从表面上看，人工智能（AI）在电信行业似乎很普遍。 多年来，我们一直熟悉可响应您的口头命令的声控菜单系统。
然而，人工智能在电信领域的潜力比语音控制要深远得多，尽管存在一些独特的挑战。 我与性能保证解决方案提供商 Accedian 的产品管理副总裁 Tom Footit、智能自动化提供商 Blue Planet 的产品组合和工程副总裁 Kailem Anderson 以及 MobiledgeX 的首席商务官 Eric Braun 讨论了这个话题。 边缘计算公司。
Scott Matteson：人工智能在电信领域有哪些机会？
Tom Footit：电信网络产生大量数据，因此人工智能在这个领域有很多机会。 这些机会分为三大类：
使用数据了解和预测网络和应用程序的性能和安全性。
使用数据来理解和预测客户行为。
当客户遇到问题时使用数据来帮助他们（客户支持）。
为了充分利用人工智能，电信公司必须利用能够提供与性能、最终用户体验和组织安全相关的最精细、高质量（且干净）数据的技术。
Eric Braun：人工智能在电信领域的机会很多。 电信领域的人工智能可以在三个机会空间中实现变革：
电信自己的运营和业务系统可最大限度地提高个性化客户体验机会，同时提高交付、性能和预防性维护的效率。 电信运营和业务系统会生成大量干净、有价值的数据，这是机器学习分析和人工智能系统生成的推理决策的理想输入。 如今，电信已经成为全球最大的运营物联网 (IoT) 解决方案。
由于电信的独特分布，基础设施可用于托管第三方购买提供商的人工智能引擎，该引擎可以实时处理大量第三方发布数据，否则这些数据无法用于第三方购买提供商的见解。 从第三方购买提供商的角度来看，这是 5G 和边缘计算可以抓住的主要机会，因为所有企业都可以凭借自己的权利成为自己客户的服务提供商。
未来，还有机会将电信人工智能见解和第三方采购提供商见解相结合，以进一步改善体验和运营，因为它们存在于电信边缘网络中。 一个例子是可预测的无线电性能，其中应用程序可以预先阻止连接功能的变化，并在变化之前调整其性能。
Kailem Anderson：人工智能不仅是操作和控制当今网络的精髓，也是未来网络的精髓。 随着服务提供商不断发展其网络以支持对新产品和服务不断增长的需求，他们将网络构建在现有系统之上——将新旧系统、供应商 A 与供应商 B 混合在一起，整体上变得越来越复杂。
管理这种网络复杂性让网络技术人员不堪重负，并使服务提供商对网络做出反应而不是积极主动。 将人工智能引入网络提供了一个绝佳的机会来解决服务问题、减少手动任务并提高运营效率，最终使资源能够重新定向，以创造更好、更定制的客户体验。 这是能够适应人工智能驱动的自动化的网络的最终目标。
Scott Matteson：人工智能可以提供哪些目前的实现无法提供的功能？
Tom Footit：传统上，电信网络非常静态，并且需要手动设计、部署和维护。 最近对运营商网络的需求要求它们变得更加动态[导致软件定义网络 (SDN)、网络虚拟化 (NFV) 和相邻技术的兴起]，但设计、部署和维护它们的过程已经发生了变化。 难以跟上复杂性的增加，并且对于大多数电信运营商来说基本上仍然是手动流程。
简而言之，人工智能有望更好地实现某些设计/部署/维护生命周期的自动化，从而允许网络复杂性增加，而无需相应增加运行网络的运营支出。
Eric Braun：从历史上看，电信系统是根据对电话呼叫性质的长期经验精心设计和实施的。 借助 4G/LTE 和 5G，网络负载正在快速转换为数据连接，这与语音电话本质上完全不同，要求电信服务提供商快速、大幅改变其许多设计和运营原则。 机器学习和现有数据提供了实现这一目标的手段，以及网络运营自动化的基础。
基于这些数据的机器学习也是网络运营商获得宝贵洞察的一种方式，了解他们的网络如何使用以及价值在哪里产生。
Kailem Anderson：简单来说，人工智能有潜力改善网络运营过程的每一步。 人工智能的学习速度比人类更快，因此通过利用这些网络产生的大量数据，人工智能解决方案能够在模式和潜在网络问题出现之前识别它们，找到解决方案，并在服务中断之前实施它。 例如，蓝色星球主动网络运营解决方案利用人工智能来预见许多计划外的网络中断，查明原因并规定必要的行动以先发制人地解决问题。
Scott Matteson：这些机会实施起来有多容易？
Tom Footit：一方面，这些 AIOps 机会更容易实现，因为我们谈论的是传统上生成大量有关其运行方式的数据的网络。 另一方面，大多数电信运营商还没有开始收集这些数据并利用这些数据进行智能操作。 他们主要使用这些数据来生成警报并以中断/修复的心态进行操作。 实施系统和流程可能是一个挑战。
埃里克·布劳恩（Eric Braun）：改变一个多世纪经验中形成的设计和商业实践充其量是困难的。 机器学习/人工智能的新颖性和所需的新知识以及自动化操作所需的变化使这些问题变得更加复杂。 潜在价值是巨大的，但要实现这一价值，需要运营商从管理和业务结构到所需的数学能力的各个层面进行变革。
如果展望 5G 和边缘计算，并使用此处解释的 4 边缘模型，那么很明显，电信边缘今天已经存在，但利用分布式基础设施的唯一应用程序是电信功能本身，例如无线电 控制器、分组核心和边界网络功能。 电信公司在充分利用人工智能为自身和第三方采购提供商提供支持方面面临的最大挑战是实现对其基础设施和系统的可编程访问，并使此类访问尽可能简单且“云原生”。
Kailem Anderson：在网络中利用人工智能并不像打响指那么简单，但这是一项完全值得的努力。 对于任何服务提供商来说，第一步都是定义自动化以及人工智能在其网络中的样子——哪里需要它，哪里最能帮助提供价值。 从那里开始，他们可以开始将人工智能逐步投入运营。 这一点至关重要，因为尽管人工智能解决方案速度很快，但它们仍然需要时间来学习，这意味着采用人工智能并不是立竿见影的。
事实上，提供商仍然会严重依赖人类专业知识，尤其是在早期阶段：是的，网络运营团队将使用人工智能来识别潜在的根本原因问题，但这些团队成员不会让人工智能闭环并自动修复 。 只有当人工智能解决方案已经建立了良好的记录，并且运营团队对其建议具有高度的信心以及适当制定和采取行动的能力时，才可以使用人工智能解决方案来完全自动化流程。
数据是贯穿整个对话的潜在电流，而正是这些数据将决定人工智能功能的实现速度。 这些系统需要数据来学习。 他们依赖于培训和数据标记，这需要投资。 从长远来看，尽早认识到数据重要性的服务提供商将会看到回报，因为他们的人工智能能力会加速实现。
斯科特·马特森：是什么导致了这些延误和障碍？
Tom Footit：如今，在电信网络中利用数据进行 AIOps 的技术已经存在，它主要基于成熟的开源技术以及在其他领域和行业中开发的成熟的数据科学。 我们看到的最大障碍是变革：让人员和流程采取所需的变革，从主要手动的工作方式转变为更加自动化的工作方式需要时间。 组织需要时间来学会信任数据，并相信人工智能可以有效地自动执行多项任务，从而使人类能够腾出时间来执行更复杂和更高价值的操作。
埃里克·布劳恩（Eric Braun）：这种规模的变革必须自上而下地推动，基于明确的企业战略目标或强制规定，并有明确的高管支持，以克服“我们不这样做！”的预期阻力。 采用云原生运营、流程和人才是关键，发现必须从学术架构转向现实中的智能学习。
正如我们的首席营销官曾经说过的，聪明的电信公司正在进行多重赌注。 边缘计算的好处在于它将会发生，因为每个参与者都认识到它需要发生。 这包括超大规模企业、电信移动运营商和所有供应商。 所以唯一的问题是它应该如何发生。 这并不是一个一刀切的市场。
我们要对所有运营商说的是，唯一错误的策略就是无所作为。 两年内请不要在学术上谈论这个问题，因为在接下来的两年里，市场将在现实世界中形成，你将没有杠杆或理解力。 如果我是一名首席战略官，当没有人真正确定这个市场将如何发展时，我会非常害怕选择一种策略。 下几个赌注并从中学习。
Scott Matteson：组织应该采取哪些措施来缓解障碍？
Tom Footit：AIOps 就是渐进式变革：从小处着手，利用数据做出更好的决策，同时仍将最终决定权交给人类，这是一个很好的开始方式。 该技术可实现“闭环”自动化，无需人类参与决策过程； 例如，自动检测并修复网络中的问题，但这不一定是第一步。
Scott Matteson：提供商应该采取哪些措施来缓解障碍？
Tom Footit：与客户保持同步。 如果 AIOps 涉及渐进式变革，那么提供商需要停止夸大其优势，并与客户合作开始实施它。 对于大多数运营商来说，变革将通过演进而不是革命来实现。
Scott Matteson：未来会有哪些机会？
Tom Footit：由于电信网络数据非常丰富，因此存在很多机会。 使用闭环自动化实现自愈网络的概念是每个人都追求的目标，并且在未来肯定可以大规模实现。
