借助生成式AI重塑电信行业

电信行业对生成式 AI 的潜力充满期待，但同时也面临着准备不足和资源限制的挑战。IBM 商业价值研究院（IBM IBV）与 TM Forum 合作，提出了七项关键策略，帮助通信服务提供商在采用生成式 AI 时从谨慎转变为自信。

核心观点：

• 通信服务提供商（CSP）应积极应对生成式 AI 带来的商业机会与挑战，但准备程度与期望之间存在较大差距。
• 只有三分之一的受访电信高管认为其组织能够有效利用生成式 AI，而 60% 的受访者承认其组织的数据集成能力仍处于不成熟或初级阶段。
• 通信服务提供商需要优先建立数据基础设施，并采取灵活的治理和监督方法，以确保能够充分发挥生成 AI 的潜力。
• 成功的关键在于选择最具回报的用例，保持正确的心态，并采取稳健的技术决策和成本管理方法。

关键数据：

• 生成式 AI 在总 AI 支出中所占比例预计将在未来两年内增长 37%。
• 只有不到四分之一的受访高管表示已经明确如何通过生成式 AI 打造差异化企业战略。
• 45% 的受访高管认为准备程度一般，只有三分之一的受访者认为准备程度良好。
• 超过半数（56%）的受访者表示其组织没有成熟、明确的方法来采用这项技术。

七项关键策略：

1. 选择正确的 AI 用例： 从低风险的实验开始，提升员工效率，例如使用生成式 AI 创建营销活动内容或总结文档。识别和部署那些可变革运营和客户体验的优质用例。
2. 识别和评估数据： 检查是否拥有与每个用例相关的准确、完整和最新的数据。考虑数据隐私和安全法规，以及数据中的潜在偏差。
3. 选择生成式 AI 模型并了解模型训练要求： 从大语言模型（LLM）开始进行实验，然后在细化用例时转向小语言模型（SLM）。选择专有模型或开放模型，以及行业特定的基础模型。
4. 制定商业论证： 考虑整个解决方案生命周期中的成本，包括推理成本、微调成本、云支出、部署成本和人才成本。评估成本效益中的间接回报，例如提高生产力、改善风险管理和提供有吸引力的产品/服务。
5. 更新 AI 治理： 确保治理框架能够识别和防范技术带来的风险，例如算法偏见、歧视以及对个人隐私的侵犯。关注可解释性和透明度，以及生成式 AI 相关的独特风险。
6. 评估和解决技能需求： 建设内部专业能力，培养内部卓越的 AI 中心，并投资于人才的再培训。与业务合作伙伴合作，弥补 AI 技能方面的差距。
7. 制定监控和调整计划： 定期监测业务案例中的关键指标，以评估生成式 AI 解决方案的效果。关注技术的前沿进展，及时更新其技术应用。

研究结论：

通信服务提供商可以通过采取七项关键策略，有效应对生成式 AI 的实施挑战，并促进行业内合作。通过仔细规划和开展合作，通信服务提供商可以更有效地发挥生成式 AI 的潜力，推动业务的数字化转型与创新。