Üretken Yapay Zeka Telekomünikasyon Sektöründe Nasıl Dönüşüm Yaratacak 

Son zamanlarda konuşmalar, hikaye, resim, video, müzik, kod ve daha fazlası dahil olmak üzere pek çok biçimde yeni içerik oluşturabilen bir yapay zeka türü olan üretken yapay zeka etrafında dönüyor. Yapay zekanın bu biçimi küresel ekonomide kapsamlı değişiklikler yaratma potansiyeline sahip. Goldman Sachs’ın bir araştırması, üretken yapay zekanın küresel GSYİH’da 7 trilyon dolarlık bir artış sağlayabileceğini ve üretkenlik artışını 10 yıllık bir süre içinde yüzde 1,5 oranında artırabileceğini gösteriyor. Ve bu fırsat telekomünikasyon sektörüne kadar uzanıyor. 

AWS Telekomünikasyon Sektörü Teknolojiden Sorumlu Başkanı Ishwar Parulkar, üretken yapay zekanın telekomünikasyon sektöründe nasıl dönüşüm yaratacağını ve bu teknolojiyi değerlendirirken göz önünde bulundurulması gereken bazı önemli noktaları anlattı. 

Telekomünikasyon Sektöründe Üretken Yapay Zeka Potansiyeli

Üretken yapay zeka, diğer sektörlere yardımcı olduğu gibi telekomünikasyon şirketlerinin de RFP’leri (Teklif Talebi) doldurma, satışlara destek olmak için sohbet robotları kullanıma sunma ve pazarlamayı bireylere uygun ölçekte kişiselleştirme gibi birçok işlevi için verimliliğin artırılmasına yardımcı olabilir. Bu alanda büyük bir büyüme görmeyi bekliyoruz. Gartner, 2022 yılında telekomünikasyon şirketlerinin yüzde 50’sinin, müşteri deneyimlerini geliştirmek ve ürün planlamalarını iyileştirmek için veri, analitik ve yapay zeka girişimlerini kullandığını ve bu oranın 2026 yılına kadar yüzde 95’e yükseleceğini söylüyor.^[1] Ancak, sektöre özgü gerçekten dönüşüm yaratacağına inandığımız birkaç uygulama da bulunuyor. 

• Müşteri Deneyimini Geliştirmek: Halihazırda birçok telekomünikasyon şirketi, insan etkileşimlerini artırmanın yanı sıra deneyim tutarlılığını ve çözüm hızını iyileştirmek için yapay zekadan yararlanıyor. Üretken yapay zeka, müşterilerin sorunlarını çözmesine veya sorularına yanıt almasına yardımcı olmak için kullanılan erken aşama sohbet robotlarının bir evrimi olan etkileşimli sesli yanıt teknolojisi ile bu faaliyetleri bir adım öteye taşıyabilir. Ek olarak, üretken yapay zeka, gerçek zamanlı çağrıların analiz edilmesine yardımcı olarak müşteri temsilcilerine hızlı cevaplar veya kaynaklar sağlayabilir, böylece müşteri sorgularının çözülmesine yardımcı olabilir. Müşteri hizmetleri temsilcileri bu süreçte önemli bir rol oynamaya devam edecek, ancak üretken yapay zekanın tüm müşteri deneyimlerini ve etkileşimlerini değiştirebileceğine ve geliştirebileceğine inanıyoruz. 

• Ağ Planlamasını, Kurulumunu, Yapılandırmasını ve Operasyonlarını Basitleştirmek: Üretken yapay zeka, ağ yaşam döngüsünün her alanında önemli bir rol oynayabilir. Ağ elemanlarının kurulumu sırasında, mühendisler kılavuzlara ve belgelenmiş süreçlere güvenirler. Üretken yapay zeka bu verileri alabilir ve yükleme görevlerini hızlandırmak ve basitleştirmek için etkileşimli rehberlik ve istemler sağlayabilir. Temel modeller, ağ öğelerinin yapılandırmasında önerilerde bulunmak için ağ topolojisi ve yapılandırma verileriyle de eğitilebilir. Bir ağ hatası olduğunda, üretken yapay zeka tabanlı uygulamalar, ağ işletim mühendislerine sorunu gidermelerine yardımcı olacak eylemler ve prosedürler önerebilir. 

• İş Performansını Optimize Etmek: Üretken yapay zeka, telekomünikasyon şirketlerinin gelir kaybettikleri veya gelir sızıntısı yaşadıkları alanları daha kolay belirlemelerine yardımcı olabilir. Yapay zeka iş süreçleri genelinde kullanılırsa kârı optimize etmek için tekliflerin nasıl geliştirileceğine ilişkin önerilerde bulunmak üzere kârları, gelirleri, çeşitli tüketici planlarını, giderleri ve müşteri ücretlerini inceleyebilir. 

Dikkat Edilmesi Gereken Önemli Noktalar 

Günümüzde karşılaştığımız her yapay zeka veya makine öğrenimi uygulaması üretken yapay zekaya ihtiyaç duymayabilir ve bu teknolojinin kullanımı mantıklı da olmayabilir. Hatta, denetimli ve denetimsiz öğrenme tekniklerine dayanan geleneksel yapay zeka biçimlerinin telekomünikasyon süreçleri için fazlasıyla yeterli olduğu birçok örnek de bulunuyor. Örneğin, geleneksel yapay zeka, telekomünikasyon şirketlerinin abone hareketlerini tahmin etmesine, ağdaki anormallikleri tespit etmesine veya net destekçi puanı gibi metrikleri izlemesine yardımcı olma konusunda harika performans gösteriyor. Bunun haricinde, dikkat edilmesi gereken başka önemli noktalar da bulunuyor. 

• Temel modelleri geliştirme veya eğitme maliyeti: Temel modellere (üretken yapay zeka uygulamalarının dayandığı muazzam miktarda veri üzerinde eğitilmiş büyük yapay zeka modelleri) yatırılan sermayenin çoğu onları eğitmeye harcanıyor. Genel modeller, büyük miktarlarda genel kullanıma açık veriler üzerinde eğitiliyor, ancak bunlar daha genel amaçlı olduklarından özel görevlerde iyi çalışamayabiliyorlar. Öte yandan, özel modeller, sektöre veya kuruluşa daha spesifik uygulamalar sağlayan, halka açık ve şirkete özgü verilerin bir birleşimi üzerinde eğitilebiliyor. Sıfırdan bir model oluşturmak zaman alıcı, pahalı ve özel uzmanlık gerektiriyor, ancak önemli verileri, kaynakları ve belirli bir alan hakkında bilgi gerektiren bir kullanım durumunu olan kuruluşlar için özgün bir temel model geliştirmek mantıklı olabilir. Ayrıca, müşterilerin mevcut bir modeli başlangıç noktası almalarına, ardından bu modeli kendi müşteri verilerini kullanarak kişiselleştirilmiş bir şekilde daha fazla eğitmelerine ve böylece bu modeli belirli bir görev için daha uygun hale getirmelerine imkan sağlayarak bu teknolojiye erişimi demokratikleştirmeyi amaçlayan çabalar da bulunuyor. 

• Veri Kalitesi ve Sorumlu Yapay Zeka: Üretken yapay zeka, ancak üzerinde eğitildiği veriler kadar iyi olabilir ve bunlarda her zaman önyargı veya hata riski bulunur. Üretken yapay zekayı (veya herhangi bir yapay zeka türünü) kullanmayı düşünmeden önce, işe yüksek kaliteli ve birleşik verilerle başlamak gerekiyor. Üretken yapay zekanın çıkarımlar yapabilmesi ve cevap sağlayabilmesi, kapsamlı veri kümeleri, eğitim ve gözetim gerektiriyor. Bazen hem kamuya açık hem de özel temel modellerin sağladığı çıktılar bir halüsinasyon, yani inandırıcı görünen ancak aslında uydurulmuş bir cevap olabiliyor.   Bu nedenle, üretken yapay zeka tam kesinlik gerektiren işler için önerilmiyor, çünkü bu kesinlik, sorunun doğası veya yeterince büyük ve yüksek kaliteli veri eksikliği nedeniyle mümkün olmayabiliyor. 

Bu teknolojinin sorumlu bir şekilde uygulanmasını sağlamak da eşit derecede önemli. Bazı yeni üretken yapay zeka araçlarının ve hizmetlerinin, oluşturulan kod mevcut olan bir açık kaynak koda benzediğinde uyarı verme veya eğitim veri kümelerinde zararlı içeriği tespit etme ve kaldırma ve zararlı içerikleri (ör. nefret söylemi, küfür ve şiddet) filtreleme gibi yerleşik sorumlu yapay zeka özellikleri bulunuyor. 

Veri Güvenliği: Şirketlerin, üretken yapay zekadan kurumun amaçları doğrultusunda yararlanabilmeleri için büyük, özel veri kümelerine ihtiyaçları var. Piyasada halka açık seçenekler olsa da bu yaklaşımlar fikri mülkiyet de dahil olmak üzere güvenlik ve gizlilik konusunda göz önünde bulundurulması gereken yeni hususları beraberinde getiriyor. İş dünyası ve BT liderlerinin, bu riskleri tanımlamak ve azaltmak için güvenlik, uyumluluk ve hukuk ekipleriyle yakın bir şekilde çalışmaları ve üretken yapay zekanın güvenli ve sorumlu bir şekilde kullanılmasını sağlamaları gerekiyor. Ayrıca, planlarının kapsamını uyumluluk ve düzenlemeleri de içine alacak şekilde genişletmeleri ve kullanılan verilerin kime ait olduğunu dikkatlice düşünmeleri de büyük önem taşıyor. 

İster üretken yapay zeka ister doğal dil işleme teknolojisi olsun, yapay zekayı ticari olarak kullanıma sunmadan önce uygulama alanlarını göz önünde bulundurmak, bir veri organizasyonu stratejisi belirlemek ve yatırım getirisini değerlendirmeye zaman ayırmak gerekiyor. Bununla birlikte, yapay zekanın zamanımızın en dönüşüm yaratıcı teknolojisi olduğuna ve her işletmenin denemesi ve deneyimlemesi gereken heyecan verici yeni olasılıkların kilidini açtığına inanıyoruz.

^[1] Gartner, CSP’ler için Veri ve Analitiğin Durumu Araştırma Özeti, Kameron Chao, 13 Nisan 2023