Ultimi Comunicati Stampa

Redazione ufficio stampa

Leggi gli ultimi comunicati stampa e naviga nell'archivio dell'Ufficio Stampa del Gruppo TIM. Leggi i comunicati

L’Intelligenza Artificiale (AI) è destinata ad avere un forte impatto su tutti i settori dell’economia compreso quello delle Telecomunicazioni. Nell’ambito del progetto europeo Human AI Net ed in collaborazioni con altri enti quali ETNO e l’Istituto nazionale tedesco per la ricerca sull’AI, la GSMA ha prodotto una Research Agenda per la industry che contiene i temi di ricerca sull’AI che potranno massimizzarne l’impatto sia nel nostro settore che in quelli di applicazione delle Telecomunicazioni . Il documento è stato prodotto dalla Task Force GSMA “AI for Impact” partecipato da TIM ed altri operatori all’avanguardia sull’adozione dell’AI quali Telefonica, Telenor, Orange, Telia, Telstra e Vodafone.

Scarica il PDF

Down

Humane AI Net

2291 KB

L’AI produrrà dei benefici sostanziali sul nostro settore se verrà introdotta in maniera etica e responsabile in maniera regolamentata tale da minimizzare effetti e derive indesiderati. L’AI Act prodotto dalla Commissione Europea in fase di approvazione sarà basato su un approccio risk based, ovvero tenderà a regolamentare le applicazioni dell’AI a seconda del loro grado di rischio. Le applicazioni con grado di rischio inaccettabile, come il social scoring, saranno espressamente vietati mentre applicazioni ad alto rischio saranno soggetti a verifica di conformità ex ante. Le applicazioni con rischio medio avranno solo obblighi di trasparenza verso il cliente ed infine le applicazioni a basso rischio saranno comunemente accettate. Altri aspetti relativi all’AI sono oggetto di attenzione da parte di enti sovranazionali come l’OECD ed il G7.

Figura 1: Risk based approach dell’AI Act

Clicca qui per ingrandire l'immagine

L’AI per le telecomunicazioni mobili, una realtà già presente

L’AI viene sperimentata dagli operatori mobili per migliorare la loro efficienza operativa sia in termini di prestazioni di rete che di relazioni con il cliente. Questi due campi di applicazione sono quelli a maggior impatto economico (fig.2). Oltre a vantaggi di natura tattica sul mercato, gli operatori stanno valutando anche un posizionamento più strategico sull’AI con lo sviluppo di nuovi business per intercettarne il valore di mercato previsto in forte crescita.

Figura 2: STL Partners “AI & automation for telcos: Mapping the financial value

Clicca qui per ingrandire l'immagine

Le Applicazioni di Rete

Il progetto Humane AI ha messo in evidenza i principali campi di applicazioni dell’AI da parte degli operatori di telecomunicazioni. Le applicazioni di rete trovano spazio sia nell’ingegneria di rete che nella gestione operativa dell’infrastruttura fissa e mobile. Un esempio nel mobile è dato dalla pianificazione di rete, dove l’AI viene utilizzata per la predizione dei livelli di traffico per adeguare capacità e copertura delle reti mobili - ciò permetterà agli operatori di fare investimenti solo dove necessari (“smart capex”) generando al contempo un miglioramento della customer experience legata ai servizi. Nell’ambito della network optimisation l’AI viene usata per analizzare i dati di traffico, per individuare quei fattori che impattano negativamente sulle prestazioni e permettere all’operatori di ottimizzare le configurazioni di rete anche in maniera predittiva. Sempre più rilevante per gli operatori è risultato l’ambito energetico. L’AI viene già utilizzata sia per ottimizzare l’uso di energia nelle reti che per determinare la miglior fonte energetica da utilizzare. Sempre sul versante delle reti, l’AI è sempre più decisiva nella lotta al cybercrime, permettendo di individuare con maggior accuratezza i pattern di attacco verso le reti di telecomunicazioni tramite l’analisi delle anomalie nel traffico, consentendo agli operatori di mettere in campo le contromisure più efficaci nella lotta alle frodi.

Le applicazioni di Marketing
Sul fronte marketing l’AI trova sempre più spazio per migliorare l’interazione con il cliente e quindi aumentarne l’engagement. Gli operatori stanno esplorando l’AI per implementare il paradigma NDA – Next Best Action – in cui imparando dalla storia passata del cliente l’operatore può determinare un ventaglio di azioni di marketing e quindi scegliere quella più efficace per il singolo cliente (ad esempio aiutando gli operatori a capire le domande dei clienti sui diversi canali ed il loro contesto per fornire loro la miglior risposta possibile). L’evoluzione naturale del NBA è il Next Best Experience (NBE) che mira ad offrire la miglior experience con il proprio operatore attraverso l’analisi dei dati della customer journey per ogni cliente. Altro campo di applicazione marketing dell’AI messo in evidenza dal progetto è quello del churn prediction. La capacità dell’AI di imparare dalla storia pregressa del cliente permette di individuare quei pattern comportamentali che danno tipicamente origine al cambio di operatore, permettendo all’operatore di intraprendere preventivamente possibili azioni di retention. Lo smart pricing costituisce un’evoluzione del campo di intervento dell’AI nel marketing - l’analisi del customer behaviour associato a quello dei market trends e all’analisi dei competitors permette di ottimizzare il pricing per determinati segmenti di cliente, per favorire un pricing dinamico piuttosto che statico sino ad offrire un personalized pricing. Il credit scoring per la valutazione del rischio di insolvenza di un cliente è una interessante applicazione dell’AI – l’analisi di utilizzo dei servizi di telecomunicazioni permette di individuare pattern che possono dare indicazioni di creditworthiness di un utente. L’uso congiunto di tecniche di AI quali il reinforcement learning ed il deep learning permettono di raccomandare una sostituzione del device con il modello più adatto al cliente al momento più opportuno. Il collaborative f iltering ed il content based f iltering sono metodologie basate su AI che permettono di imparare dalla storia di acquisto di un cliente e dalle sue preferenze per azioni di service & product reccomandation che va oltre la raccomandazione del singolo device. Infine, il Generative AI è considerata la nuova frontiera per i chatbots ed i digital assistants già largamente in uso nella industry per offrire un customer caring 24x7. Le applicazioni AI di maggior successo nel campo del caring sono l’ottimizzazione delle FAQs ed i servizi di risposta personalizzati in base ai dati del cliente – l’AI permette di analizzare rapidamente una richiesta di un cliente su un canale, fornire una prima risposta in linguaggio naturale e solo nel caso di incomprensione di scalare la richiesta ad un operatore di un customer care.

Monetizzazione esterna dell’AI
Come messo in evidenza dal riquadro sul valore economico dell’AI, è possibile pensare ad un posizionamento più strategico degli operatori sull’AI orientato allo sviluppo di nuovi business. Ad oggi non è stato definito un business model consistente per la monetizzazione esterna dell’AI in attesa del consolidamento di un quadro normativo di riferimento. In questo contesto il progetto indica nelle partnership pubblico private la miglior opportunità di monetizzazione esterna dell’AI. L’operatore di telecomunicazioni potrà offrire prodotti AI (es. in cloud) da abbinare a servizi di analytics basati sui dati generati dalle reti che gli enti pubblici possono valorizzare a supporto di policy in tema quali la sostenibilità ambientale legate al cambio climatico, salute, trasporti pubblici e protezione civile. Gli operatori possono aggregare ad anonimizzare i dati dei propri clienti, che i loro terminali creano ad un ritmo di 200 - 400 data points al giorno per fornire insights accurati che l’AI può generare nei diversi campi di pubblica utilità precedentemente menzionati.

Nuovi orizzonti dell’AI per le Telecomunicazioni

La research agenda definita in GSMA indica i temi di ricerca per individuare nuovi campi di applicazione dell’AI per il settore delle telecomunicazioni. Secondo una survey tra le aziende partecipanti è emerso che entro 5 anni l’AI sarà adottato su vasta scala tra i telco diventando parte integrante di tutti i processi di business di un operatore (“AI everywhere”). L’AI cambierà anche il modo di lavorare ed è destinata ad essere la principale piattaforma di innovazione per i telco secondo il paradigma AI native telco (Fig.3).

Figura 3: AI Native Telco (GSMA)

Clicca qui per ingrandire l'immagine

Al centro del paradigma AI native telco la GSMA mette l’AI Ethics by design, ovvero l’incorporazione di regole etiche nell’uso dell’AI come peraltro già recepito da diversi codici etici delle aziende partecipanti al progetto. A partire da principi etici, l’AI dovrà diventare parte integrante della cultura aziendale e quindi influenzarne le strategie di business. Ma per poter mettere a terra il concetto di AI native telco, gli operatori dovranno investire maggiormente nelle loro data foundations ovvero il loro impianto di dati che saranno il materiale grezzo su cui innestare gli algoritmi AI. I dati per l’addestramento dei sistemi AI dovranno essere di alta qualità, diversificati e rilevanti oltre ad avere una governance che assicuri privacy, trasparenza ed accountability dei sistemi AI tali da poter capire e spiegare il loro funzionamento e quindi eliminare effetti indesiderati quali il bias1. Un data foundation consistente si ottiene in base ad un insieme di processi comunemente definiti – data collection, data cleaning, data integration, data annotation, data governance, storage & management. Molti di questi processi sono gestiti ancora in maniera manuale e quindi dovranno essere oggetto di automazione da parte dei telco al f ine di rendere l’enorme mole di dati prodotti dalle reti e dai sistemi di CRM actionable per i sistemi AI. Il progetto mette anche in evidenza il problema dei silos tra dati di rete e di CRM e quindi la necessità di maggior collaborazione tra i teams aziendali che li gestiscono. I dati per addestrare sistemi AI sono particolarmente critici dal punto di vista della privacy e quindi della protezione dei dati personali del cliente per la quale è prevista la compliance alle varie regolamentazioni locali e regionali. L’adempienza a principi di privacy sarà critica e potrà essere ottenuta grazie ad algoritmi di anonimizzazione. Il tradeoff tra rispetto della privacy e utilità dei dati è uno degli elementi di ricerca più importanti emersi nel progetto per avere in futuro sistemi AI human centric. La ricerca sarà focalizzata sull’uso di dati sintetici ovvero dati creati artificialmente (anche dai stessi sistemi AI) che simulano i dati reali. Gli ambiti di ricerca più rilevanti emersi su questo tema sono la rappresentatività, l’eliminazione di bias insiti nella loro generazione e quindi le tecniche di valutazione della loro bontà. Un numero crescente di operatori tra cui la stessa TIM ha in esercizio sistemi AI ma il campo di applicazione rimane ancora limitato ai casi di utilizzo previamente descritti. Per rendere pervasivo l’uso dell’AI in tutti gli ambiti di applicazione sarà necessario determinare azioni di scaling sull’AI. A tal fine il progetto ha individuato nella standardizzazione degli use case AI più comuni e nell’applicazione del concetto di DevOps all’AI (MLOps) le vie percorribili per scalare l’uso dell’AI in tutti gli ambiti aziendali di un telco. Il progetto indica nuove applicazioni dell’AI in ambito rete che hanno bisogno di ricerca. Ad esempio, nella gestione della 5G core e RAN si dovrà fare più ricerca sull’automazione di alcuni tasks che limitino l’intervento umano e quindi sulla pedictive maintenance basata su AI che possa ridurre sensibilmente i guasti e gli interventi di riparazione. Il progetto indica nella configurazione automatica di rete (Self Organizing Network) per limitare la necessità di configurazioni umane, nel traffic optimisation per l’overprovisioning di rete grazie all’allocazione di risorse di rete just in time i temi di ricerca prioritari. La network automation sarà complessivamente una area di ricerca sull’AI a se stante, in ottica zero touch management per ridurre al minimo l’intervento umano nella gestione delle rete ed ottimizzarne gli OPEX. Lo smart energy management è emerso come importante tema di approfondimento per l’AI che può diventare una arma per fare saving su una voce di OPEX sempre più critica per i telco. In questo contesto si dovrà approfondire l’uso dell’AI per predire i consumi energetici in base alle predizioni di traffico e quindi operare predittivamente sulla configurazione di rete. L’ottemperanza al quadro regolatorio fornisce ulteriori temi di ricerca. L’explicability dell’AI è un tema che molti operatori dovranno affrontare in particolare sui mercati europei. Uno dei temi più rilevanti sarà il passaggio dalla correlazione (relazioni tra variabili) alla causation (influenza causale tra variabili) nel machine learning, dovendo poter inferire sulla causalità tra variabili per aumentare l’explicability dei sistemi AI. Il progetto indica nella ricerca in campi quali controlled experiments (si cambia una variabile e si vede l’effetto su una altra), il time order (causalità temporale tra variabili), il mechanism explanation (trovare meccanismi plausibili di causalità tra variabili), la reverse causality (se c’è causalità inversa tra variabili) e l’additional data (aggiungere dati per individuare causalità) l’individuazione di possibili soluzioni. Molti dei temi di ricerca individuati si possono inquadrare come sviluppo di digital twins delle reti, con gli algoritmi AI applicati ad una copia digitale prima ancora che fisica della rete. Il digital twin di una rete potrà essere usata nei vari ambiti di applicazioni precedentemente esaminati, come network optimisation, predictive maintanance ed il network planning. Infine, sempre in ambito rete un tema di ricerca fortemente attenzionato dagli operatori è quello del Network as a Service (NaaS) in cui funzionalità di rete possono essere virtualizzate e accesse tramite APIs. Servizi di NaaS già in essere riguardano servizi molto utilizzati come VPN o SDN ma che potranno essere migliorati attraverso l’uso dell’AI. Ma la ricerca sullo sviluppo dell’AI per i telco non riguarderà solo la rete ma toccherà anche il marketing e le operations di business. In questo campo un tema di ricerca prioritario riguarderà il paradigma del real time AI ovvero l’applicazione dell’AI ai dati in tempo reale ovvero al tempo della produzione stessa dei dati, per poter intraprendere azioni tempestive come offerte in real time in base alle esigenze estemporanee del cliente. Il Machine Learning verrà esplorato nella dimensione dell’ottimizzazione dei processi di business – in questo contesto la ricerca riguarderà temi quali il model based optimisation in cui ad essere ottimizzato sarà un modello del sistema, l’heuristic optimisation per ottimizzare la ricerca operative nella soluzione di problemi, il reinforcement learning, il bayesian optimisation sino ad arrivare al multi objective optimisation in cui ad essere ottimizzati sono diversi obiettivi di business secondo un trade off tra gli stessi obiettivi. Nel campo del CRM si tenderà a migliorare in particolare le chatbots. Lo sviluppo dell’ AI riguarderà la proattività nell’interazione (per anticipare i needs del cliente) e la capacità di dialogo. Sul versante della proattività si tratterà di definire il giusto bilanciamento tra personalizzazione della relazione e spam, per poter fornire in anticipo al cliente le informazioni utili ma senza sovraccaricarlo di messaggi. Per quanto riguarda la capacità di dialogo invece la ricerca riguarderà soprattutto l’applicazione di modelli di Generative AI che possano andare oltre il modello FAQ ed instaurare un vero dialogo con il cliente in linguaggio naturale. L’applicazione di generative AI verrà valutata anche per fornire chatbots di tipo multilanguage per servire clienti nel segmento etnico o i clienti in roaming. Una nuova dimensione della ricerca sull’AI applicata al mondo telecomunicazioni riguarderà l’Ethical & Responsible Business nell’ambito della Corporate Social Responsability (CSR). L’AI può avere sia aspetti positivi, legati alle applicazioni di forte impatto sociale come la salute o l’ambiente, ma anche aspetti fortemente negativi come il rischio di perdita della privacy o la discriminazione dovuti al bias insiti in sistemi di ML. La GSMA ha prodotto a riguardo un AI Ethics Playbook2 come manale d’uso per i telco per un uso etico dell’AI ma anche un Self Assessment Questionnaire (SAQ) per una autovalutazione sulla compliance raggiunta sui temi etici. La ricerca riguarderà in particolare le modalità di valutazione del rischio associato a determinati caso d’uso coerentemente con i dettami dell’AI Act europeo. Un fattore di rischio severo è quello della violazione della privacy – la ricerca sarà orientata a sviluppare sistemi AI e di ML che minimizzano il rischio di violare la privacy quando i sistemi vengono allenati con i dati dei clienti. Altro fattore con forte impatto negativo per un operatore è quello del bias (polarizzazione) dei sistemi AI che può essere di diversi tipi: bias di rappresentazione (i dati con cui viene addestrata la macchina AI riguarda una popolazione diversa da quella su cui verrà applicato il sistema), bias di misura (quando i dati raccolti contengono insito già un bias), bias dell’algoritmo (quando l’algoritmo AI è progettato con un bias insito). La ricerca in questo campo riguarderà quindi l’eliminazione o la mitigazione di qualsiasi forma di polarizzazione dei sistemi AI basato su tre metodologie: il pre processing con il quale i dati di addestramento sono pre processati prima di essere usati per l’addestrato per eliminare in anticipo forme possibili di bias, in-processing in cui la depolarizzazione avviene introducendo funzioni di fairness constrain optimisation contestualmente all’addestramento ed infine il post processing in cui il bias viene corretto solo a posteriori e non durante l’addestramento della macchina. La explanability dei sistemi AI è un tema di ricerca trasversale e necessita di diversi approcci a seconda del tipo di sistema AI. I sistemi di tipo black box presentano alte prestazioni negli outputs a fronte di una bassa trasparenza sul modello di funzionamento, i sistemi white box presentano al contrario maggiori qualità di explanability a fronte di prestazioni in uscita minori. Esistono anche modelli AI intermedi di tipo grey box con diversi tradeoff tra prestazioni ed explanability. Metodologie come LIME o SHAP permettono un certo grado di interpretabilità di sistemi di tipo black box che sono quelli più critici. Infine, sarà necessaria molta ricerca sul tema della sostenibilità dell’AI considerando che ad oggi il consumo energetico dei grandi sistemi AI/ML comportano un consumo di energia proibitivo. Il tema di ricerca, il Green AI, è molto vasto ed esula dal campo della TLC. SI è valutato che l’addestramento di un modello GPT ha le stesse emissioni CO2 del ciclo di vita di 5 autovetture con motore termico. La ricerca riguarderà modelli di chipset dedicati a minor consumo ed algoritmi AI con minimo consumo energetico by design. Dall’altro lato l’AI può supportare la sostenibilità in altri settori – AI for Sustainibility – contribuendo in maniera positiva alla sostenibilità ambientale, sociale ed economica. Su questo tema sono attive iniziative come AI4I (AI for Impact) della GSMA o AI4Good (AI for Good) delle Nazioni Unite.

Note

  1. Il problema del bias e le strategie di mitigazione viene trattato più avanti
  2. https://www.gsma.com/betterfuture/wp-content/uploads/2022/01/The-Mobile-Industry-Ethics-Playbook_Feb-2022.pdf

Acronimi

AI     Artificial Intelligence

API     Application Programming Interface

CRM     Customer Relationship Management

CSR     Corporate Social Responsibility

ETNO     European Telecommunications Network Operators' Association

FAQ     Frequently Asked Questions

GSMA     GSM Association

HW     Hardware

ML     Machine Learning

NDA     Next Best Action

NDE     Next Best Experience

OECD     Organization for Economic Co-operation and Development

SAQ     Self Assessment Questionnaire

SW     Software

ZTM     Zero Touch Management