Содержание статьи
На связи: как искусственный интеллект используется в телекоме
Инфраструктура
Тот же KPN анализирует записи операторов контакт-центра для корректировки автоответов. Они же отслеживают поведение абонентов дома (конечно, с их разрешения) – например, насколько часто те включают и выключают модем или роутер. Это может свидетельствовать о том, что сигнал Wi-Fi слабый. Но такая забота о пользователях ничто по сравнению с самым очевидным кейсом – созданием виртуальных помощников и чат-ботов.
В этом помогает предиктивный анализ. Как только данные попадают в систему, они сравниваются с теми, что привели к сбою в работе сети. Если они похожи, то в ход идут инструменты, которые проактивно чинят все то, что могло бы сломаться в сотовых вышках, линиях электропередач, серверах в центре обработки данных и даже роутерах дома у абонентов.
Интересный пример есть у американской компании AT&T. Она использует машинное обучение для полного мониторинга инцидентов в сети в режиме реального времени. Технология способна предотвратить до 15 миллионов сигналов о нарушениях в день еще до того, как абоненты заметят, что что-то пошло не так. Этот оператор также использует AI для поддержки процедур работы над сетями: с помощью дронов он проверяет покрытие LTE и анализирует видеоданные с них для техподдержки и управления вышками.
Моделецентричный искусственный интеллект – наоборот, оперирует не внутренними данными компании, а общечеловеческими. Нейросетей вроде ChatGPT или Midjourney сегодня насчитывается уже около сотни. С точки зрения бизнеса можно рассматривать их как некий «ящик с инструментами», которыми компания должна мастерски овладеть. Условно говоря, если раньше сборщики мебели вкручивали шурупы отверткой, то сегодня им предлагается шуруповерт. Он не был придуман специально для них, но они активно его освоили и оценили преимущества. Примерно такую же задачу необходимо решить компаниям в сфере моделецентричных моделей ИИ.
Организации десятилетиями накапливают данные, которые доступны для анализа, обработки и обогащения. Со временем они понимают, как создавать и обучать на основе Big Data модели искусственного интеллекта, развивают специализированные лаборатории, наращивают штат дата-сайентистов.
Второй аспект состоит в изменении пользовательского опыта: условно говоря – как сделать так, чтобы люди перестали работать отвертками и научились применять шуруповерт? Если углубиться в этот процесс, он окажется достаточно сложным. Просто «отменить» отвертку не получится, потребуется гораздо более глубинная перестройка всех операционных процессов. И это большой вызов. По опыту «Ростелекома», переход к полноценному применению моделей ИИ должен содержать несколько этапов:
Виртуальные помощники и чат-боты
Датацентричный искусственный интеллект используется в большом количестве моделей, которые «заточены» непосредственно под конкретную компанию. Например, онлайн-кинотеатр Wink «Ростелекома», как и другие подобные видеосервисы, на основе предыдущих предпочтений пользователя может рекомендовать ему подборку фильмов для просмотра. Чат-бот службы поддержки обрабатывает более четверти обращений клиентов. Таких моделей множество.
На текущем этапе развития у технологий искусственного интеллекта, безусловно, существует целый ряд «узких мест». Например, когда датацентричный искусственный интеллект обучается на большом объеме данных, то редко встречающиеся данные для него близки к информационному шуму. То есть, если генерирующая текст нейросеть встречает много упоминаний о каком-то событии, то, скорее всего, не ошибется. Если же нужно описать не популярного человека, то она может легко спутать его с другим историческим персонажем.
Технологии искусственного интеллекта помогают МТС узнать, какие услуги нужны клиенту, прогнозируя желание абонента воспользоваться тем или иным сервисом. Например, система видит, что клиент часто удаляет файлы и приложения, чтобы освободить память телефона. При этом абоненты с похожим профилем успешно пользуются облачным сервисом. Поэтому когда человеку не хватает оперативной памяти, МТС предлагает ему установить приложение для хранения данных в облаке. Такой подход увеличивает эффективность кампаний на 20% по сравнению с традиционной рекламой.
Понятно, что у текущих моделей искусственного интеллекта есть некий верхний уровень, до которого они будут развиваться, и остановятся на этом до тех пор, пока не произойдет следующего технологического скачка. Также понятно, что когда известные трудности ИИ будут решены, возникнут другие. Это естественный процесс.
Второй шаг: обучение пользователей работе с моделями ИИ и обязательная практика. Это могут быть курсы в корпоративном университете, проведение практических мероприятий, вебинаров. Очень важно, чтобы пользователи получили реальный опыт взаимодействия с искусственным интеллектом. После этого можно повышать их уровень компетенций в соответствии с конкретными прикладными задачами: разработки, текстрайтинга, работы с изображениями, подготовки презентаций и т. д. Эти обучающие курсы должны подвести пользователей к освоению следующего аспекта работы с модельными нейросетями – промптинга.
Чтобы внедрить датацентричную модель, компании необходима собственная ИТ-команда или привлечение внешних специалистов. Так, в «Ростелекоме» существует подразделение по управлению Big Data и искусственным интеллектом, которое решает большое количество универсальных общих задач. Если же искусственный интеллект погружен в определенный цифровой продукт, то его развитием занимаются группы дата-сайентистов, интегрированные в соответствующие продуктовые команды: команда Wink отвечает за рекомендательный движок, команда «Нетрис» – за модели на основе компьютерного зрения для видеонаблюдения и т. д. Наконец, в целый ряд новых продуктов «Ростелекома» технологии искусственного интеллекта, ориентированного на данные, закладываются изначально.
Технологии искусственного интеллекта и машинного обучения уже давно используются для решения многих бизнес-задач, и с каждым годом сценариев их применения становится всё больше. Искусственный интеллект, ориентированный на данные, позволяет компаниям анализировать большие массивы структурированных данных, выстраивать прогнозы и принимать на их основе взвешенные решения. В то же время набирают популярность моделецентричные модели искусственного интеллекта, которые предлагают бизнесу широкий инструментарий для решения прикладных задач. В чем принципиальное отличие между ними?
В телекоме ИИ используется, во-первых, в железе, во-вторых, при общении с покупателями. Если первое остается для нас, обычных абонентов, за кадром, то искусственный интеллект, который обращается к нам от имени оператора связи, — на виду. Остается надеяться, что он будет становиться все более умным и повысит качество клиентского сервиса.