电信行业对生成式 AI 的潜力充满期待，但同时也面临着准备不足和资源限制的挑战。IBM 商业价值研究院（IBM IBV）与 TM Forum 合作，提出了七项关键因素，帮助通信服务提供商更有效地应对生成式 AI 的实施挑战。
核心观点：
- 通信服务提供商需要制定明确的战略，确保安全、负责地使用生成式 AI，并客观地评估投资回报率（ROI）。
- 只有三分之一的受访电信高管认为其组织能够有效利用生成式 AI，而 60% 的受访者承认其组织的数据集成能力仍处于不成熟或初级阶段。
- 通信服务提供商需要优先建立数据基础设施，并采取灵活的治理和监督方法，以确保能够充分发挥生成式 AI 的潜力。
关键数据：
- 生成式 AI 在总 AI 支出中所占比例预计将在未来两年内增长 37%。
- 只有不到四分之一的受访高管表示已经明确如何通过生成式 AI 打造差异化企业战略。
- 45% 的受访高管认为准备程度一般，只有三分之一的受访者认为准备程度良好。
- 超过半数（56%）的受访者表示其组织没有成熟、明确的方法来采用生成式 AI。
七项关键因素：
- 选择正确的 AI 用例： 从低风险的实验开始，提升员工效率，例如使用生成式 AI 创建营销活动内容或总结文档。识别和部署那些可变革运营和客户体验的优质用例。
- 识别和评估数据： 检查是否拥有与每个用例相关的准确、完整和最新的数据，并考虑数据隐私和安全法规。
- 选择生成式 AI 模型并了解模型训练要求： 从大语言模型开始进行实验，然后在细化用例时转向小语言模型。选择专有模型或开放模型，并考虑多模型的选择和部署。
- 制定商业论证： 考虑整个解决方案生命周期中的成本，包括推理成本、微调成本、云支出、部署成本和人才成本。
- 更新 AI 治理： 确保 AI 安全运行且合乎伦理，识别和防范技术带来的风险，例如算法偏见、歧视以及对个人隐私的侵犯。
- 评估和解决技能需求： 建设内部专业能力，培养内部卓越的 AI 中心，并投资于人才的再培训。
- 制定监控和调整计划： 定期监测业务案例中的关键指标，以评估生成式 AI 解决方案的效果，并及时更新其技术应用。
研究结论：
通信服务提供商可以利用其云计算领域的 FinOps 专业知识和多年的机器学习操作（MLOps）经验来实现大规模、安全可靠的 AI 部署。借助适当的组织文化和技能，通信服务提供商可以创建和部署可带来可观回报的用例。通过仔细规划和开展合作，通信服务提供商可以更有效地发挥生成式 AI 的潜力，推动业务的数字化转型与创新。
