Στο άκουσμα του όρου της τεχνολογίας της τεχνητής νοημοσύνης (AI) το μυαλό αρκετών “τρέχει” σε ευφάνταστα σενάρια και εν γένει επιστημονική φαντασία. Ωστόσο, τελευταία με την αλματώδη εξέλιξή του δείχνει ιδιαίτερα θελκτική και στην βιομηχανία των τηλεπικοινωνιών. Πόσο, μάλλον, από τη στιγμή κατά την οποία είναι αποδοτική με τα δεδομένα.

Καθώς η τεχνητή νοημοσύνη (AI) στηρίζεται και συνεργάζεται αρμονικά όσο και αποδοτικά με τα δεδομένα, τελευταία η τηλεπικοινωνιακή βιομηχανία δείχνει να θέλγεται ολοένα και περισσότερο από αυτήν. Πόσο, μάλλον, από τη στιγμή κατά την οποία η ίδια κατακλύζεται και έρχεται καθημερινά αντιμέτωπη με μια… πλημμυρίδα από πληροφορίες και δεδομένα. Επιχειρηματικά και μη. Στους “κόλπους” του AI έχει αναπτυχθεί η τεχνική του machine learning που με τη σειρά της επιτρέπει στους τηλεπικοινωνιακούς παρόχους να αναλύουν δεδομένα προκειμένου να μαθαίνουν και να εκμεταλλεύονται ανάλογα τις δράσεις των χρηστών είτε ακόμη και από τις επιμέρους περιστάσεις.

Την ίδια στιγμή, μέσω της χρήσης του machine learning οι πάροχοι βελτιώνουν την ροή της κίνησης του δικτύου τους, αλλά και την συνολικότερη απόδοση της κυβερνοασφάλειας, της παρεχόμενης υποστήριξης της διαχείρισης των συστημάτων, αλλά και των predictive analytics. Σήμερα, ήδη στην αγορά υπάρχουν δίκτυα αυτοσυντηρούμενα και αυτοβελτιούμενα. Οπότε, το machine learning θα τους επιτρέψει να προβούν στην πρόβλεψη της μελλοντικής κατάστασης του δικτύου. Κατ’ αυτό τον τρόπο, το ίδιο το δίκτυο αναμένεται να γίνει πλουσιότερο σε γνώση και κατ’ επέκταση να βελτιστοποιηθεί η διαχείριση του όγκου εκ μέρους του δικτύου σε μια συνεχόμενη βάση.

Παρόλα αυτά, η ικανότητα να λάβει χώρα αυτό σε πραγματικό χρόνο αναμένεται να διαφοροποιήσει εκ βάθρων τον τρόπο με τον οποίο τα δίκτυα εγκαθίστανται και διαχειρίζονται. Το ίδιο το σύστημα οφείλει να “μάθει” τον τρόπο με τον οποίο θα πρέπει να επισκευάσουν τα όποια ζητήματα κάνουν την εμφάνισή τους. Κι αυτό, από μόνα τους! Ένα από τα σημεία-κλειδιά για την ευνοϊκή μελλοντική εξέλιξη αναμένεται να αποτελέσει η ικανότητα ανάλυσης των επιμέρους τάσεων, η καταγραφή και κατανόηση των συνθηκών που επικρατούν και η λήψη σχετικών μέτρων και διορθωτικών κινήσεων όπου απαιτείται.

Τι θα συνεισφέρει το 5G;
Η πολύ-αναμενόμενη δυναμική έλευση του 5G αναμένεται να έχει σημαντική επίδραση και στο machine learning. Πόσο, μάλλον, από τη στιγμή κατά την οποία το 5G αναμένεται να είναι κατά τουλάχιστον 100 φορές ταχύτερο εν συγκρίσει με το 4G. Οπότε, αναπόφευκτα η διαχείριση της ζήτησης και των πολλαπλάσιων αριθμών συσκευών αναμένεται να αποδειχτεί μια αρκούντως δύσκολη όσο και ιδιαίτερα αυξημένη διαδικασία. Κι αυτό, καθώς αυτά με τη σειρά τους συνεπάγονται τεράστιες ποσότητες δεδομένων που θα προέρχονται από αυτόνομης οδήγησης οχήματα, drones, διασυνδεδεμένες οικιακές πλατφόρμες κ.ο.κ.

Προκειμένου να γίνουν όλα αυτά, θα απαιτηθεί ένας βαθμός ευφυϊας εκ μέρους των ίδιων των μηχανών. Επιγραμματικά, πρόκειται για ένα αρκούντως δυναμικό όσο και ταχύτατα κινούμενο περιβάλλον, οπότε η διαχείριση συσκευών κατά μήκος ετερογενών δικτύων που χρειάζεται το 5G, “μεταφράζεται” σε περαιτέρω ώθηση της διαδικασίας αυτοματοποίησης. Ταυτόχρονα, το AI αναμένεται να συνεισφέρει και την τμηματοποίηση του δικτύου 5G, ήτοι της δυνατότητας εικονικής κατάτμισης σε ένα δίκτυο, λαμβάνοντας υπόψη την ικανοποίηση αυξημένης ζήτησης για κάποιο συγκεκριμένο χρονικό διάστημα.

Σταδιακή ενίσχυση των πλεονεκτημάτων
Τα πλεονεκτήματα που προκύπτουν στην αγορά των τηλεπικοινωνιών εξαιτίας της διείσδυσης του AI αρχίζουν και κάνουν δειλά-δειλά την εμφάνισή του και το μόνο σίγουρο είναι πως αυτό θα διευρύνεται σταδιακά με την ταυτόχρονη ανάπτυξή του. Για παράδειγμα, ένα από τα πλεονεκτήματα είναι το γεγονός ότι το machine learning επιταχύνει σημαντικά την συνολικότερη διαδικασία ανάπτυξης.

Συγκεκριμένα, κατά το κοντινό παρελθόν, μεταξύ της απαίτησης για μια υπηρεσία και της εφαρμογής της, θα παρεμβάλλονταν ένα σημαντικό χάσμα και θα απαιτούνταν πολλές ημέρες. Σήμερα, πλέον, δεν χρειάζονται παρά ελάχιστα λεπτά της ώρας! Στην αγορά, κορυφαίοι τηλεπικοινωνιακοί πάροχοι το αξιοποιούν προκειμένου λ.χ. να λαμβάνουν άμεση γνώση σχετικά με το πότε μια κλήση δεν ολοκληρώνεται είτε εάν η τηλεπικοινωνιακή κίνηση κρίνεται ως αυξημένη, στα όρια του κορεσμένου. Κατ’ αυτό τον τρόπο αποκτούν την απαιτούμενη γνώση σχετικά με το πώς θα διαχειρίζονται με περισσότερο αποτελεσματικό τρόπο την αντιμετώπιση των σφαλμάτων και προβλημάτων.

Επιπροσθέτως, μπορεί να αξιοποιηθεί για την βελτίωση μιας σειράς διαδικασιών που συμπεριλαμβάνουν το σχεδιασμό του δικτύου ή της δημιουργίας προφίλ των χρηστών, ακόμη και της ανάπτυξης νέων υπηρεσιών. Ένα ιδιαίτερα εμπνευσμένο παράδειγμα προέρχεται από την Telefonica η οποία εδώ και λίγους μήνες έχει λανσάρει μια εφαρμογή η οποία και αξιοποιεί αισθητήρες κινητών τηλεφώνων που με τη σειρά τους καταγράφει την συνολικότερη οδηγική συμπεριφορά ενός ασφαλισμένου προκειμένου να αναπτύσσει και να παρέχει προσωποποιημένα ασφάλιστρα στην Ισπανική αγορά. Ορισμένοι άλλοι τηλεπικοινωνιακοί πάροχοι, όπως λ.χ. η Orange χρησιμοποιεί τεχνικές machine learning ώστε να βελτιστοποιήσει την ανάπτυξη οπτικών ινών μέσω της ανάπτυξης ξεχωριστών σεναρίων, ενώ δεν λείπουν και όσοι εφαρμόζουν το AI στην προσπάθειά τους να βελτιώσουν υφιστάμενα προϊόντα και υπηρεσίες, αλλά και αυτοί που προσπαθούν να βελτιώσουν την εμπειρία των πελατών μέσω της δημιουργίας website που θα είναι εύκολο στην χρήση και στην συνολικότερη πλοήγηση.

Οι αναλυτές της τηλεπικοινωνιακής αγοράς θεωρούν πως μια ακόμη περιοχή που εμφανίζει ενδιαφέρουσες προοπτικές σχετίζεται με την πρόβλεψη της ασφάλειας και του αυτοματισμού. Κι αυτό, καθώς το σύνηθες σενάριο στον τομέα της ασφάλειας προβλέπει την αντίδραση έπειτα από την εμφάνιση ή την εκτόξευση συγκεκριμένων απειλών με την ταυτόχρονη λήψη προστατευτικών μέτρων. Με τη σειρά του, το machine learning επιτρέπει στις επιχειρήσεις να καταγράφουν και να επισημαίνουν πρότυπα τα οποία δεν είναι καν ορατά στο ανθρώπινο μάτι. Αποτέλεσμα; Η όποια αστοχία να ανιχνεύεται και κατ’ επέκταση να διορθώνεται σε σαφώς ταχύτερους χρόνους.

Επιπροσθέτως, το machine learning αναμένεται να έχει έναν σημαντικό βαθμό επίδρασης και στις ίδιες τις συσκευές. Πόσο μάλλον από τη στιγμή κατά την οποία αυτές γίνονται ολοένα και πιο ισχυρές, οπότε και οι σχετικοί αλγόριθμοι θα τους επιτρέπουν να εξαρτώνται σε λιγότερο βαθμό από το δίκτυο. Για παράδειγμα, η κορυφαία κατασκευάστρια εταιρεία επεξεργαστών Qualcomm, ανέπτυξε μια πλατφόρμα machine intelligence με την επωνυμία “Zeroth”, καθώς επίσης και ένα προϊόν ασφαλείας, το Smart Protect. Την ίδια στιγμή, λανσάρισε και ένα Software Development Kit (SDK) με την ονομασία: “Qualcomm Snapdragon Neural Processing Engine” που επιτρέπει στους κατασκευαστές φορητών συσκευών και τους προγραμματιστές να καθοδηγούν τα ίδια τους τα δίκτυα.

Είναι όλα… ρόδινα;
Μπορεί να αποτελεί ευρέως διαδεδομένο πως το machine learning διαθέτει τη δυνατότητα να έχει την ικανότητα να κάνει πολλά όσο και εντυπωσιακά πράγματα, εντούτοις όμως δεν λείπουν και οι σχετικές προκλήσεις και τα αντίστοιχα εμπόδια. Μάλιστα, πρώτο στη σειρά δείχνει να βρίσκεται ένα ζήτημα που σχετίζεται με τις ικανότητες. Κι αυτό, καθώς όσες επιχειρήσεις αναζητούν τρόπους αξιοποίησης του machine learning οφείλουν να αναπτύξουν εσωτερική εμπειρία κει εξειδίκευση. Γιατί; Μα επειδή οι αλγόριθμοι έχουν άμεση συνάφεια με τα δεδομένα.

Υπό αυτό το πρίσμα, ο ρυθμός ανάπτυξης της ίδιας της τεχνολογίας θα πρέπει να αντιμετωπίζεται τόσο ως πρόκληση όσο και ως ωφέλεια. Πόσο, μάλλον, από τη στιγμή κατά την οποία με την τεχνητή νοημοσύνη μπορεί να καταγραφεί απτή πρόοδος. Προς αυτή την κατεύθυνση συμβάλουν μια σειρά από εργαλεία που επιτρέπουν τη λήψη ενός δεδομένου, κλασσικού αλγόριθμου και της ελαφράς μεταβολής του ώστε να δημιουργηθεί μια νέα παραλλαγή. Απλά, στη συγκεκριμένη περίπτωση, οι επιχειρήσεις θα πρέπει να φροντίσουν να συμβαδίζουν με την συνολικότερη εξέλιξη. Μια άλλη πρόκληση που καλούνται να αντιμετωπίσουν οι εταιρείες είναι τον τρόπο με τον οποίο θα είναι σε θέση να αξιοποιήσουν το πλεόνασμα των διαθέσιμων επιχειρηματικών (και όχι μόνο) δεδομένων. Πως αντιμετωπίζεται; Μέσω της επένδυσης σε απόκτηση ταλέντου και τον εξοπλισμό με κατάλληλης υποδομές. Δίχως αμφιβολία, τα εργαλεία μπορεί να υπάρχουν, ωστόσο το ερώτημα που προκύπτει αφορά στον τρόπο με τον οποίο μια επιχείρηση δύναται να αξιοποιήσει παραγωγικά τα δεδομένα. Σε αυτή την περίπτωση, το AI αποτελεί το “κλειδί” για την εξέλιξη και εν γένει εκτόξευση του Internet of Things (IoT), ενώ ταυτόχρονα μπορεί να δώσει λύση και στο ζήτημα των big data.

Επιπλέον, οι μεγάλες ποσότητες δεδομένων που απαιτούνται για το AI εγείρει ανησυχίες σχετικά με το απόρρητο. Κάτι το οποίο είναι κατανοητό, ενώ παράλληλα αποτελεί τον βασικό λόγο για τον οποίο τα μη επεξεργασμένα δεδομένα χρησιμοποιούνται υπό το κράτος ανωνυμίας και συγκεντρωτικά. Επιπροσθέτως, τα εν λόγω δεδομένα συνήθως αναλύονται σε ένα υψηλής ασφάλειας όσο και προστατευμένο περιβάλλον. Μπορεί αυτή τη στιγμή το machine learning να αρχίζει να βρίσκει τον… βηματισμό του σε επίπεδο εφαρμογών και υλοποιήσεων, ο δε δρόμος να δείχνει μακρύς, ωστόσο η συνολική του ανάπτυξη αναμφίβολα θα είναι ταχύτατη. Βέβαια, οι ειδικοί αναφέρουν πως θα απαιτηθεί ικανός χρόνος έως ότου οι μηχανές αποκτήσουν την ικανότητα να “σκέφτονται” από μόνες τους. Ορισμένοι ισχυρίζονται πως μέχρι το 2020 θα είναι δυνατόν για ορισμένες μηχανές να λαμβάνουν κάποιου είδους και σε κάποιο βαθμό “σκεπτόμενες” αποφάσεις. Προς αυτή την κατεύθυνση μια σειρά από συνδυαστικές όσο και συμπληρωματικές τεχνολογίες αναμένεται να αξιοποιηθούν ώστε να παράγουν ένα θετικό αποτέλεσμα.

Για παράδειγμα, το SDN και η αυτοματοποίηση. Εντούτοις, όμως, απαιτείται η ύπαρξη analytics. Σε αυτό το επίπεδο, η Google και αρκετοί άλλοι τεχνολογικοί κολοσσοί επιχειρούν να κάνουν βήματα προς τα εμπρός στο κομμάτι των αλγορίθμων που με τη σειρά τους κρίνονται απαραίτητοι για την ευρύτερη διαδικασία του machine learning. Βέβαια, δεν πρέπει να εξαλείφεται ή παραλείπεται και ο ανθρώπινος παράγοντας, που θα πρέπει να λειτουργεί συγκροτημένα στην βάση της παραγωγής και εν συνεχείας της εξαγωγής ιδεών σε απτά αποτελέσματα. Απλά, χρειάζεται να εντοπίζεται μια περίπτωση, να αντιμετωπίζεται ξεχωριστά, να αναδεικνύονται τυχόν προβλήματα ή ζητήματα και να λαμβάνουν χώρα βελτιωτικές κινήσεις που συνολικά θα ενδυναμώσουν τον κύκλο της παραγωγής προσθέτοντας ευφυϊα στην όλη διαδικασία.