Milyen mesterséges intelligencia stratégiákat alkalmaznak a távközlési hálózatok üzemeltetői?

A szolgáltatók hatalmas, kihasználatlan adathalmazon élnek. A mesterséges intelligencia ezeket az adatokat termékeny talajjá alakítja át új szolgáltatások fejlesztéséhez, a meglévő szolgáltatások minőségének javításához, az ügyfélélmény fokozásához és az üzleti műveletek egyszerűsítéséhez.

Nguyen Van Yen, a VNPT igazgatótanácsának tagja

Összefoglalás:
-Adatok és mesterséges intelligencia a telekommunikációban: A hálózatüzemeltetők nagy mennyiségű adatot tárolnak, amelyeket nem használnak fel megfelelően. A mesterséges intelligencia segíthet az adatok olyan eszközökké alakításában, amelyek javítják a szolgáltatásokat és optimalizálják az üzleti működést.
- MI alkalmazási trendek: Az 5G és az IoT fejlődése arra késztette a szolgáltatókat, hogy 2016 óta a mesterséges intelligenciára összpontosítsanak. A GenAI az utóbbi időben stratégiai eszközzé vált, különösen az OpenAI ChatGPT elindítása után.
- A mesterséges intelligencia gazdasági előnyei: A mesterséges intelligencia várhatóan nagy értéket teremt a szolgáltatók számára, beleértve a költségek csökkentését és az új bevételi források létrehozását. A McKinsey becslései szerint a GenAI 100 milliárd dollárt hozhat a telekommunikációs iparágnak.
- MI alkalmazása a szervezetben: A mesterséges intelligenciát a szervezet minden szintjén alkalmazni kell, az adatelemzéstől az adminisztratív funkciókig. Számos szolgáltató hozott létre dedikált MI-egységeket és MI-kiválósági központokat.
- Kockázatok a mesterséges intelligencia alkalmazásában: A hálózatüzemeltetők szembesülnek a mesterséges intelligencia humánerőforrás-toborzásának, az adatkezelésnek és a mesterséges intelligencia telepítésének biztonságának garantálásával kapcsolatos kihívásokkal. A mesterséges intelligencia irányítása fontos tényező a sikeres és fenntartható telepítés biztosításában.
- Adatok előkészítése mesterséges intelligenciára: A mesterséges intelligencia hatékony alkalmazásához az üzemeltetőknek tiszta, konzisztens adatokat kell előkészíteniük, és közös adatmodellt kell biztosítaniuk. Az adatgyűjtés és -feldolgozás nagy kihívást jelent, amely jelentős beruházásokat igényel az adatelemzésbe és -kezelésbe.

A mesterséges intelligencia alkalmazásának állapota a telekommunikációban

Az 5G technológia térnyerése, az IoT és a big data folyamatosan növekvő mennyisége azok a tényezők, amelyek arra ösztönzik a távközlési szolgáltatókat, hogy a mesterséges intelligencia felé fordítsák figyelmüket. Néhány nagy, ambiciózus szolgáltató 2016-ban és 2017-ben kezdte el alkalmazni a mesterséges intelligenciát, és 2019-2020-ra a távközlési szektor világszerte a szolgáltatók körében erőteljesen elterjedt a mesterséges intelligencia. Az elmúlt 12-15 hónapban (az OpenAI és a Chat GPT bevezetése óta) a GenAI-ról alkotott kép a mesterséges intelligencia alapú tartalomkészítő eszközből stratégiai platformmá bővült, és gyorsan szinte minden távközlési szolgáltató gondolkodásának középpontjává válik világszerte.

Az Allied piackutatási jelentése [6] a mesterséges intelligencia távközlési piacán 2022-ben a következőket állítja: „A globális mesterséges intelligencia telekommunikációs piacának mérete 2021-ben 1,2 milliárd USD-re becsülhető, és várhatóan eléri a 38,8 milliárd USD-t 2031-re, ami 41,4%-os éves összetett növekedési ütemmel (CAGR) járul hozzá a növekedéshez 2022 és 2031 között.” A távközlési vállalatok (telcos) a mesterséges intelligenciához fordulnak, mint az innováció, a működési hatékonyság és a jobb ügyfélélmény kulcsfontosságú előmozdítójához.

Az Ericsson úgy véli [1], hogy a mesterséges intelligencia példátlan értéket teremt majd az iparágak, beleértve a telekommunikációt is, számára. A hálózatüzemeltetők számára a mesterséges intelligencia lehetőségeket teremt a hálózati működés optimalizálására, az ügyfélélmény javítására, a költségek csökkentésére, a fenntartható fejlődéshez való hozzájárulásra, új bevételi források létrehozására stb.

A Gartner [2] felmérést végzett, és 29 mesterséges intelligenciával kapcsolatos technológiát 5 csoportba sorolt: MI-alaptechnológia, GenAI-alapú technológia; Adatközpontú MI-technológia; MI-bizalmi technológia. A GenAI-alapú technológiák bevezetésének trendje várhatóan meredeken fog növekedni a következő 1-3 évben.

A telekommunikációs vállalatok fordulópontnak tekintik a GenAI-t, egy erőteljes hajtóerőnek, amely hozzájárulhat a bevételi áttörésekhez, a költségmegtakarításhoz és alapvetően megváltoztathatja a felhasználói élményt. Számos hálózatüzemeltető a GenAI-t kulcsfontosságú fókuszpontnak tekinti mesterséges intelligencia stratégiájában.

A mesterséges intelligencia/GenAI gazdasági hatásának mérése

A mesterséges intelligencia gazdasági hatásának mérése a telekommunikációs iparágra nem könnyű feladat, mivel a lehetséges felhasználási esetek széleskörűek és változatosak, a piaci értékbecslések pedig nagymértékben eltérnek a különböző forrásokból származó adatoktól. Számos szolgáltató azonban egyetért abban, hogy a mesterséges intelligencia jelentős előnyökkel jár a telekommunikációs üzletág számára. Például [4]:

- Munkahelyek és munkaerő-leépítés a mesterséges intelligencia és az automatizálás miatt. A BT (Egyesült Királyság) becslései szerint 2030-ig 10 000 munkahelyet szüntethet meg a digitalizáció és az automatizálás kihasználásával.

- Új bevételek generálása mesterséges intelligenciával támogatott termékek bevezetésével. Az SK Telecom (Dél-Korea) úgy véli, hogy 2028-ra akár 25 000 milliárd KRW (körülbelül 18,5 milliárd USD) mesterséges intelligenciával kapcsolatos bevételt is generálhat.

- Segíthet a költségek megtakarításában vagy a bevételek növelésében. A McKinsey becslései szerint a GenAI akár 100 milliárd dollárnyi hozzáadott értéket is teremthet a telekommunikációs szektorban.

Az üzemeltetők két szempont alapján mérik az egyes mesterséges intelligencia használati esetek előnyeit: pénzügyi (időmegtakarítás (számszerűsíthető), költségmegtakarítás, megnövekedett bevétel) és nem pénzügyi (alkalmazotti elégedettség, ügyfél-elégedettség, kis és nehezen számszerűsíthető időmegtakarítás, fenntarthatóság) szempontok alapján.

Hol alkalmazzák a mesterséges intelligenciát a telekommunikációban, és hogyan valósítják meg a mesterséges intelligenciát?

A szolgáltatók stratégiai prioritásként kezelik a mesterséges intelligenciát az adatelemzéssel kapcsolatos feladatok és részlegek esetében. A GenAI közelmúltbeli robbanásszerű térnyerése azonban néhány perspektívát vetett fel a mesterséges intelligencia telekommunikációs alkalmazásával kapcsolatban, különösen az alábbiak szerint:

- MI alkalmazási területek a telekommunikációban:

- A mesterséges intelligencia egy innovatív eszköz, ezért a vállalat minden munkacsoportja számára elérhetővé kell tenni.

+ Minden erőfeszítést meg kell tenni annak érdekében, hogy a mesterséges intelligencia könnyen használható legyen, még az alacsony technológiai képességekkel rendelkező csoportok számára is.

+ A mesterséges intelligenciával foglalkozó egységeknek képesnek kell lenniük megérteni a sikeres mesterséges intelligencia használati esetek megvalósítási gyakorlatait, és megfelelő modelleket és módszereket kell kidolgozniuk ezen használati esetek szervezeten belüli újbóli alkalmazására.

+ A mesterséges intelligenciához való hozzáférés demokratizálását új FinOps megközelítések bevezetésével kell kísérni a mesterséges intelligencia bevezetésének költségkockázatainak kezelése érdekében.

+ Ki kell dolgozni és végre kell hajtani egy mesterséges intelligencia irányítási programot az ellenőrizetlen költségek kockázatának csökkentése, valamint a mesterséges intelligencia használatának és kísérletezésének ösztönzése érdekében.

- Mesterséges intelligencia bevezetése a telekommunikációban

Hozz létre egy CXO mesterséges intelligencia fejlesztő pozíciót, amely szakértelemmel és hatáskörrel rendelkezik a mesterséges intelligencia alkalmazások és termékek fejlesztésének irányítására (pl. Steve Jarrett kinevezése mesterséges intelligencia vezérigazgatóvá (CAIO) az Orange Innovationnál, 2023.12.; Deepika Adusumilli, 2023.10. a BT-nél; Chung Suk-guen az SK Telecomnál).

Leányvállalat létrehozása mesterséges intelligencia fejlesztésére , például a Proximus Ada a Proximus (Belgium) hálózatüzemeltető leányvállalata, amely kifejezetten a kiberbiztonság és a mesterséges intelligencia képességeinek fejlesztésére összpontosít, hogy kielégítse a Proximus belső igényeit és szolgáltatásokat nyújtson a B2B ügyfeleknek.

A belső mesterséges intelligencia és az ügyfelekkel kapcsolatos mesterséges intelligencia funkciók szétválasztása. A központosított mesterséges intelligencia szervezet kiépítése helyett a Telefónica úgy döntött, hogy két részlegre osztja azt: Ügyfélinformációk és innováció; Hálózatok, IT-rendszerek és belső digitális átalakulás (CDS) a mesterséges intelligencia felé.

Ez a felelősségmegosztás különösen érdekes, mivel a GenAI inkább az ügyfélközpontúságra, mint a hálózati funkciókra összpontosít, miközben a prediktív mesterséges intelligencia egyre inkább a hálózati automatizálási célokra használt technológiává válik.

A mesterséges intelligencia, mint új üzleti funkció. Például a China Mobile és az SK Telecom jelentős összegeket fektet be a mesterséges intelligenciába új termékek és szolgáltatások biztosítása érdekében. Mindkét szolgáltató célja, hogy kiépítse saját nagyméretű nyelvi modelljét (LLM) a legjobb megoldásokkal és funkciókkal, és hozzáférést értékesítsen vállalatoknak (DN) és más szolgáltatóknak.

Mesterséges Intelligencia Kiválósági Központ (CoE) létrehozása.

Egy TMFrum (2023) felmérésben [4] a szolgáltatók 53%-a nyilatkozott úgy, hogy létrehozott egy MI Kiválósági Központot (MI CoE). Azonban a MI Kiválósági Központok pontos mérete, hatóköre és szerepe jelentősen eltér. Például a Vodafone Ziggo (Hollandia) rendelkezik egy olyan MI Kiválósági Központtal, amely a vállalat adattudományi szakértőit ​​tömöríti.

A Telefónica globális MI Kiválósági Központtal rendelkezik, amelyet a Hálózatok és IT részleg kezel, és amely az adatokra és a MI architektúrára specializálódott, hogy elősegítse a közös adatmodellre való átállást, valamint a MI-technológiák és -megoldások kutatását.

Az e& (Közel-Kelet) rendelkezik egy kiválósági központtal, ahol minden kulcsfontosságú osztálynak/funkciónak van képviselője, és az AI-irányítás áll az élvonalban, azzal a küldetéssel, hogy biztosítsa a sikeres AI-felhasználási esetek kutatását és alkalmazását a különböző osztályokon.

A mesterséges intelligencia mint platformfunkció. Egyes szolgáltatók olyan mesterséges intelligencia platformokat építettek – vagy építenek –, amelyek célja, hogy a szervezet különböző részei számára elérhetővé tegyék azt.

Például a Vodafone rendelkezik egy mesterséges intelligencia platformmal, amely önkiszolgáló eszközöket és képzési anyagokat is biztosít a különböző csapatok számára, hogy saját használati eseteiket kidolgozhassák. Az SK Telecom rendelkezik egy Intelligencia Platformmal, amely a teljes szervezet számára hozzáférést biztosít az SKT által fejlesztett LLM-hez.

- Mesterséges intelligencia menedzsment

MI irányítási követelmények. Számos, a MI-re vonatkozó irányítási követelmény a meglévő adatirányítási programok részét képezi. Azonban további, MI-specifikus biztosítékokra van szükség annak biztosítására, hogy a MI-eszközök és -rendszerek biztonságosak és etikusak maradjanak. Kétféle MI-irányítási program létezik:

- A külső irányítási program célja a vállalaton kívüli egyének és szervezetek védelme.

- A belső irányítási programok célja az alkalmazottak védelme és annak biztosítása, hogy a mesterséges intelligenciát sikeresen és fenntarthatóan alkalmazzák a vállalat egészében.

A vállalaton kívüli személyek és szervezetek védelmét célzó irányítási programok általában kodifikáltak és normatívak. Például az Európai Unió (EU) 2023 decemberében elfogadta a mesterséges intelligencia törvényét, amely 2025-ben lép hatályba, az Egyesült Államok pedig 2023 októberében adott ki egy végrehajtási rendeletet a mesterséges intelligenciáról.

A szigorúbb kormányzati szabályozások segíthetnek a telekommunikációs vállalatoknak olyan technológiák és képességek fejlesztésében, amelyek külföldön is monetizálhatók, különösen azokban az országokban, ahol szigorú adatszuverenitási szabályok vannak érvényben.

Például a China Mobile úgy véli, hogy a mesterséges intelligenciára vonatkozó törvények betartására használt módszerei segíthetnek olyan biztonsági technológiák fejlesztésében, amelyeket ügyfeleinek kínálhat. A Swisscom saját mesterséges intelligencia infrastruktúra kiépítésével és belső szakértelem fejlesztésével kísérletezik, amelyet felhasználhat értékteremtésre és új megoldások létrehozására IT-szolgáltatási üzletágában.

A GenAI megjelenése a belső MI-irányítás javításának szükségességét is felveti: a méretezés elősegítése; a költségek kezelése; a szervezet védelme a pontatlan eredmények felhasználásának következményeitől; a technikai adósság kockázatának csökkentése; az LLM képzési modell adatainak „megsérülése” kockázatának kivédése; a szervezet védelme a szellemi tulajdon (IP)/szerzői jogok megsértésétől.

A mesterséges intelligencia vállalati alkalmazásának kockázatai

A TMforum 2023-as felmérése a GenAI telekommunikációs alkalmazásának kockázatairól a következőket tartalmazza:

3.1. A mesterséges intelligencia emberi erőforrásai

Ami a mesterséges intelligencia területén dolgozó tehetségek felvételét illeti, a legtöbb telekommunikációs cég hátrányban van a technológiai vállalatokkal szemben, különösen a fiatal tehetségek felvételekor. A technológiai vállalatok jellemzően jobb fizetéseket, gyorsabb karrierlehetőségeket és jelentősen rugalmasabb vállalati kultúrát kínálnak.

A TM Forum telekommunikációs humánerőforrás-igényekről szóló szakterületi felmérése [4] azt mutatja, hogy a mesterséges intelligencia/gépi tanulás, az adatelemzés és az automatizálási készségek iránt nagy a kereslet (64%, ami kevesebb, mint a biztonság területén a 69%-os kereslet).

A telekommunikációs cégek által toborozható készségek nehézségét tekintve a válaszadók 59%-a mondta, hogy az adattudományi/adatelemzési szakembereket és a mesterséges intelligencia/gépi tanulási szakembereket a legnehezebb toborozni (63%-kal csak a biztonsági szakemberek után a második helyen állnak).

A 2024-es MWC-n a Korea Telecom (Korea) bejelentette, hogy idén akár 1000 mesterséges intelligencia és digitális szakértőt is felvesz, hogy mesterséges intelligencia és informatika (AICT) vállalattá váljon. Ezzel egyidejűleg a KT fokozta a belső képzéseket a mesterséges intelligencia területén, hogy teljesen megváltoztassa a KT szemléletét a mesterséges intelligencia felé.

A China Mobile 2019-ben hozta létre a Jiutiant, hogy támogassa azon törekvését, hogy 2025-re nagymértékben automatizált szolgáltatóvá váljon. A mesterséges intelligencia platformhoz külső fejlesztők is hozzáférhetnek nyílt API-kon keresztül. 2023 októberére a China Mobile kifejlesztette saját jogi diplomáját a Jiutian részeként. A China Mobile mindössze 20 mesterséges intelligencia-mérnökkel kezdte, és mára 600 mesterséges intelligencia-mérnökkel rendelkezik, és 2024 végére 1000 fős létszámot tervez elérni.

A Vodafone hiperskálázókkal dolgozik mesterséges intelligencia platformján, de továbbra is szüksége van mesterséges intelligencia-opciós készségekre, valamint analitikai, automatizálási, felhő- és platformszakértelemre. A Vodafone teljes munkaidős alkalmazottak felvételével vonzza a tehetségeket.

Ashish Yadav, a Capgemini vezető igazgatója elmondta, hogy a telekommunikációs vállalatok egyre inkább keresnek vezető felhő- és mesterséges intelligencia-tehetségeket architekt szinten rendszerintegrációs cégeken keresztül, a belső kiszervezés egyik formájaként. A belső kiszervezés definíciója sokféleképpen értelmezhető, de ebben az összefüggésben a telekommunikációs vállalatok a partnercég vezető tehetségeit a telekommunikációs vállalat munkacsoportjának tagjaként „kezelik”.

A legtöbb telekommunikációs vállalat fokozza az átképzést és a továbbképzést, hogy igény szerint proaktívan felkutassa a mesterséges intelligencia területén dolgozó tehetségeket. Valójában ez a megközelítés költséghatékonyabb lehet, mint az új tehetségek toborzása, és egyre inkább alkalmazzák minden más nehezen felvehető készségre.

A TMForum felmérésében, amelyben azt vizsgálta, hogy mit kell tenniük a fuvarozóknak a mesterséges intelligencia és a gépi tanulás hatékony kihasználása érdekében, a válaszadók 60%-a mondta, hogy a meglévő alkalmazottak különféle mesterséges intelligencia-készségekre való képzése nagy hatással bír, míg 39%-uk szerint jelentős a hatása.

A McKinsey & Company szerint a GenAI arra kényszeríti az üzemeltetőket, hogy belsőleg fejlesszék a mesterséges intelligencia szakértelmüket, miközben a felhasználóktól is új készségeket követel meg, például a gyors mérnöki munkát – vagyis azt a képességet, hogy kérdéseket tegyenek fel a jogi asszisztenstől (LLM) a legjobb válasz kiváltása érdekében. Az üzemeltetőknek adatmérnököket és területi szakértőket is fel kell venniük, „akik értik, hogy milyen adatokat kell gyűjteni és hogyan kell azokat gyűjteni, valamint figyelemmel kísérik és értékelik a GenAI rendszerek által létrehozott és használt új adatformák minőségét ” .

3.2. Adatfelkészültség mesterséges intelligencia alkalmazásokhoz

Az adatvezérelt architektúra kulcsfontosságú a pontosság és a konzisztencia fenntartásához a hálózaton keresztül. Egy közös adatmodell használata biztosítja az adatok zökkenőmentes áramlását az összes rendszeren keresztül, és pontosan kiszolgálja azokat minden automatizált munkafolyamatban.

A mesterséges intelligenciának adatokra van szüksége, az adatelemzésnek pedig mesterséges intelligenciára. Sok üzemeltető ma jelentős kihívásokkal néz szembe a mesterséges intelligencia technológia teljes kihasználását célzó koherens adatstratégiák kidolgozása során. Az MI-kísérletek korai szakaszában lévő üzemeltetők alábecsülhetik, hogy mire van szükség, különösen az adatok tekintetében, a mesterséges intelligencia nagymértékű sikeres bevezetéséhez.

Sok szolgáltatónak nincs olyan koherens stratégiája, amely lehetővé teszi az adatok horizontális áramlását a szervezeten belül, egyetlen adatmodell szerint.

Néhány konkrét kihívás az adatok mesterséges intelligenciára való felkészítése során:

Hiányoznak a tiszta, egyértelmű, következetes és gyakorlatias adatok , amelyek alkalmazhatók az üzlet különböző részeire, a hálózattól a szolgáltatásnyújtáson át az ügyfélélményig. Ez kritikus fontosságú az adatvezérelt, mesterséges intelligencia által vezérelt végrehajtással kapcsolatos összes folyamat számára.

A közös adatmodell hiánya (jelenleg több szállítótól gyűjtik az adatokat) rendkívül időigényes strukturált és strukturálatlan adatok összesítését eredményezi.

Az adatok kontextusának hiánya, az adatok gyűjtésének módjának, idejének, helyének és céljának teljes ismeretének hiánya különösen jelentős akadály, amelyet a telekommunikációs vállalatoknak le kell küzdeniük, ha GenAI-t vagy bármilyen más gépi tanulási modellt szeretnének bevezetni.

A szolgáltatók kezdik felismerni az adatok értékét, és fokozták az adatelemzésbe való befektetéseiket. Az Omdia becslései szerint 2025-re a globális szolgáltatók körülbelül 2,5 milliárd dollárt fognak befektetni az adatelemzésbe.

Valójában az adatok gyűjtéséhez, tisztításához, átalakításához és a megfelelő formátumban történő tárolásához szükséges idő és befektetés gyakran aránytalanul magasabb, mint az adatok felhasználásához szükséges idő. Az adattavak és adattárházak létrehozásának folyamata már évek óta zajlik, de a szolgáltatók számára még nem biztosította a lehetőséget, hogy a mesterséges intelligenciát nagy léptékben alkalmazzák a szervezeteikben.

A mesterséges intelligencia alapú innovációk és elemzések megjelenése a változatosabb és rugalmasabb adatfelhasználás iránti igényt és követelményt támasztotta alá, például:

- A mesterséges intelligencia/gépi tanulás hatalmas mennyiségű adatot igényel a modellek betanításához

- A mesterséges intelligencia által nyújtott objektív eredmények biztosításához változatos adatkészletekre és többféle adattípusra van szükség.

- Adatrétegek hozzáadása a modell pontosságának és az alkalmazás hatásának javítása érdekében

- A modelleket folyamatosan a legfrissebb információkkal kell képezni a prediktív teljesítmény fenntartása érdekében, különösen dinamikus környezetekben.

- Az adatoknak valós időben kell rendelkezésre állniuk a kritikus üzleti funkciókhoz, elsősorban a nagymértékben interaktív környezetekben.

- A GenAI megjelenése lehetőséget adott az operátoroknak arra, hogy kihasználják a rendelkezésre álló nagy mennyiségű strukturálatlan adatot, de ezeket az adatokat címkézni és tisztítani kell, mielőtt betáplálnák az LLM-be.

Ahhoz, hogy az MI adatszempontból jelentős előrelépést érjen el, az üzemeltetőknek átfogó változást kell végrehajtaniuk a rendszeren „áramló” adatokhoz való hozzáállásukban, néha a vállalati kultúrában is változtatniuk kell. A kulcstényező egy közös adatmodell kiépítése és egyetlen igazságforrás létrehozása.

Egyetlen információforrás létrehozása rendkívül összetett feladat, amely eddig a legtöbb szolgáltató képességeit meghaladta az adatok széttöredezettsége miatt. A BT, a Deutsche Telekom és a Telefónica lépéseket tett ennek megoldására azzal, hogy minden adatát nyilvános felhőbe helyezte át. Például az elmúlt két évben a BT adatainak több mint 90%-át a Google Cloud Platformra helyezte át.

MI architektúra, építés, vásárlás és skálázás

Sok hasonlóság van a mesterséges intelligencia/GenAi és a felhőalapú számítástechnika között, nevezetesen a technológiai váltás és a hiperhívók dominanciája. A hálózatüzemeltetők ugyanazzal a problémával, ugyanazzal a kérdéssel szembesülnek, mint a mesterséges intelligencia és a felhő: Mit vásároljanak és mit építsenek?

A szolgáltatók mesterséges intelligenciához való hozzáállását nagymértékben a nyílt architektúra és az összeállíthatóság alapelvei alakítják. A Deutsche Telekom munkatársa, Omair Ahmed Khan szerint a vállalat MI-projektjeinek többsége építési és vásárlási komponensek kombinációját foglalja magában: „A Deutsche Telekom hibrid építési és vásárlási stratégiával rendelkezik, és a vásárlási rész soha nem jelentette egy komplett, kulcsrakész megoldás vásárlását.”

Az üzemeltetők úgy vélik, hogy túl korai lenne a mesterséges intelligenciát a vállalati architektúra vagy a referenciaarchitektúra részének tekinteni. Egyes üzemeltetők, akik világos jövőképpel és stratégiával rendelkeznek a mesterséges intelligencia jövőbeli vállalati architektúrájába való integrálására, felismerik a megvalósítás kihívásait is, amelyek kifejezetten a hatékony eredmények eléréséhez és a befektetés egyértelmű megtérüléséhez szükséges emberekkel, eszközökkel és képességekkel kapcsolatosak.

A szoftveriparosítás jó gyakorlatnak tekinthető a mesterséges intelligencia iparosítása terén, mivel az adatokat nyilvános felhőkbe helyezik át, és valós időben teszik elérhetővé. Egy délkelet-ázsiai légitársaság informatikai vezetője a vállalat mesterséges intelligencia iparosításának folyamatát „adatgyárnak” nevezte. „Ez jelentősen csökkentette a mesterséges intelligencia előállításának idejét és költségeit” – mondta.

„Két évvel ezelőtt a mesterséges intelligencia előállításának költségei nagyon magasak voltak. Hat-nyolc hónapig tartott egy mesterséges intelligencia modell létrehozása. Most már csak néhány nap. A teljes ciklus sokkal gyorsabban és kevesebb emberrel lefuttatható.”

Gyakorlat néhány fuvarozónál:

China Mobile: hardvereket vásárolt és saját adatközpontot épített, beleértve a grafikus feldolgozó egységeket (GPU-kat) és a gyorsítókat a Jiutian LLM projekt részeként.

Jio: A Reliance Industries, az indiai Jio telekommunikációs vállalat anyavállalata, partnerségre lépett az Nvidiával, hogy mesterséges intelligencia számára szuperszámítógépes infrastruktúrát építsen. A Reliance célja, hogy mesterséges intelligencia infrastruktúrát biztosítson tudósok, fejlesztők és startupok számára India-szerte, valamint mesterséges intelligencia alkalmazásokat és szolgáltatásokat hozzon létre a Jio 450 millió ügyfele számára.

A mesterséges intelligencia nyilvános vagy privát felhőben történő telepítésének helye szintén problémát jelent a telekommunikációs vállalatok számára, és nagymértékben függ a telepítés mértékétől. A nyilvános felhőben történő MI-telepítés előnye a bőséges számítási erőforrások, a teljesítmény és a speciális hardverek, amelyek az összetett algoritmusok és nagy mennyiségű adat feldolgozásához szükségesek, azonban a költségek problémát jelenthetnek, ha az üzemeltető csak nagy mennyiségű adat feldolgozására használja a nyilvános felhőt.

Sok szolgáltató megvalósíthatatlannak tartja a GenAI privát felhőjének használatát, kivéve, ha a szolgáltató saját LLM-et épít – mint például a China Mobile, a Softbank és az SK Telecom esetében Ázsiában, valamint a Deutsche Telekom esetében Európában. A szolgáltatók hajlamosak a nyilvános felhőt előnyben részesíteni a teszteléshez és az AI használati esetekhez szükséges MVP-k (minimális teljesítménypontok) építéséhez.

Ahogy a fuvarozók növelik a mesterséges intelligencia használatát, az elkerülhetetlenül mélyebb kapcsolatokhoz vezet.

- A Softbank: az Nvidiával együttműködve adatközpontokat (TTDL) épít, amelyek a GenAI és vezeték nélküli alkalmazások üzemeltetésére szolgálnak. Az új TTDL mind a mesterséges intelligencia, mind az 5G terheléseket kezeli.

- SK Telecom: az SKT tágabb MI-ambícióinak részeként a mesterséges intelligencia alapú adatközpontok iránti kereslet kielégítésére törekszik. Yang-Seob Kim pénzügyi igazgató elmondta, hogy az SKT azt tervezi, hogy „tovább növeli adatközponti üzletágát, a következő generációs MI-adatközpontokra és a globális terjeszkedésre összpontosítva”.

- Az NTT a következő öt évben 1,5 billió jent (körülbelül 12 milliárd dollárt) fektet be adatközpont-üzletágának globális bővítésébe és korszerűsítésébe, hogy kielégítse a GenAI, valamint más technológiák használatával kapcsolatos adatok iránti növekvő keresletet.

A mesterséges intelligencia nyilvános vagy privát felhőben történő telepítésének helye szintén problémát jelent a telekommunikációs vállalatok számára, és nagymértékben függ a telepítés mértékétől. A nyilvános felhőben történő MI-telepítés előnye a bőséges számítási erőforrások, a teljesítmény és a speciális hardverek, amelyek az összetett algoritmusok és nagy mennyiségű adat feldolgozásához szükségesek, azonban a költségek problémát jelenthetnek, ha az üzemeltető csak nagy mennyiségű adat feldolgozására használja a nyilvános felhőt.

Sok szolgáltató megvalósíthatatlannak tartja a GenAI privát felhőjének használatát, kivéve, ha a szolgáltató saját LLM-et épít – mint például a China Mobile, a Softbank és az SK Telecom esetében Ázsiában, valamint a Deutsche Telekom esetében Európában. A szolgáltatók hajlamosak a nyilvános felhőt előnyben részesíteni a teszteléshez és az AI használati esetekhez szükséges MVP-k (minimális teljesítménypontok) építéséhez.

Ahogy a szolgáltatók fokozzák a mesterséges intelligencia használatát, az elkerülhetetlenül mélyebb kapcsolatokhoz vezet a nagyhatalmakkal – az Amazon Web Services-szel, a Microsoft Azure-ral és a Google Clouddal.

Referenciák:
1. A mesterséges intelligencia üzleti potenciálja: A mesterséges intelligencia értékének megértése
telekommunikációs műveletek. https://www.ericsson.com/4ac6ca/
eszközök/helyi/jelentések-dokumentumok/további-betekintések/dokumentumok/ai-
üzleti-potenciál.pdf
[2]. Feltörekvő Tech Impact Radar: Mesterséges Intelligencia, Gartner, 2024. január 19., azonosító: G00796195
[3]. Generatív MI: az operátorok megteszik az első lépéseket, TMforum 2023
[4]. Egy mesterséges intelligencia stratégia kidolgozásának alapjait a telekommunikációs vállalatok rakták le,
TMforum 2024. március 3.
[5]. https://intellias.com/ai-in-telecommunications/
[6]. https://www.alliedmarketresearch.com/ai-in-
telekommunikációs-piac-A09352
[7]. Gen Aisztrofizika a telekommunikációban, Főbb eredmények az Omdia GenAI telekommunikációs programjából
szolgáltatói felmérés Omdia 2024
[8] https://www.xenonstack.com/enterprise-generative-ai/
telekommunikáció/
[9]. Merre tart a mesterséges intelligencia? Nokia https://www.nokia.com/thought-
vezetés/cikkek/mesterséges-arc/hová-tart-mesterséges-arc/
[10]. Ericsson Telco AI, belső dokumentum

(Megjelent az Information and Communications Magazin 8. számának nyomtatott kiadásában, 2024. augusztusban)

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