概要
人工知能 (AI) には、知能と問題解決をシミュレートするプロセスとアルゴリズムが含まれます。機械学習 (ML) とディープラーニング (DL) は AI のサブセットで、アルゴリズムを使用してパターンを検出し、データから結果を予測します。
近年、AI、ML、DL のアプリケーションの進歩 (すぐに利用できる大規模言語モデル (LLM) など) により、小売業では推奨事項のパーソナライズ、金融業では不正検出など、多くの業界で新しい種類のユースケースが生まれています。通信においては、こうしたイノベーションがビジネスの一部となっています。
多くの大手通信サービスプロバイダーは、業務の効率化を図るために長年にわたり予測 AI を活用してきました。より優れたカスタマーエクスペリエンスを提供し、市場での競争力を高めるために、生成 AI を使用しているプロバイダーもあります。しかし、通信事業者に AI を適用する場合、初期資本支出、セキュリティ、大量のデータ処理における課題など、さまざまな障害が伴います。IT ソリューションは、AI ツールを効率的かつコスト効率よく使用し、顧客情報を保護しながら新たな収益を生み出すための助けとなります。
通信における AI のユースケース
AI アプリケーションは、通信ビジネスにおける複数の課題の克服に役立ちます。
- コストの上昇：通信事業者は競争力を維持するために、アップグレードに多大なリソースを費やしてきました。たとえば、5G や AI で実現が見込まれる新しいサービスやアプリケーションを提供するために、ネットワークを変革するインフラストラクチャに多額の費用を費やしています。AI を使用してネットワークの効率を高めたり、メンテナンスコストを削減したりすることで、こうしたコスト増加の影響を軽減できる可能性があります。
- 競争：競合他社のサービスの拡大につれて顧客の期待も高まり、競争は激化しています。サービスチャットボットやネットワーク・トラフィック管理の効率化など、AI によって強化された新しいサービスを提供することで、通信業界の競合に匹敵する、あるいは上回ることができます。
- ネットワークの管理と複雑さ：トラフィックが増加すると、グローバルネットワークの複雑さが増し、それを管理するためにさらに多くのリソースが必要になります。
- データ処理能力の不足：顧客プールからは多くの有用なデータが生成されます。しかし、多くの通信事業者では、そのデータを分析してより効率的かつ効果的なサービスを顧客に提供するためのリソースが不足しています。
通信業界におけるこれらの課題には、AI/ML を適用することで対処できます。ユースケースをいくつか以下に示します。
- ネットワークの最適化： AI は、ネットワーク・トラフィックを分析して混雑を予測し、トラフィックを再ルーティングして速度低下を回避するのに役立ちます。これによってカスタマーエクスペリエンスが向上し、不要なコストを回避できます。
- ネットワークの保証と予知保全： AI は履歴データを分析して、ネットワークやネットワーク・インフラストラクチャの領域で障害が発生する可能性が高い時期を予測できます。これによってメンテナンスをプロアクティブに計画する時間が増え、コストも削減できます。
- ネットワーク効率：高品質の音声と動画に予測型 AI を適用すると、ネットワーク・トラフィックの使用量を削減できます。たとえば、前方消失訂正 (FEC) または消失訂正符号 (ECC) の使用により、事前に修復パケットを作成して、パケット損失の影響からデータを保護できます。これらのパケットを使用して、失われたデータを再作成できます。
- サービスチャットボット： AI モデルは、チャットボットを使用して一般的な問題に対処することで顧客サービスのリクエストを迅速化し、人間がエスカレーションやその他の問題に対処できるようにします。
Red Hat のリソース
通信における AI 導入の障害
AI が通信ビジネスの課題の克服に役立つことは事実ですが、AI テクノロジーの導入は多くの場合困難です。顧客の躊躇、プライバシーへの懸念、高コストなどの障壁は現実に広く存在しており、業界の進化のスピードに影響を与えています。
AI に対する不信感
特にサービスの問題に対処するシナリオでは、顧客はチャットボットではなく人間とのやり取りを好み、AI ソリューションの利用をためらう場合があります。新しいものに対する不安であれ、使い慣れたレガシーシステムに対する安心感であれ、顧客の躊躇は AI への完全な移行の妨げになる可能性があります。
データ品質
データ品質は、予知保全やサービス自動化など、データを多用する AI アプリケーションを成功させるために重要です。これらのアプリケーションの有効性は、アプリケーションが処理するデータの品質によって決まります。たとえば、データの品質が低い場合、AI モデルはメンテナンスの必要性を正確に予測できないことがあります。モデルに取り込まれるデータが正確かつ適切なものであるためには、ハイブリッドクラウド環境全体で AI 対応アプリケーションを大規模に作成し提供できるプラットフォームの実装が不可欠です。
既存のインフラストラクチャとの互換性
通信事業者は、AI サービスを 5G ネットワークおよびレガシーシステムと統合しなければなりません。そのためには、最新のネットワークと従来のネットワークの両方をサポートし、AI ワークロードを処理できる統合プラットフォームが必要です。
プライバシーへの懸念
AI モデリングでは、顧客の個人データの保護が不可欠です。通信事業者には、信頼できる AI ツールのエコシステムと統合された AI プラットフォームが必要です。これにより、データがどこに送られているのか、そのデータに何がアクセスできるのか、どのデータが漏洩に対して脆弱かを把握できます。これは、クラウド環境に関係なく、包括的な運用、可観測性、セキュリティ実装を備えた、一貫性と信頼性に優れた AI ワークロード用プラットフォームを通じて可能になります。
コスト
ネットワークの規模と複雑さを考えると、AI を通信に統合するコストは相当なものになります。初期費用を正当化するには、各 AI ユースケースの潜在的な投資対効果 (ROI) を慎重に評価する必要があります。
人材の獲得
熟練した専門家を雇用することが重要です。通信は専門性の高い分野であり、AI の専門家にはデータサイエンスのスキルと、大規模なネットワークシステムの複雑さに対処してきた経験が必要です。この二重の専門知識は、通信業界で AI テクノロジーを効果的に実装し管理するために不可欠です。
AI をより迅速に拡張する方法
AI ワークロードの大規模なデプロイが成功するかどうかは、各構成要素がどれだけ効率的かつ効果的に連携するかによって決まります。具体的には、エンタープライズの AI ワークロードを拡張するには、より大規模な AI モデル (LLMなど) やより複雑な推論機能をサポートできる推論サーバーが不可欠です。
これらの AI ツールは、エンジニアがリソースをより効率的に使用して、以下の拡張を支援するのに役立ちます。
- llm-d：LLM のプロンプトは複雑で不均一な場合があります。大量のデータを処理するためには、通常、大規模なコンピュートリソースとストレージが必要です。llm-d などのオープンソースの AI フレームワークにより、開発者は分散推論などの手法を使用して、LLM のような複雑で大規模な推論モデルに対する需要の増加に対応できます。
- 分散推論：分散推論では、相互接続されたデバイスのグループに対して推論の労力が分割されるため、AI モデルでワークロードをより効率的に処理できます。これは、「人手が多ければ仕事は楽にできる」ということわざどおりのソフトウェアです。
- vLLM：vLLM とは、仮想大規模言語モデルの略で、vLLM コミュニティによって維持管理されているオープンソースコードのライブラリです。vLLM は大規模言語モデル (LLM) がより効率的かつ大規模に計算を行う上で役立ちます。
AI に Red Hat を選ぶ理由
Red Hat AI は、AI 導入の初期段階にある企業から、AI を拡張する準備ができている企業まで、AI 導入のあらゆる段階で役立つ製品およびサービスのプラットフォームです。企業独自のユースケースに応じて、生成 AI および予測型 AI のいずれの取り組みもサポート可能です。
Red Hat AI を使用すると、Red Hat® AI Inference Server にアクセスしてハイブリッドクラウド全体でモデル推論を最適化し、より迅速でコスト効率の高いデプロイメントを実現できます。vLLM を搭載した推論サーバーは、GPU の使用率を最大化し、応答時間を短縮します。
Red Hat AI Inference Server には Red Hat AI リポジトリが含まれています。これは、サードパーティによって検証および最適化されたモデルのコレクションであり、モデルの柔軟性を実現し、チーム間の一貫性を促進します。サードパーティのモデルリポジトリにアクセスすることで、企業は市場投入時間を短縮し、AI の成功に対する財務上の障壁を減らすことができます。
Red Hat 公式ブログ
Red Hat のお客様、パートナー、およびコミュニティのエコシステムに関する最新の情報を入手しましょう。
