AI inom telekommunikation: En omvandling av den globala marknaden

Marknaden för AI inom telekommunikation beräknas uppgå till 38,8 miljarder dollar år 2031, med en årlig tillväxttakt (CAGR) på 41,4 % mellan 2022 och 2031. Denna snabba acceleration i införandet av AI kommer att drivas av den växande efterfrågan på förbättrade kundupplevelser och behovet av att rationalisera investeringarna.

De globala telekomföretag som har störst chans att bli ledande i detta scenario är de operatörer som kan driva värdeomvandlingar från ledningsnivå. Detta kräver aktivt stöd från telekomföretagens ledande befattningshavare för att möjliggöra en strategisk, AI-centrerad förändringsprocess i hela organisationen.

För att förstå det växande behovet av att införa AI ska vi titta på några av de senaste exemplen från marknaden. Ett stort brittiskt telekommunikationsföretag meddelade nyligen att AI senast 2030 kommer att kunna ersätta 10 000 tjänster i verksamheten. En japansk telekomleverantör (TSP) meddelade att man med hjälp av AI har lyckats halvera energiförbrukningen i RAN. Och ett amerikanskt telekomföretag kunde minska andelen avbrutna kundsamtal med 62 % tack vare AI, vilket samtidigt förändrade den befintliga kundservicen.

Exempel som dessa visar hur AI omformar den globala telekommunikationsbranschen. Men en fråga kvarstår.

AI- och ML-modeller utgör bara 40 % av lösningen, och det som visar sig vara den avgörande faktorn är data. Det är viktigt att bedöma om data är i rätt form och om effektiva arkitekturer och styrningsrutiner finns på plats. Ett av de största problemen som telekomleverantörerna står inför idag är integrationen och tolkningen av den enorma datamängd som genereras av nätverk, uppkopplade enheter, sociala medier, samtalsloggar, faktureringsinformation osv.

Att upptäcka samband mellan dessa högdimensionella datarum och skapa användbara insikter är en utmaning som verkligen engagerar dataingenjörsteamen.

Den ökade datorkraften, flerskiktade dataströmmar och utvecklingen av algoritmer som kan hantera mycket mer komplexa problem och mönster driver på tillväxten av AI inom telekom. Kundtjänst och nätverksunderhåll är två nyckelområden där AI utnyttjas.

Exempel på användningsfall inom kundtjänst som AI/ML löser är bland annat:

• Att förutse möjliga serviceproblem och lösa dem innan kunden märker något;
• Optimering av tjänsteverksamheten, såsom kundupplevelsen i butik, skräddarsydda marknadsföringskampanjer samt bemanningen av medarbetare ute på fältet, i butikerna och på callcentren;
• Effektivisering av kundernas självbetjäning med GenAI-baserade, människoliknande interaktioner; samt
• Att upptäcka och förebygga bedrägerier inom områden som abonnenthantering och fakturering samt att vidta proaktiva åtgärder för att skydda kunddata och nätverk med hjälp av AI-algoritmer.

Användningsfall relaterade till nätverksunderhåll som AI/ML hjälper till att hantera inkluderar:

• Att upptäcka och förebygga bedrägliga aktiviteter i nätverken och på kundkontona;
• Minskning av antalet utryckningar till fältet,
• Att utrota automatiska samtal, samt
• Att göra det möjligt för AI-drivna system att automatiskt starta om mobilmaster vid nätverksavbrott eller prestandaproblem, samt
• Optimering av nätverksbeteendet utifrån realtidsdata om väder, vindhastighet etc.

CSP:er och TSP:er världen över implementerar 5G som en förberedelse för att driva nästa generations nätverksanslutning. Framtidens nätverk kommer att bli mer komplexa, med stora datamängder som härrör från alltmer uppkopplade och intelligenta enheter. Vi måste också förbereda oss för automatiserad drift (zero-touch operations) för att kunna hantera den omfattning, komplexitet och de kortare beslutstiderna som kommer att krävas i detta scenario med datöverskott.

Det är därför viktigt att AI-systemen i mobilnäten är rättvisa, ansvarstagande, tillförlitliga, säkra och transparenta. Dessa faktorer är avgörande för att säkerställa att människor kan förstå hur och varför AI-algoritmerna kom fram till ett specifikt beslut och kunna bygga upp förtroende för AI-systemen.

LTTS arbetar för att ta itu med alla dessa utmaningar och säkerställa att AI lever upp till sin fulla ekonomiska potential. Bland flera av våra viktigaste fokusområden för branschöverskridande tillämpning har våra globala team utvecklat en AI-baserad lösning för att förutsäga RAN-fel 24 timmar i förväg. Denna proaktiva underhållslösning utnyttjar historiska data från felhantering (FM), prestandahantering (PM) samt utrustningens händelseloggar, underhållsregister, väderdata m.m. för att förutsäga RAN-fel med 90 % noggrannhet, vilket bidrar till att minska nätverkets driftstopp med 5–15 %.

Vi förutser att AI kommer att fortsätta att skapa fler sådana robusta värdeflöden inom den globala telekommunikationsbranschen.