目前,各行各业都在借助AI实现业务转型,对于电信行业也不例外。电信市场采用AI技术的主要驱动力是电信网络向自动化的转型,同时也因为电信运营商面临着成本和收入方面的挑战。在运营商应对这些挑战时,AI是他们必须利用的工具之一。
AI可以帮助电信行业企业应对数据挑战、日渐增长的网络需求、抵御网络威胁、优化服务和改善客户体验。除此以外,机器学习(ML)、加速分析和AI为电信公司创造了提供新服务的机会,创造新的收入来源。
AI对于电信行业的价值
利用AI提供的强大分析、预测与策略优化等能力来赋能网元、网络和业务系统,实现电信网络的智能规建、智能运维、智能优化管控与业务能力提升,已经成为当前国内外电信行业的发展重点。
AI在电信行业的价值是多方面的,比如改善客户、优化网络运营、创新服务等。
客户与产品、解决方案和员工的互动可以帮助提升品牌忠诚度,因此AI可用于改善客户体验、减少客户流失并提升品牌认知度。
呼叫中心是电信行业的标准,很多电信公司使用对话式AI,对客户行为进行建模,并提供即时响应。例如利用AI自动回复收到的文本消息。
电信行业正在迎接海量的网络和客户数据,这些数据可为管理网络性能、安全性和客户体验提供有价值的信息。AI和ML技术非常适合分析海量网络数据,以便实时管控质量,并改进各种服务的性能和容量规划。AI还可以提供出众的网络安全功能,包括实时威胁防护响应等。
打开元宇宙的大门 CloudXR加速运营商业务创新
在业务转型的背景下,电信行业利用AI开辟新的营收来源成为刚需。现在AI正在融合各行各业,比如智慧零售和智慧交通,为充分利用这些机会,电信公司如今需要进行各种投资,帮助客户实现由AI助力的互联互通。此外,借助AI,电信公司还可以与展开竞争。
全球电信公司的AI探索
其实电信公司在AI方面的探索已经在进行中,例如T-Mobile在其联络中心部署了一个基于对话式AI的聊天机器人和一个自助服务中心,还提供了坐席辅助功能和转录服务。现在,他们便能将客户与坐席间的对话转录为实时文本,更好地协助呼叫中心坐席。
T-Mobile利用GPU来降低延迟并缩短响应时间以满足客户需求,同时覆盖更多的语言并提高准确性。据T-Mobile表示,在前18个月中,他们实现了750%的投资回报率。
爱立信将沉淀数十年的无线电网络仿真专业知识与NVIDIA Omniverse Enterprise相结合。在该平台中,他们将构建城市规模的数字孪生,以便准确模拟5G基站与环境之间的交互作用,从而更大程度地提高性能和覆盖率。
NTTEast是全球四大电信公司之一NTT旗下的一家集团公司。该公司在基于NVIDIA的多接入边缘平台上提供一个来自ISV的应用市场,向多个垂直行业提供服务。
全球电信公司为何选择NVIDIA?
众多电信公司选择NVIDIA,主要是由于NVIDIA可提供用于AI的全栈式端到端计算平台,并拥有庞大的合作伙伴生态系统,因此电信公司无需高度专业化的AI专业知识便可开启AI之旅。
电信公司可以从具有先进性能的硬件和CUDA GPU架构开始,构建AI的完整基础。NVIDIA AI Enterprise是一款端到端云原生AI和数据分析软件套件,由NVIDIA优化、认证并提供支持。此套件包括NVIDIA的关键启用技术和软件,用于在现代混合云中快速部署、管理和扩展AI工作负载。
此外,NVIDIA AI平台让构建和管理AI、DevOps/MLOps以及数据科学基础架构变得简单易行。NVIDIA的容器化框架(均经过交互和功能性认证与测试)让电信公司能够快速顺畅地部署AI应用。
NVIDIA软件平台可在任何环境下运行,并支持在笔记本电脑、数据中心、边缘和云端等任何地方进行部署。同时,借助NVIDIA AI,企业可以将工作负载转移到内部私有云或混合云中,而不是单纯依赖任何一种方法。
例如针对先进的对话式AI,NVIDIA Riva可提供加速数据流程、用于开发高质量虚拟助理应用的工具、实时转录和聊天机器人。NVIDIA AI还能通过实时账单提醒、产品使用详情和促销特惠,帮助电信公司缔造更具个性化的客户体验。
NVIDIA Morpheus网络安全AI框架可将AI应用于流量的实时监控,从而让安全团队能够洞察安全威胁。
作为逼真的3D设计协作和世界仿真平台,NVIDIA Omniverse Enterprise能让电信公司开发城市规模或全球规模的物理级准确数字孪生,以便他们在无机会成本的情况下,以虚拟方式测试5G信号塔的部署。借助大规模实时仿真,电信公司可以加速部署、将准确性推向新高度,并更好地预测未来的维护或运营需求。
NVIDIA AI平台还针对AI提供了共享的集中式基础架构,且具备相关专业知识、效率和规模,如此电信公司便可随着时间不断构建其AI卓越中心。NVIDIA与ISV、设备供应商和开源生态系统合作,可为内部部署、云部署或混合环境部署提供加速AI解决方案。
结语
目前,电信公司应用AI还处于探索期,而NVIDIA全面的AI解决方案可以帮助电信行业紧抓产业机遇,实现自身的业务转型。
如果您想详细了解“AI赋能电信行业”,请下载白皮书。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。