È difficile orami leggere le notizie e non imbattersi in titoli sull’intelligenza artificiale generativa (AI). Infatti, questa tecnologia permette di creare nuovi contenuti, tra cui conversazioni, storie, immagini, video, musica, codici e altro ancora e ha il potenziale per apportare cambiamenti radicali all’economia globale. Secondo Goldman Sachs, potrebbe portare a un aumento di 7 trilioni di dollari del PIL globale e aumentare la crescita della produttività dell’1,5% entro 10 anni. E questa opportunità si estende anche al settore delle telecomunicazioni.
Il potenziale dell’AI generativa nel settore delle telecomunicazioni
Come in molti altri settori, l’intelligenza artificiale generativa può aiutare le società di telecomunicazioni a migliorare l’efficienza di molte attività, come precompilare le RFP, implementare chatbot per supportare l’attività di vendita e migliorare la funzione marketing, grazie a una migliore targhettizzazione degli individui su larga scala. Secondo Gartner, entro il 2026, il 95% delle società di telecomunicazioni implementerà soluzioni di analisi dati e intelligenza artificiale per migliorare l’esperienza del cliente e la pianificazione dei prodotti, rispetto al 50% nel 2022. Tuttavia, ci sono alcune applicazioni specifiche davvero trasformative.
Migliorare l’esperienza del cliente: molte aziende di telecomunicazioni sfruttano già l’intelligenza artificiale per aumentare le interazioni umane, la coerenza dell’esperienza utente e la velocità di risoluzione dei problemi. L’intelligenza artificiale generativa può portare un’evoluzione in questi ambiti grazie alle risposte vocali interattive e allo sviluppo delle prime implementazioni di chatbot, che aiutano i clienti a risolvere i problemi e ad ottenere risposte alle domande. Inoltre, l’intelligenza artificiale generativa può analizzare le discussioni delle chiamate in tempo reale, utile a fornire suggerimenti e risorse ai lavoratori per rispondere alle richieste dei clienti. Gli operatori del servizio clienti continueranno a svolgere un ruolo primario, ma l’AI generativa può supportarli per migliorare l’esperienza cliente.
Semplifica la pianificazione, l’installazione, la configurazione e le operazioni della rete: l’AI generativa può giocare un ruolo chiave in tutti gli aspetti del ciclo di vita dei network. Durante l’installazione degli elementi di rete, gli ingegneri si affidano a manuali e processi documentati: l’intelligenza artificiale generativa può inserire questi dati e fornire indicazioni interattive per accelerare e semplificare le attività di installazione. I modelli di base possono anche essere addestrati in base alla topologia di rete e ai dati di configurazione per dare suggerimenti. In caso di errore di rete, le applicazioni generative sviluppate grazie all’intelligenza artificiale possono consigliare ai tecnici operativi quali azioni e procedure intraprendere per la risoluzione dei problemi.
Ottimizzare le prestazioni aziendali: l’intelligenza artificiale generativa può aiutare le società di telecomunicazioni a identificare più facilmente le aree con opportunità di guadagno o/e quelle in perdita. Implementata in tutti i processi aziendali, l’intelligenza artificiale generativa può esaminare profitti, ricavi, i vari piani per i consumatori, le spese e gli addebiti per i clienti e fornire consigli su come ottimizzare le offerte per ottimizzare i profitti.
Considerazioni chiave sull’AI generativa nelle telecomunicazioni
Nonostante ciò, non tutte le istanze di AI o ML necessitano l’implementazione dell’AI generativa. Sono diversi i casi in cui forme più tradizionali di AI, basate su tecniche di apprendimento supervisionato e non supervisionato, sono sufficienti per i processi di telecomunicazione. Ad esempio, l’intelligenza artificiale tradizionale è ottima per aiutare le telco a prevedere il tasso di abbandono, rilevare anomalie nella rete o tenere traccia di metriche come il punteggio del promotore netto. Oltre a ciò, ci sono altre importanti considerazioni da tenere a mente.
Costo per sviluppare o addestrare modelli di base: gran parte del capitale speso per i foundational models – modelli sviluppati grazie all’enorme quantità di dati che alimentano le applicazioni di intelligenza artificiale generativa – è destinato alla formazione. I modelli pubblici sono alimentati da grandi quantità di dati disponibili pubblicamente, ma sono più generici e potrebbero non funzionare con attività specializzate. I modelli personalizzati, d’altra parte, possono essere addestrati su una combinazione di dati pubblici e specifici dell’azienda, in grado di fornire applicazioni più specifiche al settore o all’organizzazione. La creazione da zero di un modello, però, richiede tempo, denaro e competenze specializzate, ma per le organizzazioni con dati, risorse e casi d’uso che richiedono una conoscenza specifica del dominio, può avere senso scegliere questa soluzione. Inoltre, sono molti gli sforzi per democratizzare l’accesso a questa tecnologia, consentendo ai clienti di iniziare da un modello esistente e formarlo privatamente utilizzando i dati proprietari di un cliente, rendendo il modello più adatto per un’attività specifica.
Qualità dei dati e AI responsabile: l’AI generativa vale tanto quanto i dati su cui è addestrata e il rischio di pregiudizi o imprecisioni è sempre presente. Prima ancora di prendere in considerazione l’AI generativa (o qualsiasi forma di AI), è importante iniziare con dati unificati di alta qualità. L’AI generativa richiede ampi set di dati, formazione e supervisione per calcolare inferenze e dare risposte. A volte, i foundational models, sia pubblici che privati, possono soffrire di “allucinazioni”, dando risposte imprecise che possono sembrare credibili, ma non sono corrette. Per questo motivo, l’AI generativa non è raccomandata per attività che richiedono completa certezza, che potrebbe non essere raggiunta a causa della natura della richiesta o della mancanza di dati sufficientemente grandi e di alta qualità.
Altrettanto importante è garantire che questa tecnologia sia implementata in modo responsabile. Alcuni nuovi strumenti e servizi di intelligenza artificiale generativa hanno funzionalità integrate nel prodotto, come la possibilità di filtrare i suggerimenti di codice che assomigliano a dati di addestramento open source o il rilevamento e la rimozione di contenuti dannosi nei set di dati di addestramento e nel filtraggio di contenuti dannosi (ad esempio, incitamento all’odio, volgarità e violenza).
Sicurezza dei dati: affinché le aziende possano sfruttare l’intelligenza artificiale generativa per scopi aziendali, sono necessari grandi set di dati proprietari. Nonostante le diverse opzioni pubbliche disponibili sul mercato, questi approcci introducono nuove considerazioni sulla sicurezza e sulla privacy, anche per quanto riguarda la proprietà intellettuale. I leader aziendali e IT dovrebbero lavorare a stretto contatto con i team di sicurezza, conformità e legale per identificare e mitigare questi rischi, garantendo che l’IA generativa sia implementata in modo sicuro e responsabile. Inoltre, è fondamentale agire nel rispetto dei piani di conformità, delle normative e pensare attentamente a chi possiede i dati utilizzati.
Indipendentemente dal fatto che si tratti di intelligenza artificiale generativa o di elaborazione del linguaggio naturale, è importante dedicare del tempo a considerare le applicazioni, discutere una strategia di organizzazione dei dati e valutare il ROI prima di implementare commercialmente l’AI. Detto questo, l’AI ha le premesse per diventare la tecnologia più trasformativa del nostro tempo, in particolare quella generativa, che sta sbloccando nuove ed entusiasmanti possibilità che ogni azienda dovrebbe cercare di esplorare e sperimentare.
