生成式AI蓬勃发展,各行各业都在积极探索人工智能在业务创新中的应用。比如电信行业正在采用AI来改善客户体验、实现流程自动化、提高生产力并优化网络运营。
AI技术带来的机遇,正为电信行业带来翻天覆地的改变。然而,面对这些机遇,从战略规划到投资决策,再到技术部署,各个环节都需要深思熟虑和精心准备。
机遇与挑战并存
当前行业客户对于AI有着非常高的期待,并期待给自身的业务带来改变。AI将使采用AI的人能够在市场上获得竞争优势。 这在竞争激烈的电信行业非常重要。
生成式AI和大型语言模型(LLM)是年度突破性AI技术。2022年的调查并未提及生成式AI。但在2023年的调查中,43%的受访者表示他们正在投资这项技术,这清楚地表明电信行业正热情地接受生成式AI浪潮,以满足各种业务需求。
其实,电信行业拥有众多的场景可以应用AI。在投资AI的调查对象中,有57%的调查对象使用生成式AI来改善客户服务和支持,57%的调查对象使用生成式AI来提高员工生产力,48%的调查对象使用网络运营和管理,40%的调查对象使用网络规划和设计,32%的调查对象使用营销内容生成。
尽管迄今为止AI和生成式AI取得了成功,但仍然存在一些挑战,阻碍其在行业中的广泛应用。在2023年的调查中,缺乏或是找到合适的技术力是AI(34%)和生成式AI(55%)面临的最大挑战。第二个最大挑战是建立具有明确投资回报率的稳健商业案例。总体而言,33%的受访者表示难以量化投资回报率。
AI投资持续增长
电信公司对AI的投资在增长,这些投资都集中在AI基础架构和模型上面,使电信公司能够将其传统基础架构转变为AI就绪型平台,或部署AI以满足业务需求。
在2023年的调查中,43%的受访者表示2022年在AI方面的投资超过100万美元,52%的受访者表示2023年的投资相同,66%的受访者表示2024年AI基础设施的预算将增加。这些数字表明,与2022年的调查结果相比,数字呈稳步上升趋势。
除了投资客户体验优化,电信公司还在投资客户体验以外的其他AI用例。安全性(42%)、网络预测性维护(37%)、网络规划和运营(34%)和现场运营(34%)是其他值得注意的用例。
电信公司对AI理解的提高和不确定性的降低 (例如,在投资回报率方面),热衷于从概念验证(PoC)和试点转向实施AI驱动的应用程序。对于50%投资AI的受访者而言,这是AI投资的主要驱动力。到目前为止,已有41%的受访者完成了这一转变,目前正处于实施阶段。
加速AI在电信行业的采用
AI成为电信公司的主流,选择用于运行AI的平台变得更具战略性。总体而言,混合使用云和本地基础设施的混合配置仍然是主要的托管模式。进入2024年后,49%的受访者表示他们将保持混合,33%将在云端,18%将在本地。
在2023年的调查中,44%的受访者表示,与合作伙伴共同开发是其公司开发AI解决方案的首选方法。约28%的受访者更喜欢使用开源工具,而25%的受访者更喜欢AI即服务方法。
在投资AI技术时,寻求与第三方合作以加速AI采用成为受访者的首要任务。合作伙伴关系还为电信公司创造了机会,使其能够以较低的投资为客户创建新的服务,并能够快速扩展。99%的受访者表示,他们为内部和外部用户开发了AI解决方案。
对于生成式AI,40%的受访者使用生成式AI功能增强现有解决方案,并根据自己的数据训练AI模型。相比之下,只有29%的受访者与合作伙伴一起构建或定制模型。 对于具有严格数据保护规则的电信行业而言,这是可以理解的。
结语
AI在电信行业中的作用正在凸显。AI技术的采用对于电信公司非常重要,因为AI可以推动技术创新、开发新产品和服务、实现基础设施现代化、提高卓越运营水平以及为行业利益相关者提供盈利能力。
随着采用率的增长,AI(尤其是生成式AI)将逐渐成为电信行业技术和投资路线图中不可或缺的一部分。
更多AI在电信业的新机遇,等你来探索!点击获取白皮书,了解“电信行业AI现状:2024年趋势”更多内容。
预约观看2024 NVIDIA GTC大会线上演讲,了解各路电信业专家对AI如何助力改善客户体验、提升网络运营效率、构建AI工厂,以及加速6G研究进展等话题的深入探讨与解读。
好文章,需要你的鼓励
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。