ICTna.ir – نوکیا در حال ارائه برخی از هوش مصنوعی‌های عامل‌محور برای شبکه‌های خانگی و پهن‌باند است که وعده می‌دهد تجربه کاربر نهایی را بهبود می‌بخشد، بهره‌وری عملیاتی را افزایش می‌دهد و استقرار را تسریع می‌کند.

به گزارش گروه اخبار خارجی آژانس خبری فناوری اطلاعات و ارتباطات (ایستنا)، این فروشنده‌ی تجهیزات مخابراتی فنلاندی به سبد محصولات شبکه‌های ثابت مبتنی بر هوش مصنوعی خود افتخار می‌کند که به ارائه‌دهندگان خدمات مخابراتی در چالش‌های مربوط به فیبر و وای‌فای، مانند طراحی، برنامه‌ریزی برای راه‌اندازی و عملیات، کمک می‌کند و برای چیزی که آن را «عصر پهنای باند شناختی» می‌نامد، طراحی شده است.

این بیانیه با بیان اینکه صنعت مخابرات قرار است تا سال ۲۰۳۰ حدود ۶.۲ میلیارد دلار در هوش مصنوعی عامل‌دار سرمایه‌گذاری کند، صحنه را آماده می‌کند. ظاهراً سیستم‌های هوش مصنوعی عامل‌دار که قادر به استدلال و تصمیم‌گیری خودکار هستند، محرک اصلی این دوران پهنای باند شناختی خواهند بود و به این معنی است که شبکه‌ها می‌توانند «فراتر از اتصال اولیه به سمت زیرساخت‌های خود-بهینه‌ساز و مبتنی بر هوش مصنوعی حرکت کنند».

نوکیا در حال تعبیه عوامل هوش مصنوعی و تعامل زبان طبیعی در پلتفرم‌های Altiplano، Corteca و Broadband Easy خود است و نکته مهم این است که این امر به اپراتورها اجازه می‌دهد مشکلات را به صورت پیشگیرانه حل کنند، عملیات را بدون اضافه کردن تعداد کارکنان، مقیاس‌بندی کنند و مشکلات شبکه را با استفاده از تجزیه و تحلیل خودکار علت ریشه‌ای تشخیص دهند.

برخی از تفاوت‌های «فوری و ملموس» که عوامل هوش مصنوعی می‌توانند ایجاد کنند، عبارتند از: افزایش نرخ حل مشکل در اولین تماس با مرکز پشتیبانی به بالای ۵۰درصد، تشخیص حادثه شبکه در عرض ۵ دقیقه و کاهش ۵۰ درصدی بازدیدهای مجدد از محل‌های ساخت و ساز و خانه‌های متصل.

همچنین اشاره‌ای به انطباق، حاکمیت داده‌ها و استقلال فروشنده وجود دارد، به این صورت که ظاهراً اپراتورها کنترل کامل را حفظ می‌کنند و می‌توانند با یک LLM مورد نظر خود کار کنند، از رابط‌های خود استفاده کنند یا همزمان با توسعه هوش مصنوعی، منابع داده را به هم متصل کنند.

برخی از نمونه‌های خاص‌تر از آنچه در مورد آن صحبت می‌شود شامل یک دستیار هوش مصنوعی با رابط مکالمه‌ای است که برای دسترسی فوری تکنسین‌ها و تیم‌های پشتیبانی به اطلاعات مورد نیاز طراحی شده است، راهنمایی متنی، صوتی و تصویری مبتنی بر هوش مصنوعی برای تکنسین‌های میدانی در طول بررسی‌ها و نصب‌ها، و فناوری بینایی کامپیوتر که می‌تواند به اعتبارسنجی کیفیت کار و ساخت یک دوقلوی دیجیتال زنده از شبکه FTTH کمک کند.

از دیگر ترفندها می‌توان به تشخیص خودکار برای شناسایی خرابی‌ها و جلوگیری از قطعی برق و یک عامل عیب‌یابی اشاره کرد که ظاهراً تحلیل ریشه‌ای مشکلات را بهبود می‌بخشد و سرعت اصلاح را در شبکه‌های خانگی و دسترسی افزایش می‌دهد و از «استدلال پیشرفته» برای شناسایی سریع‌تر خطاها استفاده می‌کند.

سندی موتلی، رئیس Fixed Networks نوکیا، گفت: «هوش مصنوعی باعث می‌شود کاربران نهایی شما کمتر از سرویس شما استفاده کنند، تیم‌های مهندسی و پشتیبانی شما پربازده‌تر شوند و تیم‌های میدانی شما خانه‌های بیشتری را سریع‌تر به هم متصل کنند. هوش مصنوعی Agentic نوکیا، تجربه پهنای باند به ارزش بیش از ۶۰۰ میلیون خط را در اختیار هر تکنسین میدانی، نماینده پشتیبانی و مهندس شبکه قرار می‌دهد و مشکلات را قبل از اینکه مشتری حتی متوجه شود، حل می‌کند. ما اساساً در حال تغییر نحوه استقرار و اجرای شبکه‌های خانگی و پهنای باند هستیم.»

گرنت لناهان، شریک و تحلیلگر اصلی، Appledore Research، در این نسخه گنجانده شده است تا اضافه کند: «هوش مصنوعی فقط با داده‌های باکیفیت و زمانی که داده‌ها برای هوش مصنوعی آماده باشند، کار می‌کند. چشم‌انداز اخیر بازار ما در مورد هوش مصنوعی در اتوماسیون شبکه، تأکید کرد که این صنعت به سرعت در حال حرکت به سمت ساخت زیرساخت‌هایی است که قادر به ایجاد هوش مصنوعی قدرتمند و موفق باشند. فروشندگانی مانند نوکیا که تخصص عمیق در حوزه را با مقیاس دنیای واقعی ترکیب می‌کنند، در بهترین موقعیت برای ارائه نتایج قابل اعتماد قرار دارند. رویکرد نوکیا منعکس کننده بسیاری از اصول معماری صحیح، از جمله حلقه‌های کنترل خودکار، مدل‌های داده ساختاریافته و APIهای باز است که برای آسان کردن اتوماسیون و دقیق کردن پاسخ‌های هوش مصنوعی بسیار مهم هستند.»

اواخر سال گذشته، تحلیلگر Omdia گروهی از CSPها (ارائه‌دهندگان خدمات ارتباطی) را مورد بررسی قرار داد و ۴۸درصد از آنها تجربه مشتری را به عنوان فوری‌ترین حوزه تأثیر هوش مصنوعی عامل‌گرا شناسایی کردند، اما مدیریت شبکه در درازمدت به عنوان مهم‌ترین حوزه شناخته شد.

با این حال، این گزارش تأکید می‌کند که ارائه‌دهندگان خدمات ابری نباید مستقیماً به سمت هوش مصنوعی عامل‌گرا حرکت کنند، بلکه پیشنهاد می‌دهد که آنها باید موارد استفاده کم‌خطر را در اولویت قرار دهند و در عین حال بر اهمیت مشاهده‌پذیری، قابلیت توضیح‌پذیری و مدیریت در استقرارهای اولیه تأکید کنند.