Jaka strategia sztucznej inteligencji dla operatorów sieci telekomunikacyjnych?

Nguyen Van Yen, członek zarządu VNPT

Streszczenie:
Dane i sztuczna inteligencja w telekomunikacji: Operatorzy dysponują ogromną ilością danych, które nie są odpowiednio wykorzystywane. Sztuczna inteligencja może pomóc przekształcić dane w narzędzia do ulepszania usług i optymalizacji operacji biznesowych.
- Trendy w zastosowaniach sztucznej inteligencji: Rozwój sieci 5G i Internetu rzeczy (IoT) sprawił, że operatorzy zaczęli koncentrować się na sztucznej inteligencji (AI) od 2016 r. Ostatnio GenAI wyłoniło się jako narzędzie strategiczne, zwłaszcza po uruchomieniu ChatGPT firmy OpenAI.
- Korzyści ekonomiczne ze sztucznej inteligencji: Przewiduje się, że sztuczna inteligencja przyniesie operatorom ogromne korzyści, w tym obniży koszty i stworzy nowe źródła przychodów. McKinsey szacuje, że GenAI może przynieść branży telekomunikacyjnej 100 miliardów dolarów.
- Zastosowania sztucznej inteligencji w organizacji: Sztuczna inteligencja musi być stosowana na wszystkich poziomach organizacji, od analizy danych po funkcje administracyjne. Wielu przewoźników utworzyło dedykowane jednostki ds. sztucznej inteligencji i zbudowało centra doskonałości w dziedzinie sztucznej inteligencji.
- Ryzyka w zastosowaniach AI: Wyzwania związane z rekrutacją kadr AI, zarządzaniem danymi i zapewnieniem bezpieczeństwa wdrażania AI to kwestie, z którymi borykają się operatorzy sieci. Zarządzanie AI jest ważnym czynnikiem zapewniającym pomyślne i zrównoważone wdrożenie.
- Przygotowanie danych dla AI: Aby skutecznie wdrożyć AI, operatorzy muszą przygotować czyste, spójne dane i zapewnić wspólny model danych. Gromadzenie i przetwarzanie danych stanowi duże wyzwanie, wymagające dużych inwestycji w analizę i zarządzanie danymi.

Stan zastosowań sztucznej inteligencji w telekomunikacji

Rozwój technologii 5G, Internetu Rzeczy (IoT) i rosnąca ilość Big Data to czynniki, które skłaniają dostawców usług telekomunikacyjnych do zainteresowania się sztuczną inteligencją (AI). Niektórzy z dużych, ambitnych operatorów zaczęli wdrażać AI w latach 2016 i 2017, a w latach 2019-2020 sektor telekomunikacyjny odnotował znaczący wzrost popularności AI wśród operatorów na całym świecie . W ciągu ostatnich 12-15 miesięcy (od premiery OpenAI z Chat GPT) świadomość GenAI rozwinęła się z narzędzia do tworzenia treści opartego na AI do strategicznej platformy i szybko staje się centralnym punktem zainteresowania niemal każdego dostawcy usług telekomunikacyjnych na świecie.

Raport firmy Allied Market Research [6] na temat sztucznej inteligencji (AI) na rynku telekomunikacyjnym w 2022 r. pokazuje: „Globalna wartość rynku sztucznej inteligencji (AI) w telekomunikacji w 2021 r. wyniesie 1,2 mld USD, a do 2031 r. ma ona osiągnąć wartość 38,8 mld USD, rosnąc w tempie CAGR na poziomie 41,4% w latach 2022–2031”. Firmy telekomunikacyjne (telekomunikacyjne) zwracają się w stronę sztucznej inteligencji (AI) jako kluczowego czynnika umożliwiającego innowacje, wydajność operacyjną i ulepszone doświadczenia klientów.

Ericsson uważa [1], że sztuczna inteligencja przyniesie niespotykane dotąd korzyści branżom, w tym telekomunikacji. Operatorom sieci sztuczna inteligencja umożliwi optymalizację operacji sieciowych, poprawę jakości obsługi klienta, redukcję kosztów, wkład w zrównoważony rozwój, tworzenie nowych źródeł dochodu itp.

Firma Gartner [2] przeprowadziła badanie i sklasyfikowała 29 technologii związanych ze sztuczną inteligencją (AI) w 5 grupach: technologia rdzeniowa AI, technologia oparta na GenAI, technologia AI skoncentrowana na danych, technologia AI Trust. Przewiduje się, że trend wdrażania technologii opartych na GenAI gwałtownie wzrośnie w ciągu najbliższych 1–3 lat.

Operatorzy telekomunikacyjni postrzegają GenAI jako punkt zwrotny, potężny czynnik napędzający wzrost przychodów, obniżający koszty i fundamentalnie zmieniający krajobraz doświadczeń użytkowników. Wielu operatorów postrzega GenAI jako kluczowy element swojej strategii AI.

Pomiar wpływu AI/GenAI na gospodarkę

Pomiar wpływu AI na gospodarkę w branży telekomunikacyjnej nie jest łatwym zadaniem, ponieważ potencjalne zastosowania są szerokie i zróżnicowane, a szacunki wartości rynkowej pochodzące z różnych źródeł różnią się znacznie. Jednak wielu operatorów zgadza się, że korzyści płynące ze sztucznej inteligencji dla branży telekomunikacyjnej są znaczące. Na przykład [4]:

- Redukcje zatrudnienia i siły roboczej spowodowane sztuczną inteligencją i automatyzacją. BT (UK) szacuje, że do 2030 roku może zlikwidować 10 000 miejsc pracy, wykorzystując cyfryzację i automatyzację.

- Generowanie nowych przychodów poprzez wprowadzanie na rynek produktów z obsługą sztucznej inteligencji. SK Telecom (Korea Południowa) uważa, że do 2028 roku może wygenerować przychody z AI sięgające 25 000 miliardów KRW (około 18,5 miliarda dolarów).

- Pomóż obniżyć koszty lub zwiększyć przychody. McKinsey szacuje, że GenAI może wygenerować do 100 miliardów dolarów wartości dodanej dla sektora telekomunikacyjnego.

Operatorzy mierzą korzyści każdego przypadku użycia sztucznej inteligencji na podstawie dwóch aspektów: finansowych (mierzalna oszczędność czasu, oszczędności kosztów, wzrost przychodów) i niefinansowych (satysfakcja pracowników, satysfakcja klientów, niewielkie i trudne do zmierzenia oszczędności czasu, zrównoważony rozwój).

Gdzie stosuje się sztuczną inteligencję w telekomunikacji i jak ją wdrażać

Operatorzy uważają sztuczną inteligencję za strategiczny priorytet, który należy wdrożyć w zadaniach i działach związanych z analizą danych. Jednak niedawny wzrost popularności sztucznej inteligencji genetycznej (GenAI) poruszył pewne kwestie dotyczące zastosowania sztucznej inteligencji, w szczególności w branży telekomunikacyjnej, w następujący sposób:

- Obszary zastosowań sztucznej inteligencji w telekomunikacji:

- Sztuczna inteligencja jest innowacyjnym narzędziem, dlatego musi być dostępna dla każdego zespołu zadaniowego w firmie.

+ Należy dołożyć wszelkich starań, aby sztuczna inteligencja była łatwa w użyciu, nawet dla grup o niskich umiejętnościach technologicznych.

+ Jednostki specjalizujące się w sztucznej inteligencji muszą znać praktyki wdrażania udanych przypadków użycia sztucznej inteligencji i tworzyć odpowiednie modele i metody ponownego stosowania tych przypadków użycia w całej organizacji.

+ Demokratyzacja dostępu do sztucznej inteligencji musi iść w parze z wdrożeniem nowych podejść FinOps dla sztucznej inteligencji, aby zarządzać ryzykiem kosztowym związanym z jej wdrażaniem

+ Należy opracować i wdrożyć program zarządzania sztuczną inteligencją, aby ograniczyć ryzyko niekontrolowanych kosztów i zachęcić do stosowania sztucznej inteligencji oraz eksperymentowania z nią.

- Wdrażanie sztucznej inteligencji w branży telekomunikacyjnej

Zbuduj stanowisko CXO AI z wiedzą specjalistyczną i autorytetem , aby móc kierować rozwojem i wdrażaniem produktów i usług AI (np. Steve Jarrett mianowany dyrektorem ds. AI (CAIO) Orange Innovation, 12/2023; Deepika Adusumilli, 10/2023 w BT; Chung Suk- guen w SK Telecom).

Utworzenie spółki zależnej w celu rozwoju sztucznej inteligencji , na przykład Proximus Ada jest spółką zależną operatora sieci Proximus (Belgia), która koncentruje się na rozwijaniu możliwości w zakresie cyberbezpieczeństwa i sztucznej inteligencji w celu zaspokojenia wewnętrznych wymagań Proximus i świadczenia usług klientom B2B.

Oddziel wewnętrzne funkcje sztucznej inteligencji (AI) od funkcji AI skierowanych do klientów. Zamiast budować scentralizowaną organizację AI, Telefónica zdecydowała się podzielić ją na dwa działy: Customer Insights and Innovation; Networks, IT Systems oraz Internal Digital Transformation (CDS) w kierunku AI.

Ten podział obowiązków jest szczególnie interesujący, ponieważ GenAI skupia się bardziej na obsłudze klienta niż na funkcjach sieciowych, podczas gdy technologia predyktywnej sztucznej inteligencji jest coraz częściej wykorzystywana do automatyzacji sieci.

Sztuczna inteligencja jako nowa funkcja biznesowa. Na przykład China Mobile i SK Telecom intensywnie inwestują w sztuczną inteligencję, aby dostarczać nowe produkty i usługi. Celem obu operatorów jest zbudowanie własnego modelu LLM (Large Language Model) z najlepszymi rozwiązaniami i funkcjami oraz sprzedaż dostępu przedsiębiorstwom (DN) i innym operatorom.

Utworzenie Centrum Doskonałości Sztucznej Inteligencji (CoE).

W badaniu TMFrum (2023) [4] 53% operatorów stwierdziło, że utworzyło Centrum Doskonałości AI. Jednak dokładna wielkość, zakres i rola Centrum Doskonałości AI są bardzo zróżnicowane. Na przykład Vodafone Ziggo (Holandia) posiada Centrum Doskonałości AI, w którym gromadzą się eksperci firmy z zakresu nauki o danych.

Telefónica posiada globalne Centrum Doskonałości AI, na czele którego stoi dział Sieci i IT, specjalizujący się w architekturze danych i AI, którego celem jest przejście na wspólny model danych oraz prowadzenie badań nad technologiami i rozwiązaniami AI.

W firmie e& (Bliski Wschód) znajduje się Centrum Doskonałości, w którym każdy kluczowy dział/funkcja ma swojego przedstawiciela. Na pierwszym planie znajduje się zarządzanie sztuczną inteligencją, a jego misją jest zapewnienie, że udane przypadki użycia sztucznej inteligencji zostaną zbadane i wdrożone w różnych działach.

Sztuczna inteligencja jako funkcja platformy. Niektórzy operatorzy stworzyli — lub tworzą — platformy sztucznej inteligencji, które mają udostępniać ją różnym działom organizacji.

Na przykład Vodafone posiada platformę AI, która oferuje również narzędzia samoobsługowe i materiały szkoleniowe dla różnych zespołów, umożliwiając im tworzenie własnych przypadków użycia. SK Telecom posiada platformę Intelligence, która zapewnia całej organizacji dostęp do programu LLM opracowywanego przez SKT.

- Zarządzanie sztuczną inteligencją

Wymagania dotyczące zarządzania sztuczną inteligencją (AI). Wiele wymagań dotyczących zarządzania sztuczną inteligencją (AI) jest częścią istniejących programów zarządzania danymi. Konieczne są jednak dodatkowe zabezpieczenia specyficzne dla AI, aby zapewnić bezpieczeństwo i etykę narzędzi i systemów AI. Istnieją dwa rodzaje programów zarządzania sztuczną inteligencją (AI):

- Program ładu zewnętrznego ma na celu ochronę osób i organizacji spoza firmy.

- Programy zarządzania wewnętrznego mają na celu ochronę pracowników i zapewnienie skutecznego i zrównoważonego wdrażania sztucznej inteligencji w całym przedsiębiorstwie.

Programy zarządzania mające na celu ochronę osób i organizacji spoza firmy są zazwyczaj skodyfikowane i normatywne. Na przykład, Unia Europejska (UE) uchwaliła w grudniu 2023 roku ustawę o sztucznej inteligencji (AI Act), która wejdzie w życie w 2025 roku, a Stany Zjednoczone wydały rozporządzenie wykonawcze w sprawie AI w październiku 2023 roku.

Surowe regulacje rządowe mogą pomóc firmom telekomunikacyjnym w rozwijaniu technologii i możliwości, które można będzie spieniężyć za granicą, zwłaszcza w krajach o rygorystycznych przepisach dotyczących suwerenności danych.

Na przykład China Mobile uważa, że metody stosowane przez firmę w celu spełnienia wymogów prawnych dotyczących sztucznej inteligencji mogą pomóc w opracowaniu technologii bezpieczeństwa, które firma może zaoferować swoim klientom. Swisscom eksperymentuje z budową własnej infrastruktury sztucznej inteligencji i rozwojem wewnętrznej wiedzy specjalistycznej, którą może wykorzystać do tworzenia wartości i nowych rozwiązań w swojej działalności w zakresie usług IT.

Pojawienie się GenAI wymusza również usprawnienie wewnętrznego zarządzania sztuczną inteligencją: zwiększenie skali, zarządzanie kosztami, ochrona organizacji przed konsekwencjami korzystania z niedokładnych wyników, ograniczenie ryzyka długu technicznego, ochrona przed ryzykiem „uszkodzonych” danych modelu szkolenia LLM, ochrona organizacji przed naruszeniem własności intelektualnej (IP)/praw autorskich.

Ryzyko związane ze stosowaniem sztucznej inteligencji w biznesie

Ankieta TMforum 2023 na temat ryzyka związanego ze stosowaniem GenAI w branży telekomunikacyjnej obejmuje:

3.1. Zasoby ludzkie dla AI

Jeśli chodzi o rekrutację specjalistów od sztucznej inteligencji, większość firm telekomunikacyjnych jest w gorszej sytuacji niż firmy technologiczne, zwłaszcza jeśli chodzi o zatrudnianie młodszych talentów. Firmy technologiczne zazwyczaj oferują lepsze wynagrodzenia, szybszy rozwój kariery i znacznie bardziej elastyczną kulturę korporacyjną.

Badanie TM Forum dotyczące zapotrzebowania na zasoby ludzkie w sektorze telekomunikacyjnym według specjalizacji [4] pokazuje, że umiejętności związane ze sztuczną inteligencją/uczeniem maszynowym, analizą danych i automatyzacją cieszą się dużym zainteresowaniem (64%, czyli mniej niż w przypadku bezpieczeństwa, gdzie odsetek ten wynosi 69%).

Jeśli chodzi o trudność rekrutacji specjalistów, 59% respondentów stwierdziło, że najtrudniej jest zatrudnić specjalistów od nauki o danych/analizy danych oraz specjalistów od sztucznej inteligencji/uczenia maszynowego (AI/ML) (uzyskanie takiego wyniku ustępuje jedynie specjalistom ds. bezpieczeństwa z wynikiem 63%).

Podczas targów MWC 2024 firma Korea Telecom (Korea) ogłosiła, że w tym roku zrekrutuje do 1000 ekspertów ds. sztucznej inteligencji i technologii cyfrowych, aby stać się firmą AICT – AI i ICT. Jednocześnie KT zintensyfikowało wewnętrzne szkolenia z zakresu AI, aby całkowicie zmienić podejście KT do AI.

China Mobile uruchomiło Jiutian w 2019 roku jako platformę wspierającą realizację ambicji firmy, która do 2025 roku zamierza stać się wysoce zautomatyzowanym operatorem. Platforma AI jest dostępna dla zewnętrznych programistów za pośrednictwem otwartych interfejsów API. W październiku 2023 roku China Mobile opracowało własny program LLM w ramach Jiutian. Początkowo zatrudniając zaledwie 20 inżynierów AI, China Mobile zatrudnia obecnie 600 inżynierów AI i planuje osiągnąć liczbę 1000 do końca 2024 roku.

Vodafone współpracuje z firmami o dużej skali w zakresie swojej platformy AI, ale nadal potrzebuje specjalistów od AIOps, analityki, automatyzacji, rozwiązań chmurowych i platform. Vodafone przyciąga utalentowanych pracowników, zatrudniając ich na pełen etat.

Ashish Yadav, starszy dyrektor w Capgemini, powiedział, że firmy telekomunikacyjne coraz częściej poszukują doświadczonych specjalistów ds. chmury obliczeniowej i sztucznej inteligencji na poziomie architektów, za pośrednictwem firm zajmujących się integracją systemów, w ramach insourcingu. Definicję insourcingu można interpretować na wiele sposobów, ale w tym kontekście firmy telekomunikacyjne „traktują” doświadczonych specjalistów z firmy partnerskiej jako członków swojego zespołu.

Większość firm telekomunikacyjnych również zwiększa tempo przekwalifikowywania i podnoszenia kwalifikacji, aby proaktywnie pozyskiwać talenty w dziedzinie sztucznej inteligencji na żądanie. W rzeczywistości takie podejście może być bardziej opłacalne niż zatrudnianie nowych specjalistów i jest coraz częściej stosowane w przypadku wszystkich innych, trudno dostępnych umiejętności.

W badaniu TMForum dotyczącym tego, co przewoźnicy muszą zrobić, aby skutecznie wykorzystać sztuczną inteligencję i uczenie maszynowe, 60% respondentów stwierdziło, że szkolenie obecnych pracowników w zakresie wielu umiejętności związanych ze sztuczną inteligencją miałoby duży wpływ, podczas gdy 39% stwierdziło, że miałoby to znaczący wpływ.

Według McKinsey & Company, GenAI zmusza operatorów do wewnętrznego rozwoju wiedzy z zakresu AI, jednocześnie wymagając od użytkowników nowych umiejętności, takich jak szybkie inżynierowanie – umiejętność zadawania pytań w celu uzyskania najlepszej odpowiedzi od LLM. Operatorzy muszą również zatrudniać inżynierów danych i ekspertów dziedzinowych, „którzy rozumieją, jakie dane należy gromadzić i jak to robić, a także monitorują i oceniają jakość nowych typów danych generowanych i wykorzystywanych przez systemy GenAI ” .

3.2. Gotowość danych dla aplikacji AI

Architektura oparta na danych jest kluczowa dla zachowania dokładności i spójności w całej sieci. Korzystanie ze wspólnego modelu danych zapewnia płynny przepływ danych we wszystkich systemach i ich precyzyjną obsługę we wszystkich zautomatyzowanych przepływach pracy.

Sztuczna inteligencja potrzebuje danych, a analityka danych potrzebuje sztucznej inteligencji. Wielu operatorów stoi dziś przed poważnymi wyzwaniami w opracowaniu spójnych strategii danych, aby w pełni wykorzystać technologię sztucznej inteligencji. Operatorzy na wczesnym etapie eksperymentów z SI mogą nie doceniać tego, co jest potrzebne, zwłaszcza w zakresie danych, do skutecznego wdrożenia sztucznej inteligencji na dużą skalę.

Wielu operatorom brakuje spójnej strategii, która pozwalałaby na horyzontalny przepływ danych w obrębie całej organizacji w ramach jednego modelu danych.

Niektóre szczególne wyzwania związane z przygotowaniem danych do sztucznej inteligencji:

Brakuje przejrzystych, spójnych i użytecznych danych , które można by zastosować w różnych obszarach działalności, od sieci po świadczenie usług i obsługę klienta. Ma to kluczowe znaczenie dla wszystkich procesów związanych z realizacją opartą na danych i sztucznej inteligencji.

Brak wspólnego modelu danych (obecnie dane pochodzą od wielu dostawców) skutkuje niezwykle czasochłonnym agregowaniem danych ustrukturyzowanych i nieustrukturyzowanych.

Brak kontekstu danych, czyli niepełna wiedza o tym, jak, kiedy, gdzie i w jakim celu dane są zbierane, to szczególnie poważna przeszkoda, którą firmy telekomunikacyjne muszą pokonać, jeśli chcą wdrożyć GenAI lub jakikolwiek inny model uczenia maszynowego.

Operatorzy dostrzegają wartość danych i zwiększają inwestycje w ich analizę. Omdia szacuje, że do 2025 roku globalni operatorzy zainwestują 2,5 miliarda dolarów w analizę danych.

W rzeczywistości czas i inwestycje wymagane do zebrania, oczyszczenia, przekształcenia i przechowywania danych w odpowiednim formacie są często nieproporcjonalnie wyższe niż czas potrzebny na ich wykorzystanie. Proces tworzenia jezior danych i magazynów danych trwa od lat, ale wciąż nie umożliwił operatorom wdrażania sztucznej inteligencji na dużą skalę w całej organizacji.

Pojawienie się innowacji i analiz opartych na sztucznej inteligencji zwiększyło potrzebę i popyt na bardziej zróżnicowane i elastyczne wykorzystanie danych, na przykład:

- Sztuczna inteligencja/uczenie maszynowe wymagają ogromnych ilości danych do trenowania modeli

- Aby zapewnić obiektywne wyniki sztucznej inteligencji, potrzebne są różnorodne zestawy danych i wiele typów danych

- Dodaj warstwy danych, aby poprawić dokładność modelu i wpływ na aplikację

- Modele muszą być stale trenowane przy użyciu najnowszych informacji, aby zachować wydajność predykcyjną, szczególnie w środowiskach dynamicznych

- Dane muszą być dostępne w czasie rzeczywistym w przypadku kluczowych funkcji biznesowych, przede wszystkim w środowiskach o wysokim stopniu interaktywności

- Pojawienie się GenAI dało operatorom możliwość wykorzystania dużej ilości dostępnych niestrukturalnych danych, ale dane te muszą zostać oznaczone i oczyszczone przed wprowadzeniem do LLM.

Aby osiągnąć znaczący postęp w dziedzinie sztucznej inteligencji z perspektywy danych, operatorzy muszą dokonać fundamentalnej zmiany w sposobie, w jaki podchodzą do danych przepływających przez ich systemy, a czasem także zmienić kulturę korporacyjną. Kluczem jest zbudowanie wspólnego modelu danych i stworzenie jednego źródła prawdy.

Zbudowanie jednego źródła prawdy to niezwykle złożone zadanie, które do tej pory przekraczało możliwości większości operatorów ze względu na fragmentację danych. BT, Deutsche Telekom i Telefónica podjęły kroki w celu rozwiązania tego problemu, przenosząc wszystkie swoje dane do chmury publicznej. Na przykład, w ciągu ostatnich dwóch lat BT przeniosło ponad 90% swoich danych na platformę Google Cloud.

Architektura AI, budowanie, kupowanie i skalowanie

Istnieje wiele podobieństw między AI/GenAi a chmurą obliczeniową, zwłaszcza zmiana technologiczna i dominacja hiperpołączeń. Operatorzy stoją przed tym samym problemem, tym samym pytaniem, co AI i chmura: co kupić, a co zbudować?

Podejście operatorów do sztucznej inteligencji jest w dużej mierze kształtowane przez podstawowe zasady otwartej architektury i kompozycyjności. Omair Ahmed Khan z Deutsche Telekom twierdzi, że większość projektów firmy z zakresu sztucznej inteligencji wiąże się z połączeniem tworzenia i zakupu różnych komponentów: „Deutsche Telekom stosuje hybrydową strategię tworzenia i zakupu, a proces zakupu nigdy nie wiązał się z zakupem kompletnego, gotowego rozwiązania”.

Operatorzy uważają, że jest za wcześnie, aby traktować sztuczną inteligencję jako element architektury przedsiębiorstwa lub element architektury referencyjnej. Niektórzy operatorzy, którzy mają jasną wizję i strategię integracji sztucznej inteligencji z przyszłą architekturą przedsiębiorstwa, dostrzegają również wyzwania wdrożeniowe, szczególnie związane z ludźmi, narzędziami i możliwościami niezbędnymi do osiągnięcia efektywnych rezultatów i wyraźnego zwrotu z inwestycji.

Industrializację oprogramowania można postrzegać jako dobrą praktykę w zakresie industrializacji AI, polegającą na przenoszeniu danych do chmur publicznych i udostępnianiu ich w czasie rzeczywistym. Dyrektor ds. informatyki firmy z Azji Południowo-Wschodniej opisał proces industrializacji AI, który firma podjęła, jako „fabrykę danych”. „To znacznie skróciło czas i koszty produkcji AI” – powiedział.

„Dwa lata temu koszty produkcji sztucznej inteligencji były bardzo wysokie. Stworzenie modelu AI zajmowało od sześciu do ośmiu miesięcy. Teraz zajmuje to zaledwie kilka dni. Cały cykl można przeprowadzić znacznie szybciej i z mniejszą liczbą osób”.

Praktyka w niektórych przewoźnikach:

China Mobile: zakupiło sprzęt i zbudowało własne centrum danych, obejmujące jednostki przetwarzania grafiki (GPU) i akceleratory, w ramach projektu Jiutian LLM.

Jio: Reliance Industries, spółka macierzysta indyjskiej firmy telekomunikacyjnej Jio, nawiązała współpracę z firmą Nvidia w celu zbudowania infrastruktury superkomputerowej dla sztucznej inteligencji. Reliance zamierza zapewnić infrastrukturę AI naukowcom, programistom i startupom w całych Indiach oraz tworzyć aplikacje i usługi AI dla 450 milionów klientów Jio.

Decyzja o tym, gdzie wdrożyć sztuczną inteligencję w chmurze publicznej, a gdzie w chmurze prywatnej, również leży w gestii operatorów telekomunikacyjnych i w dużej mierze zależy od skali wdrożenia. Wdrożenie sztucznej inteligencji w chmurze publicznej ma tę zaletę, że oferuje duże zasoby obliczeniowe, moc obliczeniową i specjalistyczny sprzęt niezbędny do przetwarzania złożonych algorytmów i dużych ilości danych. Jednak koszty mogą stać się problemem, jeśli operator wykorzystuje chmurę publiczną wyłącznie do przetwarzania dużych wolumenów danych.

Decyzja o wykorzystaniu chmury prywatnej dla GenAI jest przez wielu operatorów uważana za niewykonalną, chyba że operator buduje własny LLM – jak w przypadku China Mobile, Softbank i SK Telecom w Azji oraz Deutsche Telekom w Europie. Operatorzy zazwyczaj priorytetowo traktują chmurę publiczną do testowania i tworzenia MVP dla zastosowań AI.

W miarę jak przewoźnicy będą coraz częściej korzystać ze sztucznej inteligencji, nieuchronnie doprowadzi to do zacieśnienia relacji.

- Softbank: nawiązał współpracę z firmą Nvidia w celu budowy centrów danych (TTDL) przeznaczonych do hostowania aplikacji GenAI i bezprzewodowych. Nowe centra TTDL będą obsługiwać zarówno obciążenia związane ze sztuczną inteligencją, jak i siecią 5G.

- SK Telecom: dąży do generowania popytu na centra danych oparte na sztucznej inteligencji (AI), co stanowi element szerszych ambicji SKT w tym obszarze. Dyrektor finansowy (CFO) Yang-Seob Kim powiedział, że SKT planuje „dalsze rozwijanie swojej działalności w zakresie centrów danych, koncentrując się na centrach danych AI nowej generacji i ekspansji globalnej”.

- NTT zainwestuje 1,5 biliona jenów (około 12 miliardów dolarów) w ciągu najbliższych pięciu lat w rozbudowę i modernizację swojej działalności w zakresie centrów danych na całym świecie, aby sprostać rosnącemu zapotrzebowaniu na dane związane z wykorzystaniem GenAI i innych technologii.

Decyzja o wykorzystaniu chmury prywatnej do GenAI jest przez wielu operatorów uważana za niewykonalną, chyba że operator buduje własną platformę LLM – jak w przypadku China Mobile, Softbank i SK Telecom w Azji oraz Deutsche Telekom w Europie. Operatorzy zazwyczaj priorytetowo traktują chmurę publiczną do testowania i tworzenia MVP dla zastosowań AI.

W miarę jak przewoźnicy coraz częściej korzystają ze sztucznej inteligencji, nieuchronnie doprowadzi to do zacieśnienia relacji z superfirmami — Amazon Web Services, Microsoft Azure i Google Cloud.

Odniesienia:
1. Potencjał biznesowy sztucznej inteligencji: zrozumienie wartości sztucznej inteligencji dla
operacje telekomunikacyjne. https://www.ericsson.com/4ac6ca/
zasoby/lokalne/raporty-dokumenty/dalsze-spostrzeżenia/doc/ai-
potencjał-biznesowy.pdf
[2]. Radar wpływu nowych technologii: sztuczna inteligencja, Gartner, 19 stycznia 2024 r., ID G00796195
[3]. Sztuczna inteligencja generatywna: operatorzy stawiają pierwsze kroki, TMforum 2023
[4]. Firmy telekomunikacyjne budujące strategię AI kładą podwaliny,
TMforum 3,2024
[5]. https://intellias.com/ai-in-telecommunications/
[6]. https://www.alliedmarketresearch.com/ai-in-
rynek-telekomunikacyjny-A09352
[7]. Sztuczna inteligencja w telekomunikacji, kluczowe wnioski z badania firmy telekomunikacyjnej GenAI firmy Omdia
badanie dostawców usług Omdia 2024
[8] https://www.xenonstack.com/enterprise-generative-ai/
Telekomunikacja/
[9]. Dokąd zmierza sztuczna inteligencja? Nokia https://www.nokia.com/thought-
przywództwo/artykuły/sztuczna inteligencja/dokąd zmierza sztuczna inteligencja/
[10]. Ericsson Telco AI, dokument wewnętrzny