电信运营商考虑采用AI技术来实现更高程度的自动化

优化运营仍然是电信运营商的一个关键挑战。Ovum的《2016/17年ICT企业洞察》对全球近480名电信运营商高管的调查表明，提高运营效率与提高收入的需要几乎同样重要。

电信运营商需要在市场营销、销售、客户服务、计费和网络运营等诸多领域实现更有效的运营。为支持这些努力，电信运营商正考虑采用AI技术来实现更高程度的自动化，优化业务流程以更好地服务客户，以及优化网络和流量管理。

传统机器学习已落后

AI是一个具有悠久历史的领域，它的功能不断演进，并且在最近经历了重大突破。如今，AI系统可以执行的任务能够等同于或优于与人类智力有关的一些技术（例如图像和语音识别，决策制定和语言翻译）。这些功能可以通过机器学习中的几种技术实现（如深度学习）并应用于自然语言处理等领域。

尽管电信运营商（如AT＆T和Verizon）已经在使用AI/机器学习技术，但供应商和电信运营商尚未完全发现该技术最具影响力的优势。例如，AT＆T一直在使用机器学习进行网络管理和呼叫中心自动化。在网络管理中，机器学习系统捕获数据，分析数据，识别异常情况，并为工程师或其他服务人员生成故障单从而帮助他们解决问题。然而，早期采用并不一定那么复杂。

在传统的机器学习方法中，程序员需要指定某个事件，从而让机器学习算法进行识别以作出决策（该过程被称为特征提取）。这种方法将运营的准确性限制在程序员或网络团队的经验上。导致网络故障的未知网络状况等挑战将被忽略，其造成的次优网络状况可能严重影响客户体验。大力投资SDN的电信运营商（比如AT＆T）将需要有效的AI技术来预测已知和未知的系统故障，并在检测到的故障发生进而影响客户服务质量之前立即采取行动。该功能的实现需要无需人类介入（减少决策制定时间和“人为”失误的风险）就能实际发挥功能的AI技术。

DRL让AI取得进一步发展

深度学习有望规避传统机器学习方法带来的挑战，并代表着如今机器学习的尖端技术。深度学习系统使用模拟人脑工作方式的计算模式，因此它可以进行自主学习，无需人类“老师”来提取预期的特征，也就是运营商所指的网络特征。

DRL技术将深度学习与另一类被称为强化学习（RL）的机器学习相结合。RL是支持机器和软件代理程序自动确定特定情境中的理想行为以最大化性能的一种学习。

华为等供应商将在网络管理中应用DRL视为该技术的重要用例之一。由于物联网和其它新型数字服务产品的出现，连网终端数量不断增加，视频等服务产生的流量也因此而增多。Ovum预计在2015至2020年这五年中，电信运营商的移动网络和固定宽带网络的数据流量将以25％的复合年均增长率增长。该增长率意味着整体市场将增长到原来的3倍。在移动网络方面，这种发展将更加极端，因为总流量预计将增长到原来的7倍多。

随着电信运营商对SDN进行投资，SDN控制器的自主学习能力将变得至关重要。由于电信运营商网络的更多部分处于SDN控制器的控制之下，它需要分析功能来支持它适应任何网络场景，并仍然保持高网络性能。SDN控制器将需要在其运作中具有前瞻性；根据当前和历史数据实时做出决策。一旦做出决策，就需要执行影响评估，以确保服务质量不受损害。此外，当对网络状态做出决策时，这些决策不应局限于已知的网络故障，还要考虑未知的网络故障。这种方法将确保网络在SDN控制器的控制下实现最佳运营。