انقلاب شبکه‌ها، مسیر خودکفایی آسیا با هوش مصنوعی مولد و سنتی

برای ارائه دهندگان خدمات ارتباطی (CSPs) در آسیا که با پیچیدگی‌های استقرار 5G و تحول دیجیتال دست و پنجه نرم می‌کنند، این پرسش کمتر در مورد پتانسیل فناوری و بیشتر در مورد کاربرد عملی آن است.

پاسخ در یک رویکرد هم‌افزایی نهفته است که نقاط قوت GenAI و هوش مصنوعی سنتی را متحد می‌کند. زمان آن رسیده است که CSPها با ادغام بینش‌های فعلی مبتنی بر هوش مصنوعی/یادگیری ماشین در مدل‌های زبانی بزرگ (LLMs) که به طور خاص برای صنعت مخابرات طراحی و تنظیم شده‌اند، قابلیت‌های هوش مصنوعی سنتی و GenAI را ترکیب کنند.

اگرچه داده‌ها و هوش برای CSPها یا صنعت مخابرات به طور کلی مفاهیم جدیدی نیستند، اما این حرکت گام بزرگی به جلو از عصر پیدایش مفاهیم داده‌محور و بینش‌محور است. بیش از 50 سال است که ارائه دهندگان خدمات با داده‌های اولیه برای نوشتن برنامه‌هایی که می‌توانند اقدامات خاصی را انجام دهند، کار می‌کنند. در طول 15 سال گذشته، این داده‌ها به داده‌های تله متری تبدیل شده‌اند که برای مدل‌سازی بینش‌ها در اقدامات استفاده می‌شوند.

در این عصر "دانش"، تصور می‌کنم، CSPها شروع به حرکت به سمت چشم‌انداز نهایی خواهند کرد که همانا رسیدن به سطح 5 شبکه‌های خودمختار است همانطور که توسط مدل بلوغ شبکه‌های خودمختار TM Forum تعریف شده است. در این سطح، CSPها می‌توانند عملیات خودمختار مبتنی بر هدف را اجرا کنند که خدمات بدون انتظار، بدون ارتباط مستقیم و بدون مشکل را برای پاسخگویی به نیازهای متغیر مشتریان خود ارائه می‌دهند.

فراتر از هیاهو

CSPها می‌توانند فراتر از هیاهوی GenAI حرکت کنند و با یکپارچه کردن قابلیت‌های هوش مصنوعی سنتی و GenAI، اولین قدم را بردارند. این حرکت مستلزم یک رویکرد عملی است. بنابراین، CSPها باید به دنبال شرکای با دانش عمیق در حوزه‌های تخصصی باشند تا با انجام برخی اقدامات حیاتی، به پر کردن شکاف هوش مصنوعی کمک کنند. این اقدامات شامل موارد زیر است:

گردآوری مجموعه‌ای گسترده از منابع دانش فدرال: بهره‌برداری از منابع غنی دانش بی‌نظیر در زمینه برنامه‌ریزی، طراحی، بهره‌برداری و پشتیبانی مشتری شبکه برای افزایش بهره‌وری و بهبود محصولات آینده.

توسعه یک سیستم LLMOps پیچیده برای بهینه‌سازی منابع دانش: استفاده از LLMs پیشرفته طراحی شده برای حداکثر کردن مزایایی که CSPها از منابع دانش دریافت می‌کنند. ارزیابی به کارگیری LLMs پیشرو از منابعی مثل جامعه متن‌باز که قدرتمند هستند و قادر هستند با صرف کمترین زمان و مقرون به صرفه بودن اطلاعات ارزشمندی در اختیار CSPها و شرکت‌ها قرار دهند.

اجرای مدیریت داده‌محور: استفاده از مهندسی پیام و تکنیک‌های تنظیم دقیق برای مدل‌های زبانی خاص مورد استفاده در صنعت مخابرات برای ثبات و دقت خروجی‌های تولید شده توسط هوش مصنوعی ضروری است. این امر با اجرای مدیریت دقیق مبتنی بر دانش، مخاطرات پیرامون خروجی‌های با کیفیت پایین را کاهش می‌دهد. اولویت‌بندی ارتقای مهارت‌های موجود در زمینه ابزارهای بردارسازی داده، تکنیک‌های تنظیم دقیق و مهارت‌های مهندسی پیام را به همراه دارد.

بدیهی است که CSPها نگرانی‌ها و سوالاتی دارند، زیرا بسیاری از آنها در حال استقرار 5G و سایر پروژه‌های تحول دیجیتال مبتنی بر فضای ابری هستند. بنابراین، آنها می‌خواهند بدانند آیا باید منتظر تکامل و بلوغ GenAI باشیم؟

پاسخ منفی است. به بیان دقیق‌تر نیازی نیست منتظر بمانند. شرکای نوآور امروز با CSPهایی که مایل به حرکت به سمت هوش مصنوعی مولد هستند در تعامل هستند تا بتوانند سنجه‌های قابل اندازه‌گیری را در اختیارشان قرار دهند. یک CSP سطح اول پیشرو را تصور کنید که می‌خواهد به دستاوردهای قابل توجهی در هزینه و کارایی در عملیات شبکه و خدمات دست یابد. این CSP درخواست‌های متعددی برای اطلاعات ارسال می‌کند و سپس شریکی را انتخاب می‌کند که بتواند پرسنل CSP را در مسیر طرح سنتی AI/GenAI که در بالا توضیح داده شد، راهنمایی کند. سپس، برای دستیابی به KPIهای واقعی و قابل اندازه‌گیری، از جمله 80 درصد کاهش زمان کسب دانش، 72 درصد افزایش کارایی تجزیه و تحلیل داده‌ها و صرفه‌جویی سالانه بیش از 6 میلیون یورو در عملیات شبکه، اقدام خواهد کرد.

حرکت بر مبنای استراتژی فوق، مسیر پیشرفت و موفقیت را هموار کرد و یک طرح آینده‌نگر برای خودکارسازی عملیات مبتنی بر هوش مصنوعی در اختیار شرکت‌ها قرار می‌دهد. رویکردی که تضمین می‌کند با صرف هزینه درست در مسیر GenAI، به اهداف از پیش تعیین شده در زمینه خودکارسازی پیکربندی‌های طراحی شبکه و توصیه‌های بهینه‌سازی، دست پیدا خواهند کرد. همه چیز با ترکیب بینش‌های سنتی AI/ML امروزی در LLMs GenAI آموزش دیده برای صنعت مخابرات آغاز می‌شود.

نمونه‌های پیشگام در آسیا

آسیا در خط مقدم نوآوری‌های فناوری قرار دارد و چند کشور در حال حاضر توان محاسباتی GenAI و هوش مصنوعی سنتی را در عملیات شبکه ترکیب کرده‌اند تا بتوانند موفق ظاهر شوند و بهترین خدمات را به مشتریان خود ارائه دهند.

به عنوان مثال، طبق گزارش TM Forum، یکی از نمونه‌های پیشگام در آسیا، ابتکار اپراتور China Mobile's برای خودکارسازی عملیات شبکه با کمک گرفتن از هوش مصنوعی است. این امر منجر به کاهش چشمگیر 80 درصدی زمان کسب دانش، افزایش 72 درصدی کارایی تجزیه و تحلیل داده‌ها و صرفه‌جویی سالانه چند میلیون یورویی در عملیات شبکه شد.

علاوه بر این، غول‌های مخابراتی آسیا-اقیانوس آرام مانند Singtel و SK Telecom به دنبال ادغام فناوری‌های هوش مصنوعی با هدف بهبود خودکارسازی شبکه هستند. اجرای عملیات نگهداری پیش‌گویانه مبتنی بر هوش مصنوعی توسط Singtel می‌تواند منجر به کاهش 10-15 درصدی زمان‌ عملیات و استقرار تجهیزات می‌شود. طبق مطالعه‌ای که توسط McKinsey انجام شده است، صنایع مخابراتی که از هوش مصنوعی در حوزه کاری خود استفاده کنند، به طور بالقوه 240-630 میلیارد دلار صرفه‌جویی را خواهند داشت و قادر خواهند بود این هزینه را صرف نوسازی و ارتقای تجهیزات زیرساختی خود کنند.

چنین نمونه‌هایی، بیان‌گر نتایج ملموس به کارگیری هوش مصنوعی در صنعت مخابرات هستند. همچنین، بد نیست بدانید که هوش مصنوعی مولد قادر است چالش‌های مهم تجاری CSPها را برطرف می‌کنند و پتانسیل یکپارچه کردن GenAI و هوش مصنوعی سنتی را در دستیابی به شبکه‌های خودمختار تضمین کند.

پتانسیل انکارناپذیر

در حالی که مزایای بالقوه هوش مصنوعی مولد انکارناپذیر است، ضروری است که با یک ذهنیت عملی به این فناوری نزدیک شویم. CSPها باید از وسوسه انتظار برای بلوغ هوش مصنوعی مولد قبل از اقدام خودداری کنند و با همکاری ارائه دهندگان باتجربه، به نتایج ملموس و بدیهی برسند، زیرا هوش مصنوعی مولد فناوری نیست که انتظار داشته باشید در یک یا دو سال آینده به بلوغ کامل برسد و هم‌طراز با فناوری‌های غیر هوشمند مورد استفاده قرار گیرد.

یک CSP پیشرو آسیایی را در نظر بگیرید که به دنبال افزایش کارایی شبکه و کاهش هزینه های عملیاتی است. با همکاری یک شریک تجاری برای اجرای یک استراتژی ترکیبی هوش مصنوعی مولد و هوش مصنوعی سنتی، می‌تواند بهبودهای قابل توجهی در زمینه‌هایی به شرح زیر داشته باشد:

• کسب دانش شتاب یافته: کاهش زمان صرف شده برای جستجوی اطلاعات مرتبط
• تجزیه و تحلیل داده‌ها: کسب بینش عمیق‌تر از داده‌های شبکه
• عملیات شبکه بهینه شده: دستیابی به صرفه‌جویی قابل توجه در هزینه

موفقیت‌های اولیه که ما شاهد آن بوده‌ایم، سکوی پرتابی برای ابتکارات جاه‌طلبانه‌تر مانند خودکارسازی طراحی و پیکربندی شبکه است. البته، مسیر دستیابی به شبکه‌های خودمختار پیچیده و چند وجهی است.

با ارزیابی و درک تعامل بین هوش مصنوعی مولد و هوش مصنوعی سنتی و بهره‌برداری از تخصص شرکای قابل اعتماد، CSPهای آسیایی می‌توانند خود را به عنوان رهبران این عصر تحول‌آفرین به جهان معرفی کنند. من معتقدم که پاداش‌ها در کارایی عملیاتی، رضایت مشتری و جریان‌های کسب درآمد نهفته است. از این‌رو، شرکت‌ها باید زمان قابل توجهی را اختصاص به این موضوع کنند.

تاثیر هوش مصنوعی مولد بر صنعت مخابرات

با توجه به توضیحاتی که ارائه کردیم باید بگوییم که هوش مصنوعی مولد، با توانایی خلق محتواهای جدید و نوآورانه، تحولی شگرف در صنعت مخابرات ایجاد کرده است. این فناوری به شرکت‌های مخابراتی اجازه می‌دهد تا با سرعت و دقت بیشتری، خدمات شخصی‌سازی شده و محصولات جدیدی را به بازار عرضه کنند. از جمله تأثیرات مهم هوش مصنوعی مولد بر این صنعت می‌توان به موارد زیر اشاره کرد:

• طراحی شبکه‌های هوشمند: هوش مصنوعی مولد می‌تواند به طراحان شبکه کمک کند تا شبکه‌های پیچیده و بهینه‌تری را طراحی کنند. با تحلیل حجم عظیمی از داده‌های شبکه، این فناوری قادر است الگوها و روندها را شناسایی کرده و پیشنهاداتی برای بهبود عملکرد و ظرفیت شبکه ارائه دهد.
• بهبود تجربه مشتری: هوش مصنوعی مولد می‌تواند در تعامل با مشتریان به صورت شخصی‌سازی شده و در لحظه، تجربه کاربری بهتری را فراهم کند. چت‌بات‌های هوشمند مبتنی بر هوش مصنوعی می‌توانند سوالات مشتریان را به طور دقیق پاسخ دهند، مشکلات آن‌ها را تشخیص دهند و حتی پیشنهادات شخصی‌سازی شده برای محصولات و خدمات ارائه دهند.
• پیش‌بینی خرابی تجهیزات: با تحلیل داده‌های حسگرها و تجهیزات شبکه، هوش مصنوعی مولد می‌تواند خرابی‌های احتمالی را پیش‌بینی کرده و اقدامات پیشگیرانه را انجام دهد. این امر منجر به افزایش قابلیت اطمینان شبکه و کاهش هزینه‌های تعمیر و نگهداری می‌شود.
• توسعه محصولات و خدمات جدید: هوش مصنوعی مولد می‌تواند به شرکت‌های مخابراتی کمک کند تا محصولات و خدمات جدید و نوآورانه‌ای را توسعه دهند. به عنوان مثال، می‌توان از آن برای ایجاد برنامه‌های کاربردی جدید برای شبکه‌های 5G، توسعه سیستم‌های امنیتی هوشمند و یا طراحی خدمات شخصی‌سازی شده برای مشتریان استفاده کرد.
• خودکارسازی فرآیندها: هوش مصنوعی مولد می‌تواند بسیاری از فرآیندهای تکراری و زمان‌بر در صنعت مخابرات را خودکار کند. این امر منجر به افزایش بهره‌وری، کاهش هزینه‌ها و آزادسازی نیروی انسانی برای انجام وظایف پیچیده‌تر می‌شود.

به طور کلی، هوش مصنوعی مولد پتانسیل بسیار بالایی برای تحول صنعت مخابرات دارد. با بهره‌گیری از این فناوری، شرکت‌های مخابراتی می‌توانند شبکه‌های کارآمدتر، محصولات و خدمات نوآورانه‌تر و تجربه مشتری بهتری را ارائه دهند.