Comprendre le rôle de l'IA dans les télécommunications

L'intelligence artificielle (IA) englobe divers processus et algorithmes qui facilitent l'analyse et la résolution des problèmes. L'apprentissage automatique (AA) et l'apprentissage profond sont des sous-catégories de l'IA qui utilisent des algorithmes pour identifier des schémas et établir des prédictions dans un ensemble de données.

Les récents progrès réalisés dans ces domaines, notamment la création de grands modèles de langage (LLM) faciles d'accès, ont fait émerger de nouveaux cas d'utilisation dans de nombreux secteurs d'activité, à l'instar des recommandations personnalisées dans le commerce et de la détection des fraudes dans le secteur bancaire. Dans le secteur des télécommunications, ces nouvelles technologies sont aujourd'hui couramment utilisées.

De nombreux opérateurs de télécommunications s'appuient depuis des années sur l'IA prédictive pour optimiser leurs processus d'exploitation. Ils utilisent aussi l'IA générative pour améliorer l'expérience client ainsi que leur compétitivité sur le marché. Cependant, en raison notamment de l'investissement initial, des enjeux de sécurité et de la nécessité de traiter de gros volumes de données, la mise en œuvre de l'IA dans les télécommunications est souvent compliquée. Avec des solutions informatiques adéquates, il est possible de tirer parti des outils d'IA de manière efficace et économique pour augmenter le chiffre d'affaires tout en protégeant les informations des clients.

Les applications d'IA aident les opérateurs de télécommunications à relever plusieurs défis métier, notamment :

• Augmentation des coûts : les opérateurs de télécommunications ont dû considérablement investir pour mettre à niveau leur infrastructure afin de préserver leur compétitivité. Ils ont notamment engagé d'importantes dépenses dans la transformation de leurs réseaux, pour distribuer les nouveaux services et applications liés au développement de la 5G et de l'IA. La mise en œuvre de l'IA pour accroître l'efficacité des réseaux ou limiter les coûts de maintenance peut compenser l'augmentation de ces dépenses.
• Concurrence : avec l'élévation des attentes des clients et la multiplication des services proposés sur le marché, la concurrence s'intensifie. La mise en œuvre de nouveaux services basés sur l'IA, comme des dialogueurs (ou chatbots) de service clientèle, et la rationalisation de la gestion du trafic réseau peuvent aider les opérateurs de télécommunications à égaler, voire à devancer leurs concurrents.
• Gestion et complexité des réseaux : l'augmentation du trafic a entraîné une complexification des réseaux, dont la gestion nécessite désormais davantage de ressources.
• Insuffisance de la puissance de traitement des données : les clients génèrent de grandes quantités de données exploitables. Beaucoup d'opérateurs ne disposent toutefois pas des ressources nécessaires pour analyser ces données afin de mieux servir leurs clients.

Apprendre à déployer l'IA à l'échelle de l'entreprise

Les technologies d'IA et d'AA peuvent être mises à profit pour relever les défis rencontrés dans le secteur des télécommunications. Voici quelques exemples de cas d'utilisation :

• Optimisation des réseaux : l'IA peut analyser le réseau afin de prédire les congestions et de réacheminer le trafic de façon à éviter les ralentissements. Cette approche permet d'améliorer l'expérience client et de limiter certains coûts inutiles.
• Garantie de fonctionnement des réseaux et maintenance prédictive : l'IA analyse les historiques de données afin d'anticiper les pannes des réseaux et de leur infrastructure. Les équipes disposent ainsi de plus de temps pour organiser de manière proactive la maintenance, ce qui peut également permettre de réduire les coûts.
• Efficacité des réseaux : l'utilisation de l'IA prédictive dans le cadre des appels audio et vidéo de haute qualité entraîne une baisse de l'utilisation du trafic réseau. Par exemple, le recours aux techniques de correction d'erreurs directe ou aux codes correcteurs d'erreurs protège les données contre les effets des pertes de paquets grâce à la création anticipée de paquets de réparation. Ces paquets peuvent servir à recréer les données perdues.
• Dialogueurs de service clientèle : les modèles d'IA accélèrent le traitement des demandes de service clientèle, notamment grâce à la mise en place de dialogueurs pour la résolution des problèmes les plus courants. Les ressources humaines peuvent ainsi se consacrer aux problèmes qui nécessitent une intervention manuelle.

Si l'IA aide à relever de nombreux défis rencontrés dans le secteur des télécommunications, sa mise en œuvre reste souvent complexe. Les réserves émises par les clients, les préoccupations relatives à la confidentialité et les coûts élevés sont autant d'obstacles courants à son adoption qui empêchent le secteur d'évoluer.

Méfiance envers l'IA
Certains clients sont peu enclins à utiliser des solutions d'IA et privilégient encore les interactions humaines aux dialogueurs, en particulier dans le cadre des demandes d'assistance. Aussi, que ce soit par crainte des nouvelles technologies ou par confiance dans les systèmes existants, cette réticence freine la transition vers l'IA.

Qualité des données
La qualité des données est essentielle au bon fonctionnement des applications d'IA qui traitent de gros volumes de données, notamment pour la maintenance prédictive et l'automatisation des services. L'efficacité de ces applications dépend de la qualité des données qu'elles traitent. Par exemple, si la qualité des données est médiocre, les modèles d'IA ne parviendront pas à prédire avec précision les mesures de maintenance à mettre en œuvre. Pour garantir la précision et la pertinence des données qui alimentent les modèles, il est important de mettre en place une plateforme qui facilite la création et le déploiement d'applications basées sur l'IA à grande échelle dans l'ensemble des environnements de cloud hybride.

Compatibilité avec les infrastructures existantes
Les opérateurs de télécommunications doivent intégrer les services d'IA aux réseaux 5G ainsi qu'aux systèmes existants. Ils doivent donc adopter une plateforme unifiée compatible à la fois avec les réseaux anciens et modernes et qui soit en mesure de gérer les charges de travail d'IA.

Préoccupations relatives à la confidentialité
Lors de la création des modèles d'IA, la protection des données personnelles des clients est essentielle. Les opérateurs de télécommunications doivent mettre en place une plateforme compatible avec un écosystème d'outils d'IA fiables, qui leur permet de contrôler l'accès aux données, leur distribution et leur exposition. Pour obtenir un tel niveau de contrôle, les charges de travail d'IA doivent s'exécuter sur une plateforme robuste et cohérente, qui offre une approche globale de l'exploitation, de l'observabilité et de la sécurité, quel que soit le type d'environnement cloud.

Coûts
Les coûts associés à l'intégration de l'IA aux infrastructures de télécommunications sont conséquents, notamment en raison de l'échelle et de la complexité des réseaux. Il est nécessaire d'évaluer avec précision le retour sur investissement des cas d'utilisation de l'IA afin de vérifier leur rentabilité.

Acquisition de talents
Il est indispensable de disposer de personnel compétent. En plus de connaissances en matière de télécommunications, les spécialistes de l'IA doivent posséder des compétences en science des données et une expérience dans la gestion de grands systèmes réseau complexes. Cette double expertise est essentielle pour mettre en œuvre et gérer efficacement les technologies d'IA dans le secteur des télécommunications.

Pour réussir le déploiement des charges de travail d'IA à grande échelle, toutes les variables doivent être efficacement coordonnées. Plus précisément, pour mettre à l'échelle des charges de travail, les entreprises ont besoin de serveurs d'inférence capables de prendre en charge des modèles d'IA plus grands (tels que des LLM) et des fonctionnalités d'inférence plus complexes.

Voici quelques outils d'IA qui aident les équipes d'ingénierie à optimiser l'utilisation des ressources pour faciliter la mise à l'échelle : 

• llm-d : les instructions génératives des LLM peuvent s'avérer complexes et hétérogènes. Elles nécessitent, en général, d'importantes ressources de calcul et de stockage pour le traitement de gros volumes de données. Un framework d'IA Open Source comme llm-d permet aux équipes de développement d'utiliser des techniques telles que l'inférence distribuée pour répondre aux exigences croissantes des modèles à raisonnement plus grands et sophistiqués (comme les LLM).
• Inférence distribuée : cette approche permet aux modèles d'IA de traiter les charges de travail plus efficacement en répartissant les tâches liées à l'inférence entre plusieurs équipements interconnectés. Les tâches d'inférence sont ainsi allégées.  
• vLLM : sigle anglais de virtual Large Language Model, ou grand modèle de langage virtuel, vLLM est une bibliothèque de code Open Source gérée par la communauté vLLM. Il améliore l'efficacité des calculs des grands modèles de langage à grande échelle.

Découvrir Red Hat AI

Red Hat AI est une plateforme de produits et de services qui permettent aux entreprises d'avancer dans le déploiement de l'IA, qu'elles soient tout au début du processus ou déjà prêtes à évoluer. Cette offre répond aux besoins en matière d'IA prédictive et générative et convient aux cas d'utilisation propres à chaque entreprise.

Red Hat AI donne accès à la solution Red Hat® AI Inference Server pour optimiser l'inférence des modèles dans le cloud hybride et effectuer des déploiements plus rapides et plus rentables. Basé sur vLLM, ce serveur d'inférence optimise l'utilisation de GPU et diminue les délais de réponse.

En savoir plus sur Red Hat AI Inference Server

Red Hat AI Inference Server comprend le référentiel Red Hat AI, une collection de modèles tiers validés et optimisés, qui favorise la flexibilité des modèles et la cohérence entre les équipes. Grâce à ce référentiel de modèles tiers, les entreprises peuvent réduire le délai de mise sur le marché et éliminer les obstacles financiers qui freinent l'adoption de l'IA.

En savoir plus sur les modèles validés par Red Hat AI