استراتيجية الرموز في OSS/BSS لدى AT&T تحول تكلفة ذكاء الاتصالات إلى اختبار للشبكة

الرموز تنتقل من تفصيل أمني إلى ضبط للتكلفة

تضع استراتيجية AT&T للذكاء الاصطناعي في OSS/BSS الرموز في مركز ضبط تكلفة الاتصالات. يميز النص بين نوعين: رموز API أمنية خفيفة للمعاملات، ورموز بيانات تستخدمها large language models. بالنسبة إلى مشغل اتصالات، ليست المسألة نظرية. إذا دُفعت بيانات OSS وBSS الخام إلى الذكاء الاصطناعي التوليدي من دون تنقية، يمكن أن ترتفع فواتير النماذج والمعالجة السحابية بسرعة.

يقول عرض AT&T إن الشركة تتعامل مع 27 billion رمز يوميا وحققت عائدا 5-fold في التدفق النقدي الحر خلال السنة الأولى من استراتيجية الرموز والذكاء الاصطناعي المؤسسية. هذه ادعاءات من جانب الشركة، لكنها تحدد الهدف التشغيلي: جعل بيانات الشبكة وخدمة العملاء أصغر وأكثر تنظيما وأرخص معالجة قبل وصولها إلى أنظمة الذكاء الاصطناعي.

الدرس الأقوى معماري. يجادل النص بأن المشغلين يحتاجون إلى الابتعاد عن خطوط البيانات الأحادية نحو أنظمة مفصولة ومدفوعة بالأحداث. في هذا النموذج، لا يكون الترميز ميزة لوحة متابعة، بل طريقة لتقليل حجم الحمولة وحفظ الحالة عبر قنوات الدعم والتحكم في النموذج الذي يتلقى كل مهمة.

OSS وBSS تصبحان مدخلات للذكاء الاصطناعي

بالنسبة إلى OSS، الطريقة هي ترميز القياسات عند الحافة. بدلا من إرسال سجلات مطولة من حوادث الشبكة إلى مركز بيانات مركزي، يحلل برنامج محلي السجلات الخام ويحول السلاسل الطويلة إلى مفاتيح عددية معيارية قبل إرسالها إلى message broker. نسبة تقليل الحمولة المذكورة هي 80-85%، والنتيجة المقصودة هي خفض كلفة التخزين السحابي والحوسبة.

بالنسبة إلى BSS، ينصب التركيز على مصادقة العملاء واستمرارية الدعم. يمكن لرمز أمني موقع تشفيريا أن يحمل الهوية وسياق الفوترة الأخير من تطبيق الهاتف إلى موظف الدعم من دون فحص قاعدة بيانات آخر. يقول النص إن ذلك يمكن أن يخفض 52 seconds من متوسط وقت المعالجة ويوفر نحو $4.3 million سنويا في مركز اتصال كبير.

طبقة تكلفة الذكاء الاصطناعي هي توجيه النماذج. يقول النص إن AT&T تستخدم طبقة تنقية بين قواعد بيانات BSS وبوابة الذكاء الاصطناعي لإزالة الصيغ المتكررة والتنسيق الفارغ قبل استدعاء النماذج. كما يقول إن بيانات الشبكة الأساسية الموحدة تسمح بتوجيه الأعمال الروتينية إلى small language models داخلية بدلا من LLMs تجارية مكلفة، ما يخفض تكاليف تشغيل الذكاء الاصطناعي التوليدي بنحو 90%.

نواة 5G تصبح مستوى التحكم

الجزء الخاص بالاتصالات هو الشبكة الأساسية. يقول النص إن AT&T انتقلت من عتاد مغلق إلى نواة 5G Standalone سحابية وبرمجية. ويُستخدم تقطيع User Plane Function لمنح رموز قياسات OSS وبيانات احتيال BSS الآنية مسارات مخصصة، بينما تضع Multi-access Edge Computing التنقية والترميز قرب مواقع تحويل الشبكة الخلوية.

ويقول النص أيضا إن Network Foundation Model لدى AT&T يساعد أدوات انتشار الراديو على العمل بسرعة أكبر 4,000 مرة من الأنظمة القديمة. وفي ميزان النتائج نفسه، يذكر أن تجميع الرموز باللغة الطبيعية لتجارب التطبيقات يخفض أوقات البناء من 6 weeks إلى 20 minutes. يجب قراءة هذه الادعاءات كتصميم من جانب AT&T لا كمعيار مدقق بشكل مستقل.

نقطة المتابعة هي ما إذا كان بإمكان مشغلين آخرين تكرار الاقتصاديات. قد يخفض الترميز الهدر البنيوي، لكن النتيجة تعتمد على تدفقات بيانات نظيفة ومعالجة طرفية وحوكمة نماذج ونواة شبكة قابلة للبرمجة. من دون هذه العناصر، يخاطر ذكاء الاتصالات بأن يصبح طبقة مكلفة أخرى فوق تعقيد OSS/BSS القديم.