


Aliran tidak boleh dihalang: Industri telekomunikasi menghadapi peluang dan cabaran AI
Kecerdasan buatan (AI) diiktiraf secara meluas sebagai komponen utama transformasi digital, dan penggunaan AI sebahagian besarnya didorong oleh kerumitan 5G dan perkhidmatan yang berkaitan. Sifat awan di mana-mana dan sumber pengkomputerannya yang lebih berpatutan telah mendorong penggunaan AI oleh telekomunikasi dan syarikat lain.
Baru-baru ini, NVIDIA meninjau lebih daripada 400 profesional industri telekomunikasi di seluruh dunia, termasuk China, mengenai pandangan mereka tentang peluang dan cabaran melaksanakan amalan berasaskan AI dalam syarikat dan industri mereka.
Laporan ini meringkaskan cerapan tinjauan utama dan memperincikan definisi, keputusan pelaburan dan kaedah pelaksanaan kecerdasan buatan dalam industri telekomunikasi pada tahun 2023.
Walaupun hasil tinjauan menunjukkan AI sangat diminati, industri telekomunikasi masih di peringkat awal penggunaan AI dan memerlukan sokongan untuk mencapai pulangan pelaburan yang jelas.
Peluang dan Cabaran Kepintaran Buatan dalam Bidang Telekomunikasi
Menurut tinjauan, industri telekomunikasi sangat mementingkan AI, dan pihak berkepentingan industri jelas menunjukkan minat yang kuat dalam minat AI.
Walau bagaimanapun, dalam tinjauan, hanya 34% daripada responden mengatakan bahawa mereka telah menggunakan AI selama lebih daripada enam bulan, 23% daripada responden mengatakan bahawa mereka masih belajar tentang senario aplikasi AI yang berbeza, dan 18 % melaporkan bahawa Mereka sedang mengusahakan projek perintis AI.
Bagi responden yang dalam peringkat percubaan atau pelaksanaan, sebahagian besar percaya bahawa AI telah pun memberi kesan positif ke atas hasil dan kos. Kira-kira 73% responden melaporkan bahawa pelaksanaan AI menghasilkan pertumbuhan hasil sepanjang tahun lalu, dengan 17% memetik lebih daripada 10% pertumbuhan hasil dalam bahagian tertentu perniagaan.
Begitu juga, 80% responden melaporkan bahawa mereka telah mencapai pengurangan kos tahunan pada tahun lalu selepas melaksanakan AI, dengan 15% menyebut pengurangan kos dalam bahagian tertentu perniagaan Dikurangkan sebanyak lebih daripada 10%.
Faktor yang mempengaruhi yang mempengaruhi pelaburan AI syarikat telekomunikasi
Walaupun laporan berterusan tentang kesan positif AI terhadap hasil dan kos, ramai responden masih bergelut untuk mengukur kesan ROInya terhadap Pelaburan AI. Kira-kira 44% responden berpendapat bahawa ROI tidak dapat dikira dengan secukupnya, menggambarkan jurang antara keinginan perusahaan untuk memperkenalkan penyelesaian berasaskan AI dan realiti.
Dalam industri dengan perbelanjaan modal tahunan berbilion-bilion, tahap pelaburan dalam AI nampaknya rendah. Biasanya, syarikat telekomunikasi bersaiz sederhana hingga besar membelanjakan sekurang-kurangnya $1 bilion setiap tahun untuk perbelanjaan modal. Walau bagaimanapun, 60% responden (2021) dan 50% (2022) akan membelanjakan kurang daripada $1 juta untuk AI. Pada peringkat tinggi, 2% daripada responden akan membelanjakan lebih daripada $50 juta pada 2021, meningkat kepada 3% pada 2022.
Dari semua faktor yang mendorong pelaburan dalam AI, peralihan daripada fasa pembuktian konsep dan perintis kepada fasa pelaksanaan adalah tindak balas yang paling ketara. Ketidakpastian ekonomi dan keperluan untuk mengutamakan perbelanjaan di tempat lain juga mendorong keputusan.
Selaras dengan jangkaan untuk menggunakan AI untuk mengoptimumkan operasi, responden menyatakan bahawa syarikat mereka kini mengutamakan pelaburan AI dalam operasi rangkaian, pengoptimuman pengalaman pelanggan dan perancangan rangkaian.
Amalan terbaik untuk menggunakan AI untuk syarikat telekomunikasi
Tinjauan menunjukkan bahawa 54% daripada syarikat telekomunikasi menggunakan penyelesaian AI dalam persekitaran hibrid kerana mereka ingin menikmati faedah Kecekapan awan sambil mengekalkan pengasingan dan kawalan persekitaran tempatan yang dipertingkatkan.
Mereka yang mengambil berat tentang keselamatan maklumat lebih berkemungkinan memilih persekitaran setempat. Sebaliknya, mereka yang ingin mendapat manfaat daripada keluasan, ketersediaan dan prestasi penyelesaian awan lebih berkemungkinan memilih persekitaran awan. Malah, pilihan persekitaran penggunaan adalah pertukaran antara keselamatan dan prestasi.
Seperti kata pepatah "orang profesional melakukan perkara profesional", apabila ia berkaitan dengan AI, syarikat telekomunikasi bergantung pada rakan kongsi mereka untuk menyediakan bekalan, sokongan dan kepakaran untuk membina infrastruktur, mengendalikan atau membangunkan perkhidmatan untuk pelanggan.
47% daripada responden melaporkan bahawa penyelesaian AI mereka dibangunkan bersama rakan kongsi, dan 61% berkata keutamaan utama mereka untuk perbelanjaan AI ialah "bekerja dengan rakan kongsi pihak ketiga untuk mempercepatkan penggunaan AI".
Perkongsian juga mewujudkan peluang kepada syarikat telekomunikasi untuk mencipta perkhidmatan baharu untuk pelanggan pada kos pelaburan yang lebih rendah dan dengan keupayaan untuk membuat skala dengan cepat. 51% daripada responden berkata mereka membangunkan penyelesaian AI untuk pengguna dalaman dan luaran.
Kesimpulan
Peranan AI dalam industri telekomunikasi baru sahaja bermula.
AI akan menembusi semua aspek rantaian nilai, membantu memacu transformasi kreatif dalam perancangan dan penggunaan rangkaian, operasi rangkaian, interaksi pelanggan dan produk dan perkhidmatan baharu.
AI akan membuka peluang dan menyelesaikan cabaran yang boleh memberi kesan kepada hasil bersih (dengan meningkatkan TCO melalui pengoptimuman capex dan opex) dan hasil kasar (dengan mencipta hasil baharu).
Atas ialah kandungan terperinci Aliran tidak boleh dihalang: Industri telekomunikasi menghadapi peluang dan cabaran AI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Dalam dunia pembangunan bahagian hadapan, VSCode telah menjadi alat pilihan untuk banyak pembangun dengan fungsi yang berkuasa dan ekosistem pemalam yang kaya. Dalam beberapa tahun kebelakangan ini, dengan perkembangan pesat teknologi kecerdasan buatan, pembantu kod AI pada VSCode telah muncul, meningkatkan kecekapan pengekodan pembangun. Pembantu kod AI pada VSCode telah muncul seperti cendawan selepas hujan, meningkatkan kecekapan pengekodan pembangun. Ia menggunakan teknologi kecerdasan buatan untuk menganalisis kod secara bijak dan menyediakan penyiapan kod yang tepat, pembetulan ralat automatik, semakan tatabahasa dan fungsi lain, yang mengurangkan kesilapan pembangun dan kerja manual yang membosankan semasa proses pengekodan. Hari ini, saya akan mengesyorkan 12 pembantu kod AI pembangunan bahagian hadapan VSCode untuk membantu anda dalam perjalanan pengaturcaraan anda.
