים בהכנת נתונים לבינה מלאכותית:

קיים מחסור בנתונים נקיים, ברורים, עקביים וניתנים לפעולה שניתן ליישם על חלקים שונים של העסק, החל מרשת ועד אספקת שירותים וחוויית לקוח. זה קריטי לכל התהליכים סביב ביצוע מונחה נתונים ומונע בינה מלאכותית.

היעדר מודל נתונים משותף (נתונים נאספים כיום מספקים מרובים) גורם לאיסוף זמן רב ביותר של נתונים מובנים ולא מובנים.

חוסר בהקשר של נתונים, וחוסר ידיעה מלאה כיצד, מתי, היכן ולאילו מטרות נאספים הנתונים, הוא מכשול משמעותי במיוחד שחברות התקשורת חייבות להתגבר עליו אם הן רוצות לפרוס את GenAI או כל סוג אחר של מודל למידת מכונה.

מפעילים רואים את הערך של נתונים ומגבירים את השקעותיהם בניתוח נתונים. אומדיה מעריכה שעד שנת 2025, מפעילים גלובליים ישקיעו כ-2.5 מיליארד דולר בניתוח נתונים.

למעשה, הזמן וההשקעה הנדרשים לאיסוף, ניקוי, טרנספורמציה ואחסון נתונים בפורמט הנכון גבוהים לעיתים קרובות באופן לא פרופורציונלי מהזמן שלוקח להשתמש בנתונים אלה. תהליך יצירת אגמי נתונים ומחסני נתונים נמשך כבר שנים, אך הוא עדיין לא נתן לספקיות את היכולת לפרוס בינה מלאכותית בקנה מידה גדול ברחבי הארגונים שלהן.

הופעתם של חידושים ואנליטיקה מבוססי בינה מלאכותית הובילה לצורך ולדרישה לשימוש מגוון וגמיש יותר בנתונים, לדוגמה:

- בינה מלאכותית/למידת מכונה דורשת כמויות עצומות של נתונים כדי לאמן מודלים

- נדרשים מערכי נתונים מגוונים וסוגי נתונים מרובים כדי להבטיח תוצאות בינה מלאכותית אובייקטיביות

- הוספת שכבות נתונים כדי לשפר את דיוק המודל ואת השפעת היישום

- יש לאמן מודלים באופן רציף עם המידע העדכני ביותר כדי לשמור על ביצועי חיזוי, במיוחד בסביבות דינמיות

- נתונים חייבים להיות זמינים בזמן אמת עבור פונקציות עסקיות קריטיות, בעיקר בסביבות אינטראקטיביות מאוד

הופעתה של GenAI נתנה למפעילים את ההזדמנות למנף את כמות הנתונים הלא מובנים הגדולה הזמינה, אך יש לתייג ולנקות נתונים אלה לפני הזנתם ל-LLM.

כדי להתקדם משמעותית בתחום הבינה המלאכותית מנקודת מבט של נתונים, מפעילים צריכים לבצע שינוי מקיף באופן שבו הם ניגשים לנתונים ש"זורמים" דרך המערכת, ולפעמים שינוי בתרבות הארגונית. הגורם המרכזי הוא בניית מודל נתונים משותף ויצירת מקור אמת יחיד.

בניית מקור אמת יחיד היא משימה מורכבת ביותר שעד כה הייתה מעבר ליכולותיהם של רוב המפעילים עקב פיצול הנתונים. BT, דויטשה טלקום וטלפוניקה נקטו צעדים לטפל בכך על ידי העברת כל הנתונים שלהן לענן הציבורי. לדוגמה, בשנתיים האחרונות, BT העבירה יותר מ-90% מהנתונים שלה לפלטפורמת הענן של גוגל.

ארכיטקטורת בינה מלאכותית, בנייה, קנייה והרחבה

ישנן נקודות דמיון רבות בין בינה מלאכותית/GenAi לבין מחשוב ענן, בעיקר השינוי הטכנולוגי והדומיננטיות של היפר-קאלרים. מפעילי רשתות מתמודדים עם אותה בעיה, אותה שאלה כמו בינה מלאכותית וענן: מה לקנות ומה לבנות?

הגישה של ספקיות תקשורת לבינה מלאכותית מעוצבת במידה רבה על ידי עקרונות הליבה של ארכיטקטורה פתוחה ויכולת הרכבה. עומר אחמד חאן מדויטשה טלקום אומר שרוב פרויקטי הבינה המלאכותית של החברה כוללים שילוב של רכיבי בנייה ורכישה, "לדויטשה טלקום יש אסטרטגיית בנייה ורכישה היברידית, וחלק הרכישה מעולם לא כלל רכישת פתרון מוכן ומלא".

מפעילים סבורים שמוקדם מדי לשקול בינה מלאכותית כחלק מארכיטקטורת הארגון שלהם או כחלק מארכיטקטורת הייחוס שלהם. חלק מהמפעילים בעלי חזון ואסטרטגיה ברורים לשילוב בינה מלאכותית בארכיטקטורת הארגון העתידית שלהם מזהים גם אתגרי יישום הקשורים ספציפית לאנשים, לכלים וליכולות הדרושים כדי לספק תוצאות יעילות ותשואה ברורה על ההשקעה.

ניתן לראות בתיעוש תוכנה פרקטיקה טובה לתיעוש בינה מלאכותית על ידי העברת נתונים לעננים ציבוריים והנגשת הנתונים בזמן אמת. מנהל מערכות מידע ראשי של חברת תעופה בדרום מזרח אסיה תיאר את התהליך בו נקטה החברה לתיעוש בינה מלאכותית כ"מפעל נתונים". "זה צמצם משמעותית את הזמן והעלות של ייצור בינה מלאכותית", אמר.

"לפני שנתיים, עלות ייצור הבינה המלאכותית הייתה גבוהה מאוד. יצירת מודל בינה מלאכותית לקחה שישה עד שמונה חודשים. כיום זה לוקח רק כמה ימים. אפשר להריץ את כל המחזור הרבה יותר מהר ועם פחות אנשים."

תרגול בכמה ספקים:

צ'יינה מובייל: רכשה חומרה ובנתה מרכז נתונים משלה, כולל יחידות עיבוד גרפיות (GPU) ומאיצים, כחלק מפרויקט Jiutian LLM.

ג'יו: Reliance Industries, חברת האם של חברת הטלקום ההודית ג'יו, חברה ל-Nvidia לבניית תשתית מחשוב-על עבור בינה מלאכותית. Reliance שואפת לספק תשתית בינה מלאכותית למדענים, מפתחים וסטארט-אפים ברחבי הודו וליצור יישומים ושירותים של בינה מלאכותית עבור 450 מיליון לקוחותיה של ג'יו.

ההחלטה היכן לפרוס בינה מלאכותית בענן ציבורי או בענן פרטי היא גם בעיה עבור חברות תקשורת ותלויה במידה רבה בהיקף הפריסה. לפריסת בינה מלאכותית בענן ציבורי יש יתרון של משאבי מחשוב רבים, כוח וחומרה מיוחדת הנדרשים לעיבוד אלגוריתמים מורכבים וכמויות גדולות של נתונים, אולם העלות יכולה להפוך לבעיה אם המפעיל משתמש בענן הציבורי רק לעיבוד כמויות גדולות של נתונים.

ההחלטה להשתמש בענן פרטי עבור GenAI נחשבת על ידי מפעילים רבים כבלתי ישימה אלא אם כן המפעיל בונה לעצמו תוכנית ניהול משפטי (LLM) - כמו במקרה של צ'יינה מובייל, סופטבנק ו-SK טלקום באסיה ודויטשה טלקום באירופה. מפעילים נוטים לתעדף את הענן הציבורי לצורך בדיקות ובניית MVP עבור מקרי שימוש בבינה מלאכותית.

ככל שספקיות תקשורת יגדילו את השימוש שלהן בבינה מלאכותית, הדבר יוביל בהכרח למערכות יחסים עמוקות יותר.

- Softbank: חברה ל-Nvidia לבניית מרכזי נתונים (TTDL) המיועדים לאירוח יישומים של GenAI ויישומים אלחוטיים. ה-TTDL החדש יטפל בעומסי עבודה של בינה מלאכותית ו-5G כאחד.

- SK Telecom: רודפת אחר הביקוש למרכזי נתונים מבוססי בינה מלאכותית כחלק משאיפותיה הרחבות יותר של SKT בתחום הבינה המלאכותית. מנהל הכספים יאנג-סוב קים אמר כי SKT מתכננת "לחזק עוד יותר את עסקי מרכזי הנתונים שלה, תוך התמקדות במרכזי נתונים מבוססי בינה מלאכותית מהדור הבא ובהתרחבות עולמית".

NTT משקיעה 1.5 טריליון ין (כ-12 מיליארד דולר) בחמש השנים הקרובות כדי להרחיב ולשדרג את עסקי מרכזי הנתונים שלה ברחבי העולם כדי לעמוד בביקוש הגובר לנתונים הקשורים לשימוש ב-GenAI, יחד עם טכנולוגיות אחרות.

ההחלטה היכן לפרוס בינה מלאכותית בענן ציבורי או בענן פרטי היא גם בעיה עבור חברות תקשורת ותלויה במידה רבה בהיקף הפריסה. לפריסת בינה מלאכותית בענן ציבורי יש יתרון של משאבי מחשוב רבים, כוח וחומרה מיוחדת הנדרשים לעיבוד אלגוריתמים מורכבים וכמויות גדולות של נתונים, אולם העלות יכולה להפוך לבעיה אם המפעיל משתמש בענן הציבורי רק לעיבוד כמויות גדולות של נתונים.

ההחלטה להשתמש בענן פרטי עבור GenAI נחשבת על ידי מפעילים רבים כבלתי ישימה אלא אם כן המפעיל בונה לעצמו תוכנית ניהול משפטי (LLM) - כמו במקרה של צ'יינה מובייל, סופטבנק ו-SK טלקום באסיה ודויטשה טלקום באירופה. מפעילים נוטים לתעדף את הענן הציבורי לצורך בדיקות ובניית MVP עבור מקרי שימוש בבינה מלאכותית.

ככל שספקיות תקשורת מגבירות את השימוש שלהן בבינה מלאכותית, הדבר יוביל בהכרח למערכות יחסים עמוקות יותר עם המעצמות - Amazon Web Services, Microsoft Azure ו-Google Cloud.

הפניות:
1. פוטנציאל עסקי של בינה מלאכותית: הבנת הערך של בינה מלאכותית עבור
פעילות טלקום. https://www.ericsson.com/4ac6ca/
נכסים/מקומיים/דוחות-ניירות/תובנות-נוספות/מסמך/איי-
פוטנציאל עסקי.pdf
[2]. מכ"ם השפעה של טכנולוגיה מתפתחת: בינה מלאכותית, גרטנר, 19 בינואר 2024 מזהה G00796195
[3]. בינה מלאכותית גנרטיבית: מפעילים עושים את צעדיהם הראשונים, TMforum 2023
[4]. בניית אסטרטגיית בינה מלאכותית - חברות תקשורת הניחה את היסודות,
פורום TM 3 במרץ, 2024
[5]. https://intellias.com/ai-in-telecommunications/
[6]. https://www.alliedmarketresearch.com/ai-in-
שוק-התקשורת-A09352
[7]. בינה מלאכותית מדורית בתקשורת, ממצאים מרכזיים מחברת התקשורת GenAI של Omdia
סקר ספקי שירותים באומדיה 2024
[8] https://www.xenonstack.com/enterprise-generative-ai/
טלקום/
[9]. לאן הבינה המלאכותית הולכת? נוקיה https://www.nokia.com/thought-
מנהיגות/מאמרים/בינה מלאכותית/לאן הולכת הבינה המלאכותית/
[10]. בינה מלאכותית של אריקסון טלקו, מסמך פנימי

(פורסם בגיליון המודפס של מגזין מידע ותקשורת מס' 8, אוגוסט 2024)

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