Vilka AI-strategier för telekomoperatörer?

Operatörer sitter på en enorm mängd underutnyttjad data. AI kommer att omvandla denna data till bördig jordmån för att utveckla nya tjänster, förbättra kvaliteten på befintliga tjänster, förbättra kundupplevelsen och effektivisera affärsverksamheten.

Nguyen Van Yen, styrelseledamot i VNPT

Sammanfattning:
-Data och AI inom telekommunikation: Nätoperatörer lagrar stora mängder data som inte utnyttjas på rätt sätt. AI kan hjälpa till att omvandla data till verktyg för att förbättra tjänster och optimera affärsverksamheten.
- Trender inom AI-applikationer: Utvecklingen av 5G och IoT har drivit operatörer att fokusera på AI sedan 2016. Nyligen har GenAI framträtt som ett strategiskt verktyg, särskilt efter lanseringen av OpenAI:s ChatGPT.
- Ekonomiska fördelar med AI: AI förväntas skapa stort värde för operatörer, inklusive att minska kostnader och skapa nya intäktsströmmar. McKinsey uppskattar att GenAI skulle kunna tillföra 100 miljarder dollar till telekommunikationsindustrin.
- Tillämpning av AI i organisationen: AI behöver tillämpas på alla nivåer i organisationen, från dataanalys till administrativa funktioner. Många operatörer har etablerat dedikerade AI-enheter och byggt AI-kompetenscentra.
- Risker med AI-tillämpningar: Utmaningar med att rekrytera AI-personal, hantera data och säkerställa säkerheten vid AI-implementering är problem som nätverksoperatörer står inför. AI-styrning är en viktig faktor för att säkerställa en framgångsrik och hållbar implementering.
- Förbereda data för AI: För att effektivt tillämpa AI måste operatörer förbereda rena, konsekventa data och säkerställa en gemensam datamodell. Datainsamling och bearbetning är en stor utmaning som kräver stora investeringar i dataanalys och hantering.

Läget för AI-applikationer för telekomföretag

Uppkomsten av 5G-teknik, IoT och den ständigt ökande volymen av stordata är de faktorer som driver telekomleverantörer att rikta sin uppmärksamhet mot AI. Några av de stora, ambitiösa operatörerna började anamma AI under 2016 och 2017, och under 2019–2020 har telekomsektorn sett en stark användning av AI hos operatörer över hela världen . Under de senaste 12–15 månaderna (sedan lanseringen av OpenAI med Chat GPT) har uppfattningen om GenAI expanderat från ett AI-baserat verktyg för innehållsskapande till en strategisk plattform och håller snabbt på att bli tankegången för nästan alla telekomleverantörer världen över.

En marknadsundersökningsrapport från Allied [6] om AI på telekommunikationsmarknaden år 2022 visar: ”Den globala marknaden för AI inom telekommunikation värderas till 1,2 miljarder USD år 2021 och förväntas nå 38,8 miljarder USD år 2031, med en årlig tillväxttakt på 41,4 % från 2022 till 2031”. Telekommunikationsföretag vänder sig till AI som en viktig möjliggörare för innovation, operativ effektivitet och förbättrad kundupplevelse.

Ericsson tror [1] att AI kommer att ge oöverträffat värde till branscher, inklusive telekommunikation. För nätverksoperatörer kommer AI att ge möjligheter att optimera nätverksdriften, förbättra kundupplevelsen, minska kostnader, bidra till hållbar utveckling, skapa nya intäktsströmmar etc.

Gartner [2] genomförde en undersökning och klassificerade 29 AI-relaterade teknologier i 5 grupper: AI-kärnteknologi, GenAI-baserad teknologi; Datacentrerad AI-teknologi; AI Trust-teknologi. Trenden att använda GenAI-baserad teknologi förväntas öka kraftigt under de kommande 1–3 åren.

Telekomföretag ser GenAI som en vändpunkt, en kraftfull drivkraft som bidrar till intäktsgenombrott, kostnadsbesparingar och fundamentalt förändrar användarupplevelsen. Många nätverksoperatörer ser GenAI som ett centralt fokus i sin AI-strategi.

Mätning av den ekonomiska effekten av AI/GenAI

Att mäta AI:s ekonomiska inverkan på telekommunikationsindustrin är ingen lätt uppgift eftersom de potentiella användningsområdena är många och varierande och marknadsvärdesuppskattningarna varierar kraftigt från olika källor. Många operatörer är dock överens om att fördelarna med AI för telekomföretag är betydande. Till exempel [4]:

- Personal- och jobbnedskärningar på grund av AI och automatisering. BT (Storbritannien) uppskattar att de kan minska med 10 000 jobb till 2030 genom att utnyttja digitalisering och automatisering.

- Generera nya intäkter genom att lansera AI-aktiverade produkter. SK Telecom (Sydkorea) tror att de kan generera AI-relaterade intäkter på upp till 25 000 miljarder KRW (cirka 18,5 miljarder USD) år 2028.

- Bidra till att spara kostnader eller öka intäkterna. McKinsey uppskattar att GenAI skulle kunna skapa upp till 100 miljarder dollar i mervärde för telekommunikationssektorn.

Operatörer mäter fördelarna med varje AI-användningsfall baserat på två aspekter: Finansiella (tidsbesparingar (kvantifierbara), kostnadsbesparingar, ökade intäkter) och icke-finansiella (medarbetarnöjdhet, kundnöjdhet, små och svårkvantifierbara tidsbesparingar, hållbarhet)

Var används AI inom telekom och hur implementerar man AI?

Teleoperatörer anser att AI är en strategisk prioritet som ska tillämpas på uppgifter och avdelningar relaterade till dataanalys. Den senaste tidens explosion av GenAI har dock väckt vissa perspektiv på tillämpningen av AI inom telekom, särskilt enligt följande:

- AI-tillämpningsområden inom telekom:

– AI är ett innovativt verktyg, så AI behöver vara tillgängligt för alla arbetsgrupper i företaget.

+ Alla ansträngningar måste göras för att göra AI enkel att använda, även för grupper med låg teknisk förmåga.

+ AI-dedikerade enheter måste kunna förstå framgångsrika implementeringspraxis för AI-användningsfall och bygga lämpliga modeller och metoder för att återanvända dessa användningsområden i hela organisationen.

+ Demokratisering av tillgången till AI behöver åtföljas av implementering av nya FinOps-metoder för AI för att hantera kostnadsriskerna med AI-implementering.

+ Ett AI-styrningsprogram behöver utvecklas och implementeras för att minska risken för okontrollerade kostnader och uppmuntra användning och experiment med AI.

- AI-implementering inom telekombranschen

Bygg upp en CXO AI-position med expertis och auktoritet att driva utveckling av AI-applikationer och produkter (t.ex. Steve Jarrett utsedd till Chief AI Officers (CAIOs) Orange Innovation, 12/2023; Deepika Adusumilli, 10/2023 på BT; Chung Suk-guen på SK Telecom).

Etablering av ett dotterbolag för att utveckla AI , till exempel Proximus Ada är ett dotterbolag till nätverksoperatören Proximus (Belgien) som specifikt fokuserar på att utveckla cybersäkerhet och AI-kapacitet för att tillgodose Proximus interna behov och tillhandahålla tjänster till B2B-kunder.

Separera interna AI-funktioner och kundorienterade AI-funktioner. Istället för att bygga en centraliserad AI-organisation beslutade Telefónica att dela upp den i två divisioner: Kundinsikter och innovation; Nätverk, IT-system och intern digital transformation (CDS) mot AI.

Denna ansvarsfördelning är särskilt intressant eftersom GenAIs fokus är mer kundorienterat än nätverksfunktioner, medan prediktiv AI i allt högre grad blir den teknik som används för nätverksautomation.

AI som en ny affärsfunktion. Till exempel investerar China Mobile och SK Telecom kraftigt i AI för att leverera nya produkter och tjänster. Båda operatörernas fokus är att bygga sin egen stora språkmodell (LLM) med de bästa lösningarna och funktionerna, och sälja åtkomst till företag (DN) och andra operatörer.

Etablering av AI-kompetenscentrum (CoE).

I en undersökning från TMFrum (2023) [4] uppgav 53 % av operatörerna att de hade etablerat ett AI-CoE. Men den exakta storleken, omfattningen och rollen för ett AI-CoE varierar avsevärt. Till exempel har Vodafone Ziggo (Nederländerna) ett AI-CoE som sammanför företagets data science-experter.

Telefónica har en global AI CoE, som förvaltas av divisionen Nätverk och IT, som specialiserar sig på data och AI-arkitektur för att uppnå målet att övergå till en gemensam datamodell och forska kring AI-tekniker och lösningar.

e& (Mellanöstern) har en CoE där varje nyckelavdelning/funktion har en representant. AI-styrning ligger i framkant med uppdraget att säkerställa att framgångsrika AI-användningsfall undersöks och tillämpas inom olika avdelningar.

AI som en plattformsfunktion. Vissa operatörer har byggt – eller bygger – AI-plattformar utformade för att göra den tillgänglig för olika delar av organisationen.

Till exempel har Vodafone en AI-plattform som också tillhandahåller självbetjäningsverktyg och utbildningsmaterial för olika team att bygga sina egna användningsfall. SK Telecom har en intelligensplattform som ger hela organisationen tillgång till den LLM som SKT utvecklar.

- AI-hantering

Krav för AI-styrning. Många styrningskrav för AI är en del av befintliga program för datastyrning. Ytterligare AI-specifika skyddsåtgärder behövs dock för att säkerställa att AI-verktyg och -system förblir säkra och etiska. Det finns två typer av AI-styrningsprogram:

- Det externa styrningsprogrammet är utformat för att skydda individer och organisationer utanför företaget.

- Interna styrningsprogram är utformade för att skydda anställda och säkerställa att AI implementeras framgångsrikt och hållbart i hela företaget.

Styrningsprogram som syftar till att skydda personer och organisationer utanför företaget tenderar att vara kodifierade och normativa. Till exempel antog Europeiska unionen (EU) AI-lagen i december 2023, som träder i kraft 2025, och USA utfärdade en Executive Order om AI i oktober 2023.

Strängare statliga regleringar kan hjälpa telekomföretag att utveckla tekniker och kapaciteter som kan monetiseras utomlands, särskilt i länder med strikta regler för datasuveränitet.

Till exempel anser China Mobile att de metoder som används för att uppfylla AI-lagar kan bidra till att utveckla säkerhetstekniker som kan erbjudas sina kunder. Swisscom experimenterar med att bygga sin egen AI-infrastruktur och utvecklar intern expertis som kan användas för att skapa värde och nya lösningar inom sin IT-tjänsteverksamhet.

Framväxten av GenAI driver också behovet av att förbättra den interna AI-styrningen: Öka skalanpassningen; Hantera kostnader; Skydda organisationen från konsekvenserna av att använda felaktiga resultat; Minska risken för teknisk skuld; Garantera risken för att data i LLM-utbildningsmodeller "korrumperas"; Skydda organisationen från intrång i immateriella rättigheter/upphovsrätt.

Risker med att tillämpa AI i företag

TMforums undersökning 2023 om riskerna med att tillämpa GenAI inom telekombranschen inkluderar:

3.1. Personalresurser för AI

När det gäller att anställa AI-talanger har de flesta telekomföretag en nackdel jämfört med teknikföretag, särskilt när det gäller att anställa unga talanger. Teknikföretag erbjuder vanligtvis bättre löner, snabbare karriärutveckling och en betydligt mer flexibel företagskultur.

TM Forums undersökning om telekombranschens personalbehov per specialitet [4] visar att AI/maskininlärning, dataanalys och automatiseringskompetens är mycket efterfrågad (64 %, mindre än säkerhetsbranschen med 69 %).

När det gäller svårigheten att rekrytera kompetenser som telekomföretag kan, uppgav 59 % av de svarande att data science/dataanalys- och AI/ML-experter är svårast att rekrytera (näst efter säkerhet med 63 %).

Vid MWC 2024 meddelade Korea Telecom (Korea) att de kommer att rekrytera upp till 1 000 AI- och digitala experter i år i ett försök att bli ett AICT - AI- och ICT-företag. Samtidigt ökade KT också sin interna utbildning i AI-färdigheter för att helt förändra KTs DNA gentemot AI.

China Mobile etablerade Jiutian 2019 som en plattform för att stödja sin ambition att bli en högautomatiserad operatör år 2025. AI-plattformen kan nås av externa utvecklare via öppna API:er. I oktober 2023 hade China Mobile utvecklat sin egen LLM som en del av Jiutian. China Mobile började med bara 20 AI-ingenjörer men har nu 600 AI-ingenjörer och planerar att nå 1 000 i slutet av 2024.

Vodafone arbetar med hyperskalare för sin AI-plattform, men behöver fortfarande AIOps-kompetens samt analys, automatisering, moln och plattformar. Vodafone attraherar talanger genom att anställa heltid.

Ashish Yadav, Senior Director på Capgemini, sa att telekomföretag i allt högre grad letar efter seniora moln- och AI-specialister på arkitektnivå genom systemintegrationsföretag som en form av insourcing. Definitionen av insourcing kan tolkas på många olika sätt, men i detta sammanhang "behandlar" telekomföretag partnerföretagets seniora experter som en medlem av telekomföretagets arbetsteam.

De flesta telekomföretag ökar också sin omskolning och kompetenshöjning för att proaktivt kunna hitta AI-talanger på begäran. Faktum är att denna metod kan vara mer kostnadseffektiv än att rekrytera nya talanger och tillämpas i allt högre grad på alla andra svårrekryterade kompetenser.

I TMForums undersökning om vad operatörer behöver göra för att effektivt utnyttja AI och maskininlärning, sa 60 % av de svarande att utbildning av befintliga anställda i en mängd olika AI-färdigheter har stor effekt, medan 39 % sa att det har en betydande effekt.

Enligt McKinsey & Company tvingar GenAI operatörer att utveckla AI-expertis internt samtidigt som det kräver nya färdigheter från användarna, såsom snabb ingenjörskonst – förmågan att ställa frågor för att få bästa möjliga svar från en jurist. Operatörer behöver också anställa dataingenjörer och domänexperter ”som förstår vilken data de ska samla in och hur de ska samla in den, samt övervaka och utvärdera kvaliteten på nya former av data som skapas och används av GenAI-system . ”

3.2. Databeredskap för AI-applikationer

En datadriven arkitektur är nyckeln till att upprätthålla noggrannhet och konsekvens i hela nätverket. Att använda en gemensam datamodell säkerställer att data flödar smidigt mellan alla system och hanteras korrekt i alla automatiserade arbetsflöden.

AI behöver data, och dataanalys behöver AI. Många operatörer står idag inför betydande utmaningar när det gäller att utveckla sammanhängande datastrategier för att fullt ut utnyttja AI-teknik. Operatörer i tidiga skeden av AI-experiment kan underskatta vad som behövs, särskilt när det gäller data, för att framgångsrikt implementera AI i stor skala.

Många operatörer saknar en sammanhängande strategi som gör det möjligt för data att flöda horisontellt över organisationen enligt en enda datamodell.

Några specifika utmaningar med att förbereda data för AI:

Det saknas tydlig, konsekvent och handlingsbar data som kan tillämpas på olika delar av verksamheten, från nätverk till tjänsteleverans och kundupplevelse. Detta är avgörande för alla processer kring datadriven, AI-driven exekvering.

Bristen på en gemensam datamodell (data samlas för närvarande in från flera leverantörer) resulterar i extremt tidskrävande aggregering av strukturerad och ostrukturerad data.

Brist på datakontext, att inte helt veta hur, när, var och för vilka ändamål informationen samlas in, är ett särskilt betydande hinder som telekomföretag måste övervinna om de vill använda GenAI eller någon annan typ av maskininlärningsmodell.

Operatörer ser värdet av data och har ökat sina investeringar i dataanalys. Omdia uppskattar att globala operatörer år 2025 kommer att ha investerat cirka 2,5 miljarder dollar i dataanalys.

Faktum är att den tid och investering som krävs för att samla in, rensa, omvandla och lagra data i rätt format ofta är oproportionerligt mycket högre än den tid det tar att använda den informationen. Processen att skapa datasjöar och datalager har pågått i åratal, men den har ännu inte gett operatörer möjligheten att distribuera AI i stor skala i sina organisationer.

Tillkomsten av AI-baserade innovationer och analyser har drivit på behovet och kravet på mer mångsidig och flexibel dataanvändning, till exempel:

- AI/maskininlärning kräver enorma mängder data för att träna modeller

- Diverse datamängder och flera datatyper behövs för att säkerställa opartiska AI-resultat

- Lägg till datalager för att förbättra modellens noggrannhet och applikationspåverkan

- Modeller måste kontinuerligt tränas med den senaste informationen för att bibehålla prediktiv prestanda, särskilt i dynamiska miljöer

- Data måste vara tillgänglig i realtid för kritiska affärsfunktioner, främst i mycket interaktiva miljöer

- Tillkomsten av GenAI har gett operatörer möjlighet att utnyttja den stora mängden ostrukturerad data som finns tillgänglig, men denna data måste taggas och rensas innan den matas in i LLM.

För att göra betydande framsteg inom AI ur ett dataperspektiv behöver operatörer göra en omfattande förändring i hur de hanterar data som "flyter" genom systemet, ibland en förändring i företagskulturen. Nyckelfaktorn är att bygga en gemensam datamodell och skapa en enda sanningskälla.

Att bygga en enda källa till sanning är en oerhört komplex uppgift som hittills har varit bortom de flesta operatörers kapacitet på grund av fragmenteringen av data. BT, Deutsche Telekom och Telefónica har vidtagit åtgärder för att åtgärda detta genom att flytta all sin data till det publika molnet. Till exempel har BT under de senaste två åren flyttat mer än 90 % av sin data till Google Cloud Platform.

AI-arkitektur, bygg, köp och skala

Det finns många likheter mellan AI/GenAi och molntjänster, särskilt det teknologiska skiftet och dominansen av hypercallers. Nätoperatörer står inför samma problem, samma fråga som AI och molnet: Vad ska man köpa och vad ska man bygga?

Teleoperatörernas syn på AI formas till stor del av kärnprinciperna öppen arkitektur och kompositionsbarhet. Deutsche Telekoms Omair Ahmed Khan säger att de flesta av företagets AI-projekt involverar en kombination av bygg- och köpkomponenter, ”Deutsche Telekom har en hybrid bygg- och köpstrategi, och köpdelen har aldrig inneburit att köpa en komplett nyckelfärdig lösning.”

Operatörer anser att det är för tidigt att betrakta AI som en del av sin företagsarkitektur eller som en del av sin referensarkitektur. Vissa operatörer med en tydlig vision och strategi för att integrera AI i sin framtida företagsarkitektur inser också implementeringsutmaningar som är specifikt relaterade till de människor, verktyg och funktioner som behövs för att leverera effektiva resultat och en tydlig avkastning på investeringen.

Programvaruindustrialisering kan ses som en god praxis för AI-industrialisering genom att flytta data till publika moln och göra informationen tillgänglig i realtid. En IT-chef för ett sydostasiatiskt företag beskrev processen som företaget tog för att industrialisera AI som en "datafabrik". "Detta har avsevärt minskat tiden och kostnaden för AI-produktion", sa han.

”För två år sedan var kostnaden för AI-produktion mycket hög. Det tog sex till åtta månader att skapa en AI-modell. Nu tar det bara några dagar. Man kan köra hela cykeln mycket snabbare och med färre personer.”

Övning i vissa transportörer:

China Mobile: har köpt hårdvara och byggt ett eget datacenter inklusive grafikprocessorer (GPU:er) och acceleratorer som en del av Jiutian LLM-projektet.

Jio: Reliance Industries, moderbolaget till det indiska telekomföretaget Jio, har inlett ett samarbete med Nvidia för att bygga superdatorinfrastruktur för AI. Reliance strävar efter att tillhandahålla AI-infrastruktur till forskare, utvecklare och startups över hela Indien och skapa AI-applikationer och tjänster för Jios 450 miljoner kunder.

Att bestämma var AI ska distribueras i ett publikt moln eller ett privat moln är också en fråga för telekomföretag och beror till stor del på distributionens omfattning. Att distribuera AI i ett publikt moln har fördelen att det finns gott om datorresurser, kraft och specialiserad hårdvara som behövs för att bearbeta komplexa algoritmer och stora mängder data. Kostnaden kan dock bli ett problem om operatören bara använder det publika molnet för att bearbeta stora datamängder.

Beslutet att använda ett privat moln för GenAI anses av många operatörer vara ogenomförbart om inte operatören bygger sin egen LLM – som i fallet med China Mobile, Softbank och SK Telecom i Asien och Deutsche Telekom i Europa. Operatörer tenderar att prioritera publika moln för testning och byggande av MVP:er för AI-användningsfall.

I takt med att operatörer ökar sin användning av AI kommer det oundvikligen att leda till djupare relationer.

- Softbank: har inlett ett samarbete med Nvidia för att bygga datacenter (TTDL) utformade för att vara värd för GenAI och trådlösa applikationer. Den nya TTDL:n kommer att hantera både AI- och 5G-arbetsbelastningar.

- SK Telecom: eftersträvar efterfrågan på AI-baserade datacenter som en del av SKT:s bredare AI-ambitioner. Finansdirektör Yang-Seob Kim sa att SKT planerar att "ytterligare stärka sin datacenterverksamhet med fokus på nästa generations AI-datacenter och global expansion".

- NTT investerar 1,5 biljoner yen (cirka 12 miljarder dollar) under de kommande fem åren för att expandera och uppgradera sin datacenterverksamhet globalt för att möta den växande efterfrågan på data relaterad till användningen av GenAI, tillsammans med andra tekniker.

Att bestämma var AI ska distribueras i ett publikt moln eller ett privat moln är också en fråga för telekomföretag och beror till stor del på distributionens omfattning. Att distribuera AI i ett publikt moln har fördelen att det finns gott om datorresurser, kraft och specialiserad hårdvara som behövs för att bearbeta komplexa algoritmer och stora mängder data. Kostnaden kan dock bli ett problem om operatören bara använder det publika molnet för att bearbeta stora datamängder.

Beslutet att använda ett privat moln för GenAI anses av många operatörer vara ogenomförbart om inte operatören bygger sin egen LLM – som i fallet med China Mobile, Softbank och SK Telecom i Asien och Deutsche Telekom i Europa. Operatörer tenderar att prioritera publika moln för testning och byggande av MVP:er för AI-användningsfall.

I takt med att operatörer ökar sin användning av AI kommer det oundvikligen att leda till djupare relationer med supermakterna – Amazon Web Services, Microsoft Azure och Google Cloud.

Referenser:
1. Affärspotential inom AI: Att förstå värdet av AI för
telekomverksamhet. https://www.ericsson.com/4ac6ca/
tillgångar/lokal/rapporter-dokument/ytterligare-insikter/dokument/ai-
affärspotential.pdf
[2]. Emerging Tech Impact Radar: Artificiell intelligens, Gartner, 19 januari 2024 ID G00796195
[3]. Generativ AI: operatörer tar sina första steg, TMforum 2023
[4]. Att bygga en AI-strategi, telekomföretagen lade grunden,
TMforum 3 mars 2024
[5]. https://intellias.com/ai-in-telecommunications/
[6]. https://www.alliedmarketresearch.com/ai-in-
telekommunikationsmarknaden-A09352
[7]. Gen AI inom telekom, viktiga resultat från Omdias GenAI-telekombolag
tjänsteleverantörsundersökning Omdia 2024
[8] https://www.xenonstack.com/enterprise-generative-ai/
telekom/
[9]. Vart är AI på väg? Nokia https://www.nokia.com/thought-
ledarskap/artiklar/ai/vart-är-ai-på-väg/
[10]. Ericsson Telco AI, Internt dokument

(Publicerad i tryckt utgåva av Information and Communications Magazine nr 8, augusti 2024)

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