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
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。