利用 Gen - AI 为电信提供动力

利用Gen-AI为电信提供动力 AUTHORS 迈克尔·诺特 高级合伙人 迈克尔·麦克拉伦 项目经理 在Gen-AI时代革新客户接触点 生成AI（Gen-AI）将改变所有行业，这不是最高级的陈述。许多人可能已经预测到Metaverse或Web3.0将引领数字化转型，但它将是Gen-AI，这仅仅是因为用例更加明显和有效。 电信中的新代码 假设Ge-AI的好处在电信领域有些微不足道是合乎逻辑的，因为该行业传统上是新兴技术的早期采用者。然而，Ge-AI在电信提供商（Telcos）的不同功能中有许多有影响力的用途，这些功能涵盖网络基础设施，后台运营，营销和产品管理以及客户服务。本文的目的是简化Ge-AI的含义，并通过精选的用例展示其强大的功能，深入研究它如何彻底改变客户接触点并帮助防止客户流失。 AI中有两个不同的计算时代 这个现代时代代表了计算时代的阶跃变化 1e+ 1e+2 1e+0 AlphaGoZero 神经机器翻译 T17Dota1v1 VGG ResNets AlexNet 3.4个月翻番 1e- 深度信念网和分层预训练 DQN 1e- TD-Gammonv2.1 1e- NETtalk BiLSTMforSpeechLeNet-5 语音的RNN 1e- ALVINN 1e-12 2年翻番（摩尔定律） 感知器 第一时代现代时代 1e- 1960 1970 1980 1990 2000 2010 2020 来源OpenAI，罗兰贝格 为了展示Gen-AI的功能，我们包括了与我们选择的用例相关的图像，并以Gen-AI撰写的部分作为结尾，这个过程是一种有趣的学习体验 。 在本文中，我们探讨了电信公司如何在其业务中集成Gen-AI，重点是增强客户接触点和防止客户流失。 绘制AI基因组图：AI101 虽然Ge-AI似乎是2023年的一项创新，但它自20世纪80年代以来一直存在。原始应用程序存在于视频游戏中，例如“Roge”和“Elite”，它们使用程序生成为玩家创建随机环境。这种生成新数据的能力是Ge-AI的核心。例如,新数据可以包括文本、图像、视频、语音和其他合成数据。被推到聚光灯下的Ge-AI之所以成为可能，是因为过去二十年来的技术进步，这一点很重要。 Petaflop/s-days 在整个2000年代和2010年代，深度学习和机器学习（ML）模型的发展使人们摆脱了僵化的确定性模型。这种演变导致了生成对抗网络（GAN）的发展，该网络将两种模型相互对立：一种旨在生成现实数据，而另一种则试图将真实数据与已生成的数据区分开来。它类似于珠宝商将真正的钻石与实验室种植的钻石区分开。GAN的对抗性策略产生的数据通常与现实世界的数据无法区分，并使其成为Ge-AI发展的基石。 1 2 3 4 5 虽然这些人工智能创新是非凡的，但它们只有在计算能力、数据可用性和云的按需可扩展性方面的重大发展才成为可能 。为了说明这一点，OpenAI发布的分析显示，从2012年开始，计算能力每3.4个月翻一番。这相当于 ~300,000x增长。从这个角度来看，摩尔定律-每年翻一番-只会是7倍。在数据可用性方面，当您查看这些模型已被训练的参数时，您会得到发展的幅度。例如，AlexNet（2012年3月）接受了6200万个参数的训练，神经机器翻译（2015年）约为2.1-3.8亿，而ChatGPT-3（2022年）有1750亿，ChatGPT-4（2023年）有1.76万亿 。从AlexNet到ChatGPT-4，这是一个。 〜28,000倍的增长，使大型语言模型（LLM）更加准确和提供信息。 我们认为，Gen-AI有五个关键方面将其与传统的AI和ML模型区分开来： 模拟复杂行为：Gen-AI模型可以创建与现有训练集非常相似的新数据实例，从而允许模型捕获更复杂的模式。 新颖性:他们可以通过大型训练集，学习模式和随机性来生成全新的，从未见过的内容。 个性化:他们可以根据个人行为、偏好和语言学提供高度个性化的内容。实时适应：他们可以根据随机输入或不断发展的条件实时修改输出。 对数据稀缺性的鲁棒性：这些模型可以在没有用于模型训练的真实数据的情况下提供合成数据。 超越传统AI：电信领域的Gen-AI颠覆 电信行业将为其运营和消费者关系中的Ge-AI中断做好准备。上述用例是Ge-AI可能产生变革性影响的可能性的一小部分样本，随着Ge-AI的继续发展，将会出现更多的机会。我们选择了四个用例，每个用例都来自典型的Telco功能：预测性维护，法律起草，用于广告创建的客户细分以及聊天机器人和客户流失建模的组合。 之所以选择这些用例，是因为我们认为它们是Gen-AI在当前功能下可能产生最大影响的示例。对于每个用例，我们都提供Gen-AI的可视化概述，然后深入研究对客户接触点影响最大的用例-聊天机器人和客户流失建模。 整个电信组织存在多个用例 通常情况下，我们会看到客户接 客户服务和渠道管理 渠道优化 网络路由优化 网络基础设 施 触点影响最大的用例 需求计划 VR客户 支持 预测性维护 高影响 SIM欺诈检测 流失建 模 法律起草和分析 聊天机器人 低影响 财务风险评估 息传递 本地化内容消 产品设计 动态定价 策略 供应商管理自动化编码 用于动态广告创建的客户细分 后台办公室 市场营销和产品管理 来源罗兰贝格 预测性维护 目前使用的AI模型包括卷积神经网络(CNN)、循环神经网络(RNN)、强化学习(RL)、 Gen-AI的描述说明了其从看不见的有利位置进行预测性维护的能力，并直接参与法律起草 我们相信Gen-AI的作用是支持现有功能并提高两种用例的效率 法律起草 预测性维护 来源罗兰贝格 图形神经网络(GNNs)和AutoML(AutomatedMachineLearning,AutomatedMachineLearning)。这些模型在可伸缩性、结构复杂性、长期记忆和过度拟合方面存在许多缺陷。Gen-AI已经集成到这些模型中(最新的模型可以改善这一点),以解决数据限制,甚至导致新的网络规划、负载测试和性能优化。 法律起草 起草电信行业的法律文件很复杂，因为它需要了解监管细微差别和技术细节，如网络基础设施或GDPR的解释。目前，起草过程仍然非常手动，使用文档模板和法律软件，这些软件可能使用基本的ML和自然语言处理（NLP）。这些模型是静态的，因此很难修改它们以适应不断变化的立法或将其应用于独特的情况。 Gen-AI可以接受广泛的法律文件培训，学习起草所需的结构、法律语言和细微差别。经过培训后，他们可以生成针对特定需求的草稿，从而加快起草过程。 用于动态广告创建的客户细分 广告在吸引新客户、推广新服务和品牌知名度方面起着举足轻重的作用。当前的数字广告以编程方式运行，其中在线行为用于细分客户。然后使用算法基于目标受众从各种在线平台购买广告空间。然而,广告的创造性元素(诸如视觉、消息传送或格式)在个性化方面有些受限。GeAI可以使用动态生成的视频、图像、文本和语音实时为众多客户细分创建超目标广告。这种个性化水平确保了更高的参与度和转化率，因为广告更强烈地与观众产生共鸣。 由于固有的流动性，Gen -AI在动态广告插入中的优势刻画具有挑战性 过程的性质 相反，Gen-AI通过利用表示复杂 统计模型和场景测试的数据可视化，提供了详细而实用的客户流失建模视图 来源罗兰贝格 聊天机器人和客户流失建模 防止客户流失是电信公司战略的核心，因为他们希望降低网络性能、客户服务和产品定价方面的不满。Chr建模是使用Logistic回归，神经网络和支持向量机（SVM）对现有模型进行微调的连续过程，仅举几例。虽然所有模型都无法准确地告诉你客户流失的原因，但由于数据质量差、缺乏可解释性以及对拟合过度和拟合不足模式的敏感性，这些模型往往无法预测客户流失。我们相信Ge-AI的集成而不是替代，可以增加语言功能并提高数据质量，以便更好地理解客户行为，从而提高客户流失预测的准确性。 客户流失建模的一个关键输入是客户服务，它查看公司数据，如呼叫等待时间，以及外部数据，如客户评论-这是聊天机器人进来的地方。现有的聊天机器人依赖于本质上是刚性的决策树，并且需要脚本，这是一个手动过程-稍后会详细介绍。使用Ge- AI解决方案，聊天机器人将更具动态性，并且能够处理更高的复杂性，我们将更详细地讨论这个特定主题。 解开纠结：解码客户投诉并防止流失 电信公司投入了大量的时间，金钱和精力来主动和被动地降低客户流失率。主动解决方案可能涉及构建网络以实现更好，更快的网络覆盖或在出现不满之前奖励客户。相比之下，一旦不满开始，被动策略就会解决问题，并旨在通过一流的客户服务将负面体验迅速有效地转化为积极体验。 在客户服务方面，当前的聊天机器人技术无法有效减少等待时间，有时甚至会导致客户流失。这是因为-在大多数情况下-它们是基于规则的系统（i。Procedres.，不是生成性的），试图将用户问题与预编程的响应相匹配。即使是遵循多层决策树结构的更高级的聊天机器人，也会在其编程范围之外的查询中挣扎。这些聊天机器人无法掌握上下文或语言上的细微差别，它们的僵化反应使它们在处理复杂的客户查询时效率降低。至关重要的是，它们不会随着查询复杂性的增加而扩展，并且缺乏任何学习能力。 需要一种新的解决方案，Gen-AI有可能改变客户流失预测和客户投诉处理的前端和后端流程，比现有的聊天机器人技术提供显著的优势。 后端优势 数据增强：Telco的客户数据宝库用于个性化客户互动。例如，Telco拥有有关如何成功解决单个问题的数据，因 此可以帮助提供如何解决未来问题的指南。尽管这些数据非常宝贵，但Gen-AI模型可以通过生成类似于真实客户数据的合成数据来进一步增强它。这是 对于为现有模型创建训练集有用，以持续监控和调整结果，从而更深入地了解影响流失的因素。因此，通过监控效果和持续的模型更新，可以使用Gen-AI增强现有的流失预测模型。 模拟分析:生成模型可以模拟各种客户行为。通过细分客户及其保留情况，Telcos可以预测客户流失并设计主动策略来减轻客户流失。 可扩展性和效率：Generativemodelscanbeeasilyscale.Whentherearesurgesincustomerinteractionsduringpeaktimes,Gen-AIcanscalewithouttheneedforadditionalhumanresources.Asaresult,consumersgetconsistently 高质量的客户服务与更短的等待时间和电信减轻挫折和流失。 持续学习：传统的聊天机器人是刚性的，受到手动脚本的限制。相比之下，Ge-AI模型更灵活，因为它们在大量数据集上进行训练，从中学习提供响应。学习不是实时的，而是周期性的。随着模型积累数据，然后可以对其进行微调和重新部署，以提供更相关的响应，从而使客户做出更好的反应。连续学习类似于F1赛车进行测试圈以收集性能数据。当 它回来时，会审查测试数据，工程师会对汽车进行调整以优化性能。F1赛车和Ge-AI模型都在从其部署中收集数据 ，然后在出发之前在维修区进行分析以提高性能。 前端优势 增强的自然语言：Gen-AI可以理解和响应自然语言，包括区域方言和口语。这允许客户以最自然的方式 交谈，从而改善客户体验，超出人类客户服务代表的能力。 上下文意识：与基于决策树的聊天机器人不同，Gen-AI可以理解上下文。例如，客户可能会抱怨他们的网络服务在某些时候被切断，但并非总是如此。这是现有聊天机器人无法掌握的上下文。这种更深层次的理解使其能够针对尚未进行预编程的情况提供更多相关的响应。 会话灵活性：与决策树聊天机器人不同，Gen-AI可以保留和回忆整个对话，而无需重复情境问题 。这使客户可以随机甚至不合逻辑地在不同主题之间切换，并且能够处理歧义。 情感感知和推理：这是最