Einführung

Bei der Bewertung der Branchen, die bisher am intensivsten auf KI-Modelle setzen, spielen sowohl die Offenheit für technologische Innovationen als auch die Notwendigkeit, im ständigen operativen Wettbewerb zu bestehen, eine entscheidende Rolle.

‍

Bemerkenswerterweise ist die Telekommunikationsbranche ein Sektor, der beides entschlossen vorantreibt.

‍

KI-Stimmung in der Telekommunikation

Insgesamt nimmt die Einführung von KI-Modellen in der Telekommunikation deutlich zu. Microsoft spiegelt dies in einem Artikel über KI in der Telekommunikationsbranche wider und prognostiziert, dass der globale Markt für KI in der Telekommunikation bis 2031 ein Volumen von 38,8 Milliarden US-Dollar erreichen wird. In einer Studie aus dem Jahr 2023stellte Nvidia fest, dass 95 % von 400 befragten Telekommunikationsunternehmen bereits KI einsetzen. Tatsächlich gaben über 64 % der Teilnehmer an, sich in der Testphase oder einem fortgeschritteneren Stadium zu befinden (Implementierung, KI-Nutzung < 6 Monate, KI-Nutzung > 6 Monate). Es überrascht kaum, dass die Telekommunikationsbranche aufgrund der zahlreichen Vorteile zu den Hauptanwendern von KI im operativen Bereich zählt. Diese Vorteile werden von Forbeshervorgehoben: Vodafone konnte durch den Einsatz virtueller Assistenten die Kundenzufriedenheit um 68 % steigern. Ähnlich verhält es sich bei Nokia, wo ein virtueller Assistent zur Identifizierung von Netzwerkproblemen und deren Lösungen die Lösungsraten um 20–40 % verbesserte.

‍

Eine Studie von Bariah et al. (Juni 2023) konzentriert sich auf das Wachstum und das Potenzial von generativer KI in der Telekommunikation, insbesondere auf LLM-Modelle. Vor allem die Einführung und Entwicklung von Large Language Models (LLMs) in den letzten Monaten hat neue, spezialisierte Ansätze für technologische Innovationen eröffnet, während sich die Branche auf den Weg in Richtung 6G-Integrationen macht.

‍

Da die Begeisterung für die KI-Implementierung die Telekommunikationsbranche grundlegend verändert, werden wir im Folgenden die Details beleuchten, die diese Dynamik vorantreiben.

‍

Die häufigsten KI-Anwendungsfälle in der Telekommunikation: Der Aufstieg von LLMs

Derzeit erfüllt KI in der Telekommunikation eine Reihe von Aufgaben mit greifbaren Ergebnissen. Dazu gehören:

‍

- Erkennung unbefugter Netzwerkzugriffe: Überwachung der Netzwerkaktivität und Identifizierung ungewöhnlicher Muster mithilfe von Machine Learning (ML), um die Einschränkungen herkömmlicher regelbasierter Systeme zu umgehen

- Vorausschauende Wartung: Antizipative KI, die durch die Analyse tatsächlicher Nutzungsdaten, Betriebsbedingungen und Rückmeldungen von Telekommunikationsanlagen funktioniert. Sie sagt voraus, wann Reparaturen erforderlich sind, was Ausfallzeiten und damit verbundene Kosten reduziert

- Erkennung von SIM-Swapping: Prävention von SIM-Swapping-Betrug durch die Analyse von Nutzungsmustern bei SIM-Karten, wie etwa plötzliche Standortwechsel, Gerätewechsel oder verändertes Anrufverhalten

- Prävention von Rechnungsbetrug: Rechnungsbetrug, auch bekannt als International Revenue Sharing Fraud (IRSF), stellt eine der größten Sicherheitsherausforderungen für Telekommunikationsunternehmen dar. Die Prävention umfasst die Analyse von auffälligen Anruf- und Abrechnungsdaten

- Personalisiertes Marketing: KI kann individuelle Kundendaten analysieren, um auf Basis von Nutzungsmustern und Präferenzen maßgeschneiderte Cross-Selling-Angebote für die jeweiligen Kunden zu erstellen

- Automatisierte Entscheidungsfindung: Durch den Einsatz von Deep-Learning-Modellen können Entscheidungen bezüglich Netzwerk-Routing, dynamischer Preisgestaltung und anderer betrieblicher Variablen automatisiert werden

- Assistenz-Bots: Wie das Beispiel Vodafone zeigt, helfen solche digitalen Assistenten Telekommunikationsunternehmen dabei, Kundenbeschwerden effizienter zu bearbeiten – sie standardisieren das Nutzererlebnis und bieten Kunden sofortige Unterstützung oder Beratung

‍

Im Kern der Implementierung unterstützt KI Telekommunikationsunternehmen dabei, ihre hartnäckigsten Probleme zu lösen. Nvidia nennt die folgenden Hauptziele der Branche bei der Einführung von KI:

‍

- Betriebsabläufe optimieren (60 %)

- Kosten senken (44 %)

- Kundenbindung verbessern (35 %)

- Umsatzziele erreichen (31 %)

‍

Um dies am Beispiel des Betrugsrisikos zu verdeutlichen – das für 2021 auf einen kumulierten Umsatzverlust von geschätzten 40 Milliarden US-Dollar (2,22 % des Gesamtumsatzes) geschätzt wurde –, sind Algorithmen zur Erkennung ungewöhnlicher Verhaltensmuster zu einer zunehmend relevanten Anwendung geworden.

‍

Perspektiven für LLMs in der Branche

Laut Bariah et al. sollen LLMs eine „neue Ära autonomer drahtloser Netzwerke einläuten, in der ein multimodales großes Modell, das mit verschiedenen Telekommunikationsdaten trainiert wurde, für verschiedene nachgelagerte Aufgaben feinabgestimmt werden kann, wodurch dedizierte KI-Modelle für jede einzelne Aufgabe überflüssig werden“. Dies dreht sich um das Konzept des „selbstorganisierenden Netzwerks“, bei dem sich die KI selbst aufbauen und weiterentwickeln kann, um ihre Funktionen und Parameter an die Netzwerkbedingungen und Nutzeranforderungen anzupassen und zu optimieren.

‍

Das Papier vertieft diesen Ansatz weiter und verknüpft die Fähigkeit von LLMs, auf Basis riesiger Mengen unbeschrifteter, multimodaler Daten statistische Muster zu erfassen und generative Funktionen bereitzustellen, mit dem Ziel, drahtlose Netzwerke schon bald mit Vorhersagefunktionen und Spektrummanagement auszustatten – selbst für bisher unbekannte Netzwerkszenarien.

‍

Während die meisten aktuellen KI-Lösungen in drahtlosen Netzwerken auf spezifische Probleme zugeschnitten sind, zielt die Integration von LLMs darauf ab, auch unvorhersehbare Aufgaben zu bewältigen. Die beiden Hauptpfeiler LLM für Wireless und Wireless für LLM ergeben sich daraus. Wie von Bariah et al. dargelegt:

‍

- LLM für Wireless ermöglicht vielfältige Aufgaben in der drahtlosen Kommunikation und Sensorik, wobei multimodale LLMs Funksignale mit Bildern, Punktwolken oder Tönen verknüpfen können – was die Rekonstruktion von Umgebungen, die Positionsbestimmung und die Schätzung menschlicher Körperhaltungen verbessert;

‍

- Wireless für LLM konzentriert sich auf zukünftige Netzwerkgeräte, die für LLMs gerüstet sind, wobei 6G-Netzwerke den Wandel von daten- und modellbasierten hin zu wissens- und logikbasierten drahtlosen Netzwerken vollziehen. Infolgedessen können On-Device-LLMs miteinander interagieren, um komplexe Aufgaben bei gleichzeitig minimiertem Ressourcen- und Energieverbrauch zu erfüllen.

‍

Ausblick: Validierung und Risikomanagement

Die Komplexität und die bisweilen unvorhersehbare Natur von LLMs können zahlreiche Risiken bergen. Aufgrund ihrer unstrukturierten Beschaffenheit ist eine kontinuierliche Validierung des Modells und seiner Datenanwendung unerlässlich, um sicherzustellen, dass technische, ethische und regulatorische Risiken innerhalb der Governance-Standards eines Unternehmens bleiben.

‍

Daher muss eine neue Methode der Validierung und Prüfung eingeführt werden, um auf diese wachsenden Bedenken in der gesamten Branche zu reagieren.

‍

Bei Calvin begleiten wir die Entwicklung von KI in diesem technischen Bereich – wir optimieren das Risikomanagement und entlasten Unternehmen bei der Verwaltung ihrer dynamischen KI-Portfolios durch unser modulares Bewertungssystem. Mit unserem quantitativen, ganzheitlichen Ansatz führen wir Ihr Unternehmen zur KI-Exzellenz und gewährleisten Sicherheit auf interner wie externer Ebene.

‍

Möchten Sie die Fairness und Erklärbarkeit Ihrer Modelle für Ihre Kunden verbessern? Buchen Sie eine Demo mit uns und lassen Sie sich zeigen, wie wir die Effektivität und Vertrauenswürdigkeit Ihrer KI-Systeme in der sich ständig wandelnden Landschaft von heute steigern können.

‍