چکیده: ظهور هوش مصنوعی مولد هم فرصت است و هم چالش. مکنزی پیشبینی کرده است[1] که هوش مصنوعی مولد Gen-AI[2] ضمن افزایش بهرهوری کلیه مدلهای بهکارگیری هوشمصنوعی، بین 2.6 تا 4.4 تریلیون دلار در هر سال رشد اقتصادی در سطح جهان ایجاد نماید. پیشبینی شده است که Gen-AI در حوزه اپراتورهای مخابراتی سالانه حدود 100 میلیارد دلار رشد اقتصادی ایجاد نماید و تا 3 سال آتی هرآنچه به هوشمصنوعی متصل نباشد، منسوخ شده به حساب میآید. به منظور حفظ مزایای رقابتی و افزایش مشتریان، مدیران ارشد سازمانها بایستی پتانسیلهای هوشمصنوعی را درک کرده و استراتژیهای مناسبی برای استقرار آن در نظر بگیرند. چنین استراتژی میتواند شامل یک تحول دیجیتال با محوریت هوشمصنوعی باشد. مکنزی تحقیقات گستردهای برای ارزیابی اینکه چطور Gen-AI برای خلق ارزش افزوده بکار گرفته شود، انجام داده است که نشانگر پتانسیل بالای بکارگیری Gen-AI در تمامی توابع اصلی اپراتورهای تلکام است. بزرگترین تاثیر آن میتواند در مراقبت از مشتری و خلق تجربه کمنظیر در مشتریان و بهبود میزان فروش سازمان باشد. عملیات شبکه، فناوریاطلاعات و عملیاتهای پشتیبانی IT و شبکه زمینههای مهم دیگری هستند که تحت تاثیر این فناوری خواهند بود. Gen-AI هماکنون تاثیر چشمگیری در بهبود تعاملات بین کارمندان و مشتریان داشته است؛ به نحوی که با شخصیسازی محصولات وکمپینها، بهبود بهرهوری فعالیتهای فروش، کاهش زمان عرضه به بازار میتواند بین 3 تا 5% افزایش درآمد به همراه داشته باشد. تعاملات پشتیبانی از مشتری میتواند تا 50% خودکار شود که ضمن بهبود تجربه مشتریان میتواند بهرهوری اپراتورهای موبایل را نیز افزایش دهد. تا 70% وظایف تکراری میتوانند با بکارگیری Gen-AI به منظور افزایش بهرهوری خودکار شوند. ابزارهای Gen-AI میتوانند بهرهوری توسعهدهندگان را نیز بین 20 تا 45% افزایش دهند. در این مقاله به بررسی فرصتها و چالشهای پیشروی اپراتورهای تلکام در بهکارگیری Gen-AI از دید مکنزی خواهیم پرداخت.
کلماتکلیدی: هوش مصنوعی مولد، تجربه مشتریان، اپراتورهای تلکام، بهرهوری، خودکارسازی
مقدمه
مکنزی به عنوان یکی از رهبران ارائه خدمات مشاوره در جهان که تجربهای گسترده در حوزه تحول دیجیتال و ارائه مشاوره بمنظور دادهمحور نمودن شرکتها داشته، معتقد است که کمک به سازمانها به منظور AI-Native شدن آنها به جهت رشد بسیار سریع دانش در این حوزه هر روز به مراتب دشوارتر میشود و نیازمند صرف هزینه بسیار در حوزه فناوری اطلاعات، داده و حاکمیت داده در سازمان است. موفقیت در این حوزه مستلزم بهکارگیری قوای نیروی انسانی و ماشین در سازمان است که مبتنی بر چابکی، انعطافپذیری و یادگیری مستمر باشد و با منابع داده باکیفیت، تمیز و دقیق به همراه قدرت تحلیل داده بالا پشتیبانی شود و از دادههای باکیفیت برای آموزش مدلهای Gen-AI استفاده شود. به همین منظور پیشنهاد میشود که سازمانها در بودجه سالیانه خود مبلغ موردنیاز جهت توسعه Gen-AI را حداقل ثابت نگاه داشته و یا افزایش دهند. بنابر تعریف هوشمصنوعیمولد نوع خاصی از هوش مصنوعی است که میتواند انواع مختلفی از محتوا شامل متن، تصویر، صوت و دادههای مصنوعی را تولید نماید [1].
حرکت به سمت استقرار هوشمصنوعی چالشهای بسیاری از جمله آمادهسازی فرهنگسازمانی، یافتن مجموعه دادههای مناسب با ابعاد مناسب و همکاری متقابل بین مدلهای مختلف استقرار هوش مصنوعی به همراه خواهد داشت. رهبران سازمان با چالشهایی از جمله نبود نیروی متخصص کافی در حوزه AI، تفاوت در اولویتهای سازمان از دید مدیران ارشد سازمان و دشواری توجیه بازگشت سرمایه حاصل از سرمایهگذاری در این حوزه ضمن دشواریهای مربوط به سازمانهای قانونگذاری و نکات اخلاقی موردنیاز در استقرار آن روبرو خواهند شد. [2]
هوشمصنوعی کاربردهایی را ممکن کرده است که تاکنون قابل دستیابی نبودهاند. قابلیت خوددرمانی[3] در شبکه و زیرساختهای اپراتوری، پاسخ خودکار به مشترکین اپراتورها و ایجاد یک تجربه مشتری کاملاً اختصاصی[4] صرفاً با استفاده از هوش مصنوعی میسر خواهد شد. لیکن تحقق این موضوع با چالشهایی روبرو است که سبب شده بسیاری اپراتورها هنوز آماده پذیرش و استقرار کامل و سرمایهگذاری روی آن نیستند. با این وجود الان بهترین زمان برای سرمایهگذاری و برنامهریزی جهت استفاده از هوشمصنوعی در زیرساخت و کاربردهای اپراتورهای موبایل بنا به دلایل زیر است:
- گسترش دسترسی به فناوری هوش مصنوعی در سطح کلان: سازمانهای AI-Native مانند متا با توسعه زبانهای برنامهنویسی، مجموعه دادهها و الگوریتم های دردسترس همه، به سرعت در حال گسترش زیستبوم متنباز[5] هستند. به صورت موازی ارائهکنندگان خدمات ابری چندین واسط برنامهنویسی کاربردی[6] یادگیری ماشین با قابلیت استقرار سریع مانند Google Cloud’s Natural Language API ارائه کردهاند. راهکارهای هوشمصنوعیمولد، از قبیل ChatGPT، که قادر به خلق پاسخهای اختصاصی به درخواستهای انسانی هستند نیز از طریق API در دسترس هستند. این فاکتورها به همراه کاهش چشمگیر هزینههای پردازش و ذخیرهسازی دادهها دسترسی به هوشمصنوعی برای سازمانها را به شدت تسهیل کرده است.
- رشد بسیار سریع دادههای قابل استفاده: حجم بسیار عظیمی از دادهها امروزه در دسترس اپراتورها هستند که قبلاً وجود نداشتند. این اطلاعات شامل جریان دادههای ورودی از اپلیکیشنهای اختصاصی کاربر و الگوی استفاده از آنها، رتبهبندی تجربه مشتری مختص سایتهای مختلف و دادههای بسیار دیگری که میتوان از سایر شرکا و شرکتهای ثالث تهیه نمود. برای پاسخ به ترس نقش حریم خصوصی کاربران نیز اپراتورها باید در ایجاد اعتماد دیجیتال[7] سرمایهگذاری کنند که شامل مدیریت دادههای حریم خصوصی و تدوین استراتژی امنیت سایبری و چارچوبی برای استفاده اخلاقی از هوش مصنوعی است.
- کاربردهای اثباتشده و خروجیهای موردانتظار: سازمانهای AI-Native در صنایع مختلف توانستهاند با استقرار AI به 4 خروجی کلیدی دست یابند که اپراتورهای تلکام نیز به جهت ساختار مشابه در صورت استقرار هوشمصنوعی قادر به دستیابی بدان خواهند بود. 1) حفظ درآمدهای جاری و افزایش درآمد پایدار از طریق شخصیسازی عمیق ارتباط با مشتری، 2) کاهش هزینههای سازمان با تغییر ساختار و روش هزینهکرد سازمان برای امور مختلف، 3) ایجاد یک تجربه مشتری رضایتبخش و عاری از اصطکاک[8]، 4) پاسخ به تقاضاهای جدید ایجاد شده متناسب با محیطهای کاری جدید.
- سرمایهگذاری در حوزه فناوری به عنوان یک عامل محرک کسبوکار: در دوره شیوع کرونا با افزایش چشمگیر اقبال به فناوریهای نوظهور، مدیران و سرمایهگذاران به این نتیجه رسیدند که سرمایهگذاری در حوزه فناوری صرفاً هزینه نیست، بلکه پیشرانهای برای حرکت و کسب درآمد نیز میباشد. علیرغم آشفتگی اقتصادی و احتمال رکود در سال 2023 هزینهکرد در زمینه توسعه زیرساختهای فناوری اطلاعات شرکتها تا 5% در سال2023 افزایش یافته است که تحلیلها نشان میدهد این سرمایهگذاری به صورت مستقیم در میزان درآمد شرکتها موثر بوده است.
تصویری جدید از کسبوکار اپراتور با هوشمصنوعی
در دهه گذشته اپراتورها بشدت به لحاظ درآمدزایی تحت فشار بودهاند و درآمدهای اصلی که بر روی زیرساخت آنها حاصل شدهاند نصیب شرکتهای فناور شده است. با استفاده کامل از هوشمصنوعی و استقرار فرهنگ AI-Native در سازمان آنها قادر خواهند بود که سهم خود از کیک درآمد حاصل از زیرساخت اپراتوری را افزایش چشمگیر دهند.
براساس تجربیات مکنزی به دلیل گسترش تمایل صنایع مختلف که جزو مشتریان اپراتورهای تلفن همراه هستند به استفاده از هوشمصنوعی، برنامهریزی استراتژیک اپراتورها در زمینه های مختلف میبایست به تناسب نیاز ارتقا یابد:
شخصیسازی نحوه فروش و تعامل با مشتری تا بالاترین سطح ممکن
افزایش عمق و پهنای دادههای کاربران در دسترس اپراتورها سبب شده است که اپراتورها سرمایهگذاریهای عظیمی برای شخصیسازی و هدایت کانالها به کمک هوشمصنوعی کنند. برای مثال پیشنهاد تجهیز و بستههای کاملاً اختصاصی برای هر مالک سیمکارت میتواند اپراتور را به مرور با دادههای رفتاری مشترک (از قبیل میزان استفاده مشترک از کاربردهای مختلف و قابلیتهای مختلف تجهیز مشتری) آشنا کرده و به ایشان امکان ارائه پیشنهادات کاملاً شخصی (تنظیم سرویس موردنیاز مشتری به تناسب میزان درآمد حاصل و کیفیت سرویس موردتقاضای مشتری)، بستههای تشویقی اختصاصی )مانند ارائه داده نامحدود برای پخش موزیک یا تماشای فیلم برخط[9] برای یک کاربر، تحلیل پیامهای مبادله شده یک تجهیز خاص، مکانهای فیزیکی حضور شخص و رخدادهای اختصاصی ایشان (مانند ارتقای ویژگیهای تجهیز به منظور پشتیبانی از VR) را فراهم نماید. به کمک ابزارهای دستهبندی مخاطبان، مشتریان به کانالهایی هدایت میشوند که یک تجربه جذاب برای ایشان ایجاد خواهد کرد و بیشینه خروجی مورد انتظار فروش برای اپراتورها را به همراه خواهد داشت.
در همراه اول نیز پروژههای بسیاری در راستای استفاده از تحلیل کلان داده و هوشمندسازی به منظور بهبود تجربه مشتری طراحی و اجرا شده است. برای مثال در یک پروژه کمپینی تعریف شد که طی آن میزان مصرف مشترکین در یک بازه زمانی 3 ماهه که از لحظه جاری تا سه ماه قبل بود مورد بررسی قرار گرفته و متوسط مصرف داده مشترک در بازه زمانی سه ماهه قبلی محاسبه میگردید. به صورت همزمان میزان مصرف مشترک در بازه یک روز گذشته نیز از همان لحظه محاسبه میگردید. چنانچه مصرف مشترک در روز گذشته بیش از ده برابر متوسط مصرف روزانه مشترک در سه ماه گذشته باشد به صورت خودکار یک بسته هفتگی به حجمی 20 برابر مصرف آن روز مشترک فعال میگردد. انجام محاسبات مربوط به این کار بسیار دشوار خواهد بود چرا که باید میزان مصرف بیش از 25 میلیون کاربری که به صورت همزمان تولید CDR[10] مینمایند به صورت برخط و موازی تحلیل گردد که استفاده از الگوریتمهای هوش مصنوعی میتواند در صرف زمان مورد نیاز برای پردازش دادهها کمک ویژهای بنماید. استفاده از سایر دادههای در دسترس میتواند به نتایج بهتری در تحلیل رفتار مشترکین منجر شود. برای مثال دسترسی به ترافیک سایتها و اپلیکیشنهای مورد استفاده کاربران میتواند به شناسایی علایق ایشان کمک بیشتری نماید. کاربری را تصور نمایید که مرتب به باشگاههای ورزشی مراجعه کرده و از اپلیکیشنهای تناسب اندام برای بهبود سلامت خود استفاده میکند. این کاربر مرتب به نقاط مختلفی سفر میکند که در آن نقاط میتوان برنامههای تناسب اندام و باشگاههای ورزشی اختصاصی ایشان را به منظور جلب رضایت ایشان با تخفیف ویژه به ایشان پیشنهاد داد.
به عنوان نمونهای دیگر یک اپراتور آسیا و اقیانوسیه یک تحول عمیق در ساختار سامانه مدیریت ارزش مشتریان با بکارگیری هوش مصنوعی ایجاد نمود که طی آن کوشید ارتباط با مشتریان خود را هر چه بیشتر شخصیسازی نماید که به واسطه آن نرخ ازدست دادن مشتری بیش از 10٪ کاهش یافت و میزان فروش محصولات مشابه تا 20٪ افزایش داشت.
نگهداری و خدمات پیشگیرانه
سرمایهگذاری در زیرساختهای دیجیتال با استفاده از قابلیتهای پیشگیرانه هوشمصنوعی اپراتورها را قادر میسازد که یک تجربه خدمات کاملاً شخصی ایجاد نمایند. برای مثال سیستم قادر خواهد بود عواملی که میتواند منجر به نارضایتی مشتری شود را قبل از اینکه ایشان متوجه شوند شناسایی کرده و متوقف نماید. برای مثال اگر مشترکی سفرهای خارجی زیادی داشته و صورتحساب ماهانه بالایی به این جهت پرداخت میکند میتوان پس از شناسایی الگوی سفرهای مشتری بستههای رومینگ اختصاصی بهینه برای ایشان فعال نمود که هزینههای رومینگ مشتری را به طرز چشمگیری کاهش دهد.
خدمات مکان محور[11] در ترکیب با هوشمصنوعی میتواند به ارائه یک تجربه ایدهآل برای مشتریان کمک ویژهای نماید. نمونهها و کاربردهای این فناوری ضمن رعایت حریم خصوصی کاربران بسیار زیاد هستند. شاید سادهترین این خدمات پیامکهای ویژه خرید بستههای رومینگ برای مشترکینی باشد که وارد فرودگاههای بینالمللی داخلی میشوند.
استقرار یک شبکه خوددرمان با بهینهسازی خودکار
در زیرساخت شبکه یک اپراتور مخابراتی AI-Native، هوشمصنوعی میتواند به بررسی وضعیت شبکه و پیشبینی ترافیک شبکه در آینده نزدیک و برنامهریزی برای بهبود کیفیت سرویس شبکه کمک ویژهای نماید. هوشمصنوعی میتواند با بررسی سلامت فیزیکی تجهیزات شبکه به کمک دوقلوی دیجیتال[12] و تحلیل دادههای حسگرهای نصب شده بر روی تجهیزات و پیشنهاد نگهداریهای پیشگیرانه[13] طول عمر تجهیزات شبکه را با هزینهای به مراتب کمتر از حالت عادی مقدار چشمگیری افزایش دهد. بر اساس تحلیل رفتار مشتری در ساعات مختلف روز، تحلیل کیفیت سرویس دریافتی در سمت مشتری به منظور بررسی تغییرات احتمالی در موانع فیزیکی که در محیط اطراف مشتری میتوانند اضافه یا کم شده باشند و نیز شناخت تغییر در تراکم متوسط تعداد افراد حاضر در یک منطقه میتوان به کمک هوشمصنوعی به برنامهریزی و بهینهسازی سرویس شبکه و نیز پیشبینی شکستهای احتمالی در شبکه و تدوین برنامههای تعمیرات پیشگیرانه اقدام نمود. در یک نمونه از این کاربرد میتوان به سیستم نظرسنجی هوشمند همراه اول اشاره نمود که بر اساس موقعیت قرارگیری کاربران، تغییر ترافیک مصرفی کاربران در آن منطقه و پارامترهای دیگر، با نظرسنجی از کاربران حاضر در مناطق مختلف، کیفیت سرویس شبکه در آن مناطق را بررسی کرده و در صورت شناسایی خطاهای احتمالی نسبت به رفع آنها اقدام مینماید.
مدیریت نیروهای تعمیرات و توزیع هوشمند آنها
به کمک هوشمصنوعی میتوان با تحلیل رفتار مشتریان و شبکه و تحلیل این دادهها خرابیها و مشکلات احتمالی در شبکه را پیشبینی نمود و سپس نیروهای تعمیر و نگهداری و بهینهسازی شبکه را به شکلی هوشمند توزیع نمود تا بتوان تجربه مشتریان را بهبود داده و زمان توقف خدمات در شبکه را کاهش داد.[14]
عوامل موفقیت سازمان در تحول به یک سازمان AI-Native
تحول و ارتقای یک سازمان به سازمانی AI-Native هرچند در ظاهر ساده به نظر میآید، در عمل موضوعی چالشبرانگیز است. مکنزی با تجربه سالهای طولانی خود در ارتباط با اپراتورهای تلکام سه نشانه مشخص که نشانگر تحول موفق یک اپراتور به یک سازمان AI-Native هستند را شناسایی کرده که عبارتند از: پیادهسازی و استقرارهوش مصنوعی، مدیریت آن و هدایت پذیرش و انطباق با آن.
پیادهسازی و استقرار موفق هوشمصنوعی در یک سازمان، نیازمند یک رویه استقرار دقیق است که سه دستورالعمل در آن باید مدنظر قرار بگیرند:
- قابلیتهای هوشمصنوعی هسته سیستم را باید به شکل ماژولار و با در نظرگرفتن قابلیت استفاده مجدد از آنها در چندین کاربرد با محتوای متفاوت در زیرساخت اپراتور، طراحی نمود.
- برمبنای یک رویکرد معماری مدل[15]، قابلیتهای مختلف هوشمصنوعی را با هم یکپارچه نمود تا بتوان مدلهای هوشمصنوعی مختلف را به هم متصل نموده و ارزش خلق شده را با ترویج قابلیت استفاده مجدد بیشینه کرد.
- دوقلوهای دیجیتال را به عنوان پایهای برای تمامی کاربردهای هوشمصنوعی، بهکار گیرید. دوقلوهای دیجیتال کلید دستیابی به قابلیت استفاده مجدد در هوشمصنوعی هستند. دادهها در دوقلوهای دیجیتال به شکلی مدل شده و ساختار یافتهاند که امکان حاکمیت، استفاده مجدد و ساده آنها در کاربردهای مختلف را فراهم میآورند.
- با پیادهسازی بهترین نمونههای موفق عملیاتهای یادگیری ماشین[16] (MLOps) چرخه حیات توسعه تحلیلها[17] را کوتاه نمایید و پایداری مدل را افزایش دهید. MLOps نوعاً شامل خودکارسازی فرآیند یکپارچهسازی و استقرار کدهای با قابلیت هوشمصنوعی نیز میباشد.
- اپراتورها بایستی برنامههای دقیق و مشخص برای جذب و حفظ نیروهای متخصص حوزه هوشمصنوعی تدوین نمایند. فضای کاری پویا و شرایط جذاب کاری و مدیریت نیروی متخصص برای ارزشآفرینی و رشد و حفظ ایشان از موضوعات مهمی است که اپراتورها باید برای آن برنامهریزی دقیق داشته باشند.
- مدیریت بهترین شیوهها[18] در هوشمصنوعی نیازمند تمرکز بر نوآوریهای فنی و محصولات با قابلیت هوشمصنوعی در اپراتورهای تلفن همراه است که میبایست در دستور کار اپراتورها قرار بگیرد.
- قابلیتهای هوشمصنوعی را مانند یک محصول واقعی تصور کنید و برای استقرار و تحقق هر یک از آنها یک مدیر محصول تخصیص دهید. مدیرمحصول مسئول ترجمه نیازمندیهای ورودی از سمت تیم کسبوکار به مشخصات فنی سمت تیم فنی و تلاش برای بهبود تجربه مشتری به شکلی مستمر است.
- راهاندازی آزمایشگاه هوشمصنوعی برای آزمایش سریع قابلیتها و محصولات جدید توسعه یافته به کمک هوشمصنوعی، ارزیابی محصولات و خدمات جدید هوشمصنوعی و ارزیابی ارزش کسبوکاری کسبشده از بهکارگیری آنها از موضوعات ضروری دیگری هستند که میبایست در چشمانداز هوشمصنوعی اپراتورها باشند.
- باتوجه به رشد سریع فناوری و ابزارهای هوشمصنوعی در سالهای اخیر پشته فناوری هوشمصنوعی[19] مورداستفاده در اپراتورها حداقل باید انتهای هر سال بازبینی گردد.
- با استفاده از معماریهای مرجعی که قبلاً درصنایع مشابه یا نزدیک آزموده شدهاند، میبایست تلاش برای مدرن و پیشرفتهکردن دادهها و فناوریاطلاعات[20] در سازمان، تسریع گردد.
هوش مصنوعی مولد
هوش مصنوعی مولد میتواند یک موتور محرک قوی برای افزایش میزان درآمد و بهبود فرآیندها در اپراتورهای تلفن همراه باشد. بررسی مکنزی نشان میدهد که یک اپراتور اروپایی با استفاده از هوشمصنوعی مولد در شخصیسازی محتوا موفق شده است درصد بهرهوری کمپینهای بازاریابی را، ضمن کاهش هزینهها، تا 40% افزایش دهد. یک اپراتور آمریکای لاتین میزان بهرهوری عوامل مرکز تماس را با استفاده از هوشمصنوعیمولد تا 25% افزایش دهد و تجربه کاربری مشترکین خود را نیز با افزایش دانش و مهارتهای عوامل مرکز تماس بهبود بخشد. تجربه مکنزی نشان میدهد که استفاده از آن میتواند در بهبود میزان EBITDA[21] اپراتورها تاثیر چشمگیری داشته باشد. در برخی موارد بررسی نشان میدهد که با افزایش میزان درآمد حاصل از مشتریان با بهبود زنجیره حیات ایشان و کاهش هزینهها در تمام زمینهها در نتیجه استفاده از هوشمصنوعی مولد، میزان سودآوری اپراتور در 2 سال تا 4 درصد و در 5 سال تا 10 درصد افزایش یافته است. این موضوع در شکل 1 نشان داده شده است.
شکل 1: مقدار کاهش هزینه منتسب به استفاده از هوش مصنوعی مولد در زمینههای مختلف کاری اپراتورهای موبایل بر اساس درصد در ارزیابی 130 اپراتور [3]
علاوه بر این، ضرورت چنین تغییری در اپراتورها امروز بیش از پیش مشخص شده است. هوشمصنوعیمولد دسترسی به قابلیتهایی قدرتمند را در اختیار عموم قرار میدهد که هر اپراتوری میتواند به کمک آن انتظارات مشتریان و بازدهی سازمانی را افزایش دهد. اپراتورهای پیشتاز در این حوزه سریعتر از سایرین رشد کرده و سهم بیشتری از بازار تقریبا 100 میلیارددلاری افزایشی خواهند داشت. این امر علاوه بر 140 تا 180 میلیارد دلاری است که بهبود بهرهوری حاصل از بهکار بردن هوشمصنوعیمولد در قیاس با هوشمصنوعی قدیمی قابل دستیابی است که این موضوع درشکل 2 نشان داده شده است.
پیشبینی میشود که هوشمصنوعیمولد یک لیست بسیار طولانی از کاربردها که میتوانند ارزش افزوده چشمگیری برای اپراتورهای مخابراتی ایجاد کنند، را ممکن میسازد. در این بین خدمات مشتریان و بازاریابی بیشترین سهم را در ارزش افزوده حاصل از به کارگیری هوشمصنوعیمولد خواهد داشت. این موضوع در شکل 3 نشان داده شده است.
شکل 2: تاثیر پیشبینی شده هو ش مصنوعی مولد بر اقتصاد جهانی صنعت مخابرات (ارقام به میلیارد دلار) [4]
درنهایت نتایج مطالعات نشان میدهد که هوشمصنوعیمولد پویایی بازار در بلندمدت را متاثر نموده است. درحالیکه اپراتورهای تلفن همراه اروپایی در پذیرش هوشمصنوعی سنتی و تحول فناوری کمی تاخیر داشتهاند، در قیاس با اپراتورهای آمریکای شمالی در پذیرش هوشمصنوعیمولد خصوصا در حوزههایی مانند بهبود عملیات شبکه با Gen-AI جلوتر هستند. خصوصاً در استفاده از هوشمصنوعی مولد در زمینههایی مانند عملیات شبکه (71 درصد در مقایسه با 58 درصد) و فناوری اطلاعات (67 درصد در مقایسه با 55 درصد) پیشرو هستند و این جابجایی میتواند به بلوغ بیشتر ایشان در مدیریت دادههای حریم خصوصی گردد. اپراتورهای کوچک و بزرگ دیگر نیز دیدگاه مشابهی در زمینه اولویتبندی استفاده از هوشمصنوعیمولد دارند و بر روی خدمات مشتریان و فناوری اطلاعات متمرکز هستند که چنانکه در شکل 4 نیز نشان داده شده است، رقابت جدیدی در بین اپراتورها در آینده نزدیک ایجاد خواهد کرد.
شکل 3: توزیع میزان تاثیرپذیری کسبوکارها در حوزههای کسبوکار مختلف برای اپراتورهای تلفن همراه بر اساس تجربیات مطالعاتی شرکت مکنزی برای هزینه کردهای سرمایهای و EBITDAا[2]
چالشهای بهکارگیری هوش مصنوعی مولد برای اپراتورها
باوجود فرصتهای چشمگیر و آینده روشن استفاده از هوشمصنوعیمولد در کسبوکارها استفاده از آن چالشهایی نیز ایجاد میکند که برخی از آنها در شکل 5 بیان شده است [5]. بر اساس بررسیهای انجام شده، تعداد کمی از سازمانها آماده استفاده گسترده از هوشمصنوعیمولد هستند و چالشهای مرتبط را پذیرفته و برای مقابله با آن آمادهاند. صرفاً 21 درصد از سازمانهایی که از هوشمصنوعی استفاده میکنند، گفتهاند که رویههای مناسب برای استفاده کارکنان خود از هوشمصنوعیمولد را تدارک دیدهاند و در زمینه چالشهای مربوطه تعداد بسیار کمتری گفتهاند که چالشهای پذیرش هوشمصنوعیمولد در سازمان را در نظر گرفته و برای کاهش آن خصوصاً مهمترین آن یعنی عدمدقت کافی برنامهریزی کردهاند. پاسخدهندگان چالش عدمدقت را به مراتب مهمتر از دو چالش امنیتسایبری و انطباق با قوانین رگولاتوری، که چالشهای اصلی استفاده از هوشمصنوعی سنتی بودند، میدانند. چالشهای دیگر استفاده از هوشمصنوعیمولد نقض مالکیت معنوی، توصیفپذیری، حفاظت از حریم خصوصی، جابجایی نیروی کار، کاربرد منصفانه، شهرت سازمانی و … میدانند. هر کدام از این چالشها بایستی به صورت مجزا بررسی شده و با توجه به ارزش واهمیت هر یک از آنها در سازمان برای مدیریت آنها برنامهریزی شود.
شکل 4: پاسخ بیش از 130 اپراتور به این سوال که حوزه تمرکز شما در استفاده از هوش مصنوعی مولد در سازمان شما چگونه است؟ (اعداد ممکن است جمعا % 100 نشوند، زیرا دادهها از منابع متفاوت و در چند بار جستجو حاصل شده اند) [5]
شکل 5: ریسکهای حوزه هوش مصنوعی مولد که سازمانها آن را مهم و مرتبط دانسته و برای کاهش آنها تلاش میکنند. (خلاصه نتایج بررسی بیش از 1600 سازمان مختلف) از سازمانها سوال شده که آیا حداقل یک تابع از توابع هوش مصنوعی مولد را پذیرفتهاند و چه ریسکهایی در آن حوزه را مرتبط دانسته و برای کاهش آن تلاش میکنند. [5]
نتیجهگیری
در این مقاله به صورت اختصاصی بر استفاده از هوشمصنوعی مولد در اپراتورهای تلفن همراه تمرکز کرده و مزایای استفاده از آن را بررسی کردیم. دیدیم که استفاده از هوش مصنوعی مولد با وجود مزایای آن هنوز به قدر کافی مورد پذیرش اپراتورها واقع نشده است و دلایل مختلفی از جمله عدم قطعیت درنتایج استفاده از آن مانع حرکت سریع اپراتورها به سمت آن شده است. در ادامه بر فرصتها و چالشهای ناشی از بهکارگیری هوش مصنوعی مولد پرداخته شد. هوشمصنوعیمولد نوع خاصی از هوش مصنوعی است که میتواند انواع مختلفی از محتوا شامل متن، تصویر، صوت و دادههای مصنوعی را تولید نماید. این ابزار به صورت مشخص در کاربردهایی مانند بهبود خدمات مشتریان و ارتقای فرآیندهای بازاریابی و فروش و افزایش تعداد و درآمد حاصل از مشتریان میتواند موثر باشد و همینطور در مدیریت عملیات شبکه و بهبود کیفیت سرویس شبکه با شناسایی و ردگیری و پیشبینی مشکلات شبکه میتواند به کار گرفته شود. اغلب اپراتورها نیز چنانکه دیدیم در این زمینهها سرمایهگذاری کرده و نقطه شروع استفاده از هوشمصنوعیمولد را در آنها قرار دادهاند. لیکن مشابه هر فناوری نوظهوری چالشهایی نیز در استفاده از آن وجود دارد که اغلب کاربران دقت ناکافی را مهمترین چالش استفاده از آن دانستهاند، هرچند که چالشهای قدیمی و مهم هوشمصنوعی مانند امنیت سایبری و انطباق با قوانین رگولاتوری در اولویتهای بعدی وجود دارند. با همه این اوصاف طبق گزارشات ارائه شده توسط مکنزی این ابزار چشمانداز روشنی داشته و استفاده از آن به زودی توسعه چشمگیری خواهد یافت.
منابع
[1] m. Baig, L. Yee و A. S. a. A. Sukharevsky, “https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-generative-ai,” McKinsey, Chicago , April 2, 2024.
[2] A. S. B. G. a. E. Alex Singla, “Beyond the hype: Capturing the potential of AI and gen AI in tech, media, and telecom,” McKinsey & Company Official Reports, Vol 1, pp. 1-128, 2024 .
[3] M. &. Company, “How generative AI could revitalize profitability for telcos,” 2023.
[4] J. M. M. M. N. H. R. P. N. S. M. Michael Chui, “NOTES FROM THE AI FRONTIER INSIGHTS FROM HUNDREDS OF USE CASES,” McKinsey Global Institute, 2018.
[5] A. S. A. S. a. Et., “The state of AI in 2023: Generative AI’s breakout year,” Quantum black AI by McKinsey, 2023.
پینوشت
[1] در منبع [1] در این مورد صحبت شده است
[2] Generative Artificial Intelligence
[3] Self-Healing
[4] Hyperpersonalization
[5] Open Source Eco System
[6] Application programing interface
[7] Digital Trust
[8] frictionless
[9] Online
[10] Call Data Record
[11] Location based Services
[12] مفهوم دوقلوی دیجیتال در ابتدا برای ایجاد یک تصویر دیجیتال از نسخه اصلی یک محصول با ترکیب دادههای گردآوری شده از حسگرهای نصبشده پیرامون آن محصول به کار گرفته شد. به این ترتیب که با ترکیب دادههای حسگرهای مختلف میتوان وضعیت کنونی محصول فیزیکی و طول عمر آن و خرابیهای احتمالی در آینده نزدیک را تخمین زد. به کمک این تخمین میتوان با نگهداریهای پیشگیرانه با هزینهای به مراتب کمتر طول عمر محصول را افزایش داد.
[13] Preventive Maintenance
[14] Improve frontline productivity
[15] model architecture approach
[16] MLOps Best Practices
[17] Analytics development life cycle
[18] Best Practices
[19] AI Tech Stack
[20] IT and data modernization
[21] Earnings Before Interest, Taxes, Depreciation and Amortization
