


Unaufhaltsamer Trend: Die Telekommunikationsbranche steht vor KI-Chancen und Herausforderungen
Künstliche Intelligenz (KI) gilt weithin als Schlüsselkomponente der digitalen Transformation, und der Einsatz von KI wird weitgehend durch die Komplexität von 5G und damit verbundenen Diensten vorangetrieben. Die allgegenwärtige Natur der Cloud und ihre günstigeren Rechenressourcen haben die Einführung von KI durch Telekommunikations- und andere Unternehmen vorangetrieben.
Vor kurzem befragte NVIDIA mehr als 400 Fachleute der Telekommunikationsbranche auf der ganzen Welt, darunter auch in China, zu ihren Ansichten zu den Chancen und Herausforderungen der Implementierung KI-basierter Praktiken in ihren Unternehmen und Branchen.
Dieser Bericht fasst die wichtigsten Umfrageergebnisse zusammen und erläutert die Definition, Investitionsentscheidungen und Implementierungsmethoden künstlicher Intelligenz in der Telekommunikationsbranche im Jahr 2023.
Während Umfrageergebnisse zeigen, dass KI an Bedeutung gewinnt, befindet sich die Telekommunikationsbranche noch in einem frühen Stadium der KI-Einführung und benötigt Unterstützung, um eine klare Kapitalrendite zu erzielen.
Chancen und Herausforderungen künstlicher Intelligenz im Telekommunikationsbereich
Umfragen zufolge misst die Telekommunikationsbranche der KI große Bedeutung bei und Branchenakteure haben offensichtlich großes Interesse an KI gezeigt.
Allerdings gaben in der Umfrage nur 34 % der Befragten an, dass sie KI bereits seit mehr als sechs Monaten nutzen, 23 % gaben an, dass sie sich immer noch mit verschiedenen KI-Anwendungsszenarien vertraut machen, und 18 % gaben an, dass sie an AI Pilot arbeiten Projekt.
Die überwiegende Mehrheit der Befragten, die sich in der Test- oder Implementierungsphase befinden, glaubt, dass KI bereits positive Auswirkungen auf Umsatz und Kosten hatte. Etwa 73 % der Befragten gaben an, dass KI-Implementierungen im vergangenen Jahr zu einem Umsatzwachstum geführt haben, wobei 17 % ein Umsatzwachstum von mehr als 10 % in bestimmten Geschäftsbereichen anführten.
Ähnlich gaben 80 % der Befragten an, im vergangenen Jahr nach der Implementierung von KI jährliche Kostensenkungen erzielt zu haben, wobei 15 % Kostensenkungen von mehr als 10 % in bestimmten Unternehmensbereichen angaben %.
Faktoren, die die KI-Investitionen von Telekommunikationsunternehmen beeinflussen
Trotz anhaltender Berichte über die positiven Auswirkungen von KI auf Umsatz und Kosten fällt es vielen Befragten immer noch schwer, den ROI ihrer KI-Investitionen zu quantifizieren. Rund 44 % der Befragten waren der Meinung, dass der ROI nicht ausreichend quantifiziert werden könne, was die Kluft zwischen dem Wunsch der Unternehmen, KI-basierte Lösungen einzuführen, und der Realität verdeutlicht.
In einer Branche mit jährlichen Investitionsausgaben in Milliardenhöhe scheinen die Investitionen in KI gering zu sein. Typischerweise geben mittlere bis große Telekommunikationsunternehmen jährlich mindestens 1 Milliarde US-Dollar für Kapitalausgaben aus. Allerdings werden 60 % der Befragten (2021) und 50 % (2022) weniger als 1 Million US-Dollar für KI ausgeben. Am oberen Ende werden 2 % der Befragten im Jahr 2021 mehr als 50 Millionen US-Dollar ausgeben, im Jahr 2022 werden es 3 % sein.
Von allen Faktoren, die Investitionen in KI vorantreiben, ist der Übergang von der Proof-of-Concept- und Pilotphase zur Implementierungsphase die wichtigste Reaktion. Wirtschaftliche Unsicherheit und die Notwendigkeit, Ausgaben anderswo zu priorisieren, waren ebenfalls Auslöser für Entscheidungen.
Übereinstimmend mit den Erwartungen an den Einsatz von KI zur Optimierung von Abläufen gaben die Befragten an, dass ihre Unternehmen nun KI-Investitionen in den Netzwerkbetrieb, die Optimierung des Kundenerlebnisses und die Netzwerkplanung priorisieren.
Best Practices für die Bereitstellung von KI für Telekommunikationsunternehmen
Eine Umfrage zeigt, dass 54 % der Telekommunikationsunternehmen KI-Lösungen in Hybridumgebungen einsetzen, weil sie die Effizienz der Cloud nutzen und gleichzeitig die verbesserte Isolation und Kontrolle von On-Premise-Umgebungen beibehalten möchten Umgebungen.
Wer sich Gedanken über die Informationssicherheit macht, entscheidet sich eher für eine lokale Umgebung. Stattdessen entscheiden sich diejenigen, die von der Breite, Verfügbarkeit und Leistung von Cloud-Lösungen profitieren möchten, eher für eine Cloud-Umgebung. Tatsächlich ist die Wahl der Bereitstellungsumgebung ein Kompromiss zwischen Sicherheit und Leistung.
Wie das Sprichwort sagt: „Professionelle Menschen machen professionelle Dinge“, wenn es um KI geht, verlassen sich Telekommunikationsunternehmen darauf, dass ihre Partner Materialien, Unterstützung und Fachwissen bereitstellen, um Infrastruktur aufzubauen, Dienste für Kunden zu betreiben oder zu entwickeln.
47 % der Befragten gaben an, dass ihre KI-Lösungen gemeinsam mit Partnern entwickelt werden, und 61 % gaben an, dass ihre oberste Priorität bei den KI-Ausgaben darin besteht, „mit Drittpartnern zusammenzuarbeiten, um die KI-Einführung zu beschleunigen“.
Partnerschaften bieten Telekommunikationsunternehmen auch die Möglichkeit, neue Dienste für Kunden zu geringeren Investitionskosten und mit der Möglichkeit einer schnellen Skalierung zu entwickeln. 51 % der Befragten gaben an, dass sie KI-Lösungen für interne und externe Benutzer entwickeln.
Fazit
Die Rolle der KI in der Telekommunikationsbranche hat gerade erst begonnen.
KI wird in alle Aspekte der Wertschöpfungskette eindringen und dazu beitragen, kreative Transformationen in der Netzwerkplanung und -bereitstellung, im Netzwerkbetrieb, bei der Kundeninteraktion sowie bei neuen Produkten und Dienstleistungen voranzutreiben.
KI wird Chancen erschließen und Herausforderungen lösen, die sich auf den Nettoumsatz (durch Verbesserung der Gesamtbetriebskosten durch Optimierung von Investitions- und Betriebskosten) und den Bruttoumsatz (durch die Schaffung neuer Einnahmen) auswirken können.
Das obige ist der detaillierte Inhalt vonUnaufhaltsamer Trend: Die Telekommunikationsbranche steht vor KI-Chancen und Herausforderungen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
