作为一种新的人工智能应用，生成式AI可以生成全新的内容，包括对话、故事、图像、视频、音乐和代码等，可能会给全球经济带来颠覆性变化。高盛公司预测，生成式AI将在10年内推动全球GDP增长7万亿美元，让生产效率提升1.5%。同时，这个巨大的机遇也将延伸到电信行业。

生成式AI在电信行业中的应用潜力

与其他行业一样，生成式AI可以在以下四个方面助力电信公司业务发展。一是提高多种服务的效率，如准备需求建议书(RFP)、部署聊天机器人以协助销售，以及进行大规模的个性化营销。亚马逊云科技预计这一领域将出现大幅增长。Gartner数据显示，到2026年，95%的电信公司将部署数据分析和AI等举措，以提升客户体验并改进产品规划，而2022年这一比例仅为50%。我们认为，生成式AI在一些特定行业的应用将具有变革意义。

二是增强客户体验。许多电信公司已经在利用AI增强人际互动、保证客户体验的一致性并提升解决问题的效率。而生成式AI能够更胜一筹，通过交互式语音进行响应—也就是在早期聊天机器人的基础上进一步演进，帮助客户解决问题或者查找答案。此外，生成式AI还可以分析实时对话，为客服人员提供提示，帮助他们解决客户提出的问题。虽然客服人员仍将在这一过程中继续发挥关键作用，但生成式AI可以重塑并改善每一次客户体验。

三是简化网络规划、安装、配置和运营。生成式AI可以在网络生命周期的各个方面发挥关键作用。在网元安装过程中，工程师需要按照手册和文档上记载的步骤进行工作。生成式AI可以导入这些数据，为工程师提供交互式的指导和提示，加快网元安装进程。基础模型也可以使用网络拓扑和配置数据进行训练，对网元的配置提出建议。当网络出现故障时，基于生成式AI的应用程序可以向网络运营工程师提供排除故障的建议。

四是优化业务绩效。生成式AI可以帮助电信公司更便捷地定位哪些领域有收入流失，哪些因素导致了收入流失。通过跨业务流程部署，生成式AI可以核查利润、收入、用户套餐、客户费用，针对如何进一步调整产品、优化利润提出建议。

主要考量因素

并非每一个人工智能或机器学习场景都需要应用生成式AI。事实上，有很多例子表明，对电信业务流程而言，基于监督和无监督学习技术的传统式AI已经绰绰有余。例如，传统AI擅长帮助电信运营商预测收入流失、检测网络异常情况或跟踪净推荐值指标等。除此之外，还有其他的重要因素需要一并考虑。

一是开发或训练基础模型的成本。对于基础模型，也就是通过大量数据训练并驱动生成式AI应用的大型人工智能模型来说，企业的大部分成本都花在了模型训练上。公共模型是根据大量公开可获得的数据进行训练的，更具通用性，但可能无法很好地执行专门任务。自定义模型可以组合公共数据和企业专有数据进行训练，为特定行业或企业提供更为具体的应用。从零开始构建模型既耗时又昂贵，而且需要专业知识，但如果企业拥有大量数据资源并具有特定领域知识的用例，那么开发定制基础模型将是有意义的。亚马逊云科技正在努力降低这项技术的使用门槛，让客户以现有模型为起点，使用专有数据进行模型训练，使自身的模型更加适合执行特定任务。

二是数据质量和负责任的AI。生成式AI的优劣取决于它所训练的数据。在考虑采用生成式AI(或任何形式的AI)之前，最重要的就是要有高质量数据。生成式AI需要广泛的数据集、训练和监督，才能形成推理和答案。无论公共还是私有基础模型，都可能会出现“幻觉”，产生看似可信但并不准确的反馈。因此，我们不建议用户将生成式AI应用于需要高度确定性的任务，由于问题本身的独特性或者缺乏足够的高质量数据，做到高确定性是不太可能的。同样重要的是，我们需要确保以负责任的方式应用这项技术。一些新的生成式AI工具和服务在产品中内置了“负责任的AI”功能，如当生成的代码与现有开源代码相似时可以突出显示、在训练数据集中检测和删除有害内容、过滤包含有害内容(如仇恨言论、亵渎和暴力)的文章。

三是数据安全。对于企业来说，以经营为目的应用生成式AI，需要具备大量的专有数据。虽然市场上有公开数据可供选择，但可能会产生安全和隐私的新问题，如知识产权方面的相关问题。业务和IT领导者应与安全、合规和法律团队密切合作，以识别和减少这些潜在风险，确保以安全和负责任的方式部署生成式AI。此外，还应围绕法律法规和合规性制定计划，并仔细考虑所使用数据的归属权。

无论是应用生成式AI还是自然语言处理技术，在部署商用AI之前，企业都应花时间思考应用程序的部署问题、讨论数据的组织战略、评估投资回报率。亚马逊云科技相信，AI将是这个时代最具变革的技术，生成式AI正在释放令人振奋的价值，每家企业都应该探索和尝试生成式AI技术。