Η τεχνητή νοημοσύνη έχει τη δυναμική να μεταμορφώσει τον κλάδο των τηλεπικοινωνιών – από την αυτοματοποίηση λειτουργιών δικτύου μέχρι τη βελτίωση της εξυπηρέτησης πελατών. Ωστόσο, η ευρεία της εφαρμογή περιορίζεται από μια κρίσιμη αδυναμία: η πλειονότητα των γενικών AI μοντέλων αδυνατεί να κατανοήσει την εξειδικευμένη γλώσσα και τις ιδιαιτερότητες του συγκεκριμένου τομέα.
«Ο κλάδος των τηλεπικοινωνιών λειτουργεί με ένα πολύπλοκο λεξιλόγιο – γεμάτο ακρωνύμια, τεχνικά πρότυπα και επιχειρησιακή ορολογία», δηλώνει ο Louis Powell, επικεφαλής πρωτοβουλιών AI της GSMA. «Τα γενικά μοντέλα τεχνητής νοημοσύνης, τα οποία εκπαιδεύονται σε δεδομένα ευρείας βάσης από το διαδίκτυο, δεν έχουν την απαραίτητη ευχέρεια για να τα διαχειριστούν με ακρίβεια».
Αυτό, σύμφωνα με τον ίδιο και τον Ravi Kumar Palepu, διευθύνοντα σύμβουλο της NetoAI, τεχνολογικού συνεργάτη της GSMA στην πρωτοβουλία Open-Telco LLM Benchmarks, έχει ως αποτέλεσμα να εμφανίζονται σημαντικά λειτουργικά όρια. Όπως εξηγούν, πολλές εταιρείες που εφαρμόζουν μοντέλα AI για αναζήτηση και εξαγωγή γνώσης από τεχνικά έγγραφα, ειδικά μέσω Retrieval-Augmented Generation (RAG), διαπιστώνουν ότι η ακρίβεια σπανίως ξεπερνά το 75%.
«Για έναν κλάδο που βασίζεται στην ακρίβεια, είτε πρόκειται για διάγνωση προβλημάτων στο δίκτυο είτε για εξυπηρέτηση πελατών, ένα περιθώριο λάθους της τάξης του 25% είναι απλώς μη αποδεκτό», σημειώνει ο Palepu. «Αυτό περιορίζει την αξιοπιστία, αυξάνει τον λειτουργικό κίνδυνο και μειώνει την απόδοση επενδύσεων σε λύσεις AI».
Η βασική αιτία αυτών των περιορισμών εντοπίζεται, όπως λένε, στην έλλειψη βαθιάς σημασιολογικής κατανόησης από πλευράς των γενικών μοντέλων. Ενώ μπορούν να εντοπίσουν λέξεις-κλειδιά, αδυνατούν να κατανοήσουν τις λεπτές εννοιολογικές αποχρώσεις και τις σχέσεις που χαρακτηρίζουν την τεχνολογία και τις επιχειρησιακές διαδικασίες των τηλεπικοινωνιών.
Η λύση, σύμφωνα με την ερευνητική ομάδα της NetoAI, περνά από την εξειδίκευση. Η εταιρεία ανέπτυξε μια σειρά από embedding models ειδικά σχεδιασμένα για τον κλάδο, που είναι βασισμένα σε τρεις πυλώνες: εκτενής προσαρμογή θεμελιακών μοντέλων (fine-tuning σε βαθύ επίπεδο), εκπαίδευση με δεδομένα υψηλής ποιότητας που καλύπτουν πλήρως την ορολογία και τις σημασιολογικές σχέσεις του τομέα, και ανάπτυξη custom tokeniser εκπαιδευμένου αποκλειστικά με τηλεπικοινωνιακό λεξιλόγιο.
Όπως εξηγούν οι Powell και Palepu, τα αποτελέσματα είναι ιδιαίτερα ενθαρρυντικά. Το πιο πρόσφατο παράδειγμα είναι το μοντέλο T-VEC (Telecom Vectorisation Model), το οποίο σχεδιάστηκε ειδικά για την κατανόηση της γλώσσας των τηλεπικοινωνιών. Σε απαιτητικά benchmarks, το T-VEC κατέγραψε σκορ ακρίβειας άνω του 0,93, σε σύγκριση με κάτω από 0,07 για τα γενικά μοντέλα. Αντίστοιχα, τα RAG συστήματα που βασίζονται σε αυτά πετυχαίνουν 88% έως 93% ακρίβεια σε σύνθετες τηλεπικοινωνιακές εργασίες – υπερβαίνοντας το προηγούμενο όριο του 75%.
Αυτή η βελτίωση, όπως τονίζουν, είναι κομβικής σημασίας: κάνει εφικτή τη χρήση AI σε κρίσιμες εφαρμογές όπως η τεχνική υποστήριξη πρώτης γραμμής, η αυτόματη ανάλυση αρχείων καταγραφής δικτύου και η πλοήγηση σε σύνθετα έγγραφα συμμόρφωσης και κανονισμών.
Για να επιταχυνθεί η υιοθέτηση και να ενισχυθεί η καινοτομία, η GSMA και η NetoAI προσφέρουν στην κοινότητα τα βασικά εργαλεία που αναπτύχθηκαν. Το μοντέλο T-VEC, καθώς και ο πρώτος ανοιχτός tokeniser ειδικά για τον κλάδο των τηλεπικοινωνιών, είναι διαθέσιμα υπό άδεια MIT μέσω της πλατφόρμας Hugging Face.
«Θέλουμε να δώσουμε στους μηχανικούς, τους ερευνητές και τους innovators τη δυνατότητα να βασιστούν πάνω σε αυτή την έρευνα και να την επεκτείνουν», αναφέρει ο Powell. «Καλούμε την κοινότητα να εξετάσει τη μεθοδολογία μας, να δοκιμάσει τα εργαλεία μας και να συμμετάσχει ενεργά στην εξέλιξη των εξειδικευμένων μοντέλων τεχνητής νοημοσύνης».
Όπως καταλήγουν οι δύο ειδικοί, το να δημιουργηθεί τεχνητή νοημοσύνη που να «μιλά» τη γλώσσα των τηλεπικοινωνιών είναι καθοριστικής σημασίας για τον ψηφιακό μετασχηματισμό του κλάδου. Τα domain-specific μοντέλα αποτελούν ένα κρίσιμο βήμα για την επίτευξη της ακρίβειας και της αξιοπιστίας που απαιτούνται και η συνεργασία θα είναι το κλειδί για το επόμενο κύμα καινοτομίας.
