生成式AI变革电信行业的有所为与有所不为

关于生成式AI的新闻层出不穷，生成式AI作为一种新的人工智能应用，可以生成全新的内容，包括对话、故事、图像、视频、音乐和代码等。生成式AI有可能给全球经济带来颠覆性的变化，根据高盛公司预测，它将在10年内推动全球GDP增长7万亿美元，让生产效率提升1.5%。同时，这个机遇也延伸到了电信行业。

生成式AI在电信行业中的应用潜力

与其他行业一样，生成式AI可以帮助电信公司在多种服务上提高效率：例如，准备需求建议书(RFP)、部署聊天机器人以协助销售，以及进行大规模的个性化营销。亚马逊云科技预计这一领域将出现大幅增长。Gartner数据显示，到2026年，95%的电信公司都将部署数据、分析和AI等举措，以增强客户体验并改进产品规划，而2022年这一比例仅为50%。然而，我们认为有一些特定行业的应用将是真正具有变革意义的。

增强客户体验：许多电信公司已经在利用AI来增强人际互动、提高客户体验的一致性、以及提升解决问题的效率。而生成式AI能够更进一筹，通过交互式语音响应——也就是在早期聊天机器人基础上进一步演进，帮助客户解决问题或者查找答案。此外，生成式AI还可以分析实时对话讨论，为客服人员提供提示和资源，帮助解决客户的问题。客服人员仍将在这一过程中继续发挥关键作用，但生成式AI可以重塑并改善每一次客户体验和应用。

简化网络规划、安装、配置和运营：生成式AI可以在网络生命周期的各个方面发挥关键作用。在网元安装过程中，工程师需要依赖手册和文档上记载的步骤。生成式AI可以导入这些数据，提供交互式的指导和提示，来加快和简化安装任务。基础模型也可使用网络拓扑和配置数据进行训练，对网元的配置提出建议。当网络出现故障时，基于生成式AI的应用程序可以向网络运营工程师提供故障排除的操作和步骤建议。

优化业务绩效：生成式AI可以帮助电信公司更便捷地定位哪些领域有收入流失或导致了收入流失。通过跨业务流程部署，生成式AI可以核查利润、收入、各种用户套餐、开支和客户费用，就如何进一步调整产品、优化利润提供建议。

主要考量因素

并非每一个人工智能或机器学习场景都需要应用生成式AI。事实上，有很多例子表明，对电信业务流程而言，基于监督和无监督学习技术的传统形式AI已经绰绰有余。例如，传统AI很擅长帮助电信运营商预测收入流失、检测网络异常情况或跟踪净推荐值等指标。除此之外，还有其他的重要因素需要一并考虑。

开发或训练基础模型的成本：对于基础模型，也就是通过大量数据训练并驱动生成式AI应用的大型人工智能模型，大部分资金都花在了训练上。公共模型是根据大量公开可获得的数据进行训练的，它们更具通用性，但可能无法很好地执行专门任务。另一方面，自定义模型可以组合公共数据和企业专有数据进行训练，为特定行业或企业提供更为具体的应用。从零开始构建模型，既耗时又昂贵，而且需要专业知识;但如果企业拥有大量数据、资源和具有特定领域知识的用例，那么开发定制的基础模型将是有意义的。同时，亚马逊云科技也在努力降低这项技术的使用门槛，让客户以现有模型为起点，使用客户专有数据对它进行进一步训练，促使模型更加适合特定任务。

数据质量和负责任的AI：生成式AI的优劣取决于它所训练的数据，而且也往往存在偏见或不准确的风险。在考虑采用生成式AI(或任何形式的AI)之前，最重要的就是要有高质量的、统一的数据。生成式AI需要广泛的数据集、训练和监督，才能形成推理和答案。无论公共还是私有基础模型，都可能会出现“幻觉”，产生看似可信但并不正确的反馈。因此，不建议将生成式AI用于需要高度确定性的任务上，由于问题自身特性或者缺乏足够的高质量数据，做到高确定性是不太可能的。

同样重要的是，需要确保以负责任的方式应用这项技术。一些新的生成式AI工具和服务在产品中内置了负责任的AI功能，例如当生成的代码与现有开源代码相似时突出显示，或者在训练数据集中检测和删除有害内容，以及过滤包含有害内容(如仇恨言论、亵渎和暴力)的文章。

数据安全：对于企业来说，以经营为目的利用生成式AI，需要大量的专有数据。虽然市场上有公开数据可供选择，但会引发关于安全和隐私的新顾虑，例如知识产权的相关问题。业务和IT领导者应与安全、合规和法律团队密切合作，以识别和降低这些潜在风险，确保以安全和负责任的方式部署生成式AI，此外还应围绕合规性和法律法规制定计划范围，并仔细考虑所使用数据的归属权。

无论对于生成式AI还是自然语言处理，在部署商用AI之前，都应花时间思考应用程序的部署、讨论数据的组织战略以及评估投资回报率。尽管如此，亚马逊云科技相信AI是这个时代最具变革的技术，生成式AI正在释放令人振奋的全新可能性，每家企业都应该进行探索和尝试。