Ιλάν Σαντ, Πρόεδρος Διεύθυνσης, GenAI & Δεδομένα στην Amdocs – Σειρά Συνεντεύξεων

Ιλάν Σαντ, Πρόεδρος Διεύθυνσης, GenAI & Δεδομένα στην Amdocs, φέρνει περισσότερες από δύο δεκαετίες ηγεσίας μέσα στην ίδια οργάνωση, ανεβαίνοντας από πρώιμους τεχνικούς ως προγραμματιστή και διευθυντή έργου έως την εποπτεία μεγάλης κλίμακας παγκόσμιας παράδοσης, στρατηγικής προϊόντων και καινοτομίας. καθ’ όλη τη διάρκεια της θητείας του, έχει ηγηθεί κρίσιμων τμημάτων που περιλαμβάνουν διαχείριση εσόδων, ψηφιακά και επιχειρηματικά συστήματα υποστήριξης, και ανοιχτές πρωτοβουλίες δικτύου, που οδηγούν στην ηγεσία του τμήματος T-Mobile πριν από το βήμα στην τρέχουσα εστίαση στην γεννητική τεχνητή νοημοσύνη και δεδομένα. Η καριέρα του αντανακλά βαθιά εξειδίκευση στον τομέα των τηλεπικοινωνιών, ιδιαίτερα σε σύνθετα συστήματα χρέωσης, πλατφόρμες εμπειρίας πελατών και μεγάλες μετασχηματισμοί επιχειρήσεων, τοποθετώντας τον στην πρωτοπορία της μετατόπισης της Amdocs προς τις επιχειρήσεις που οδηγούνται από την τεχνητή νοημοσύνη και τις πλατφόρμες δεδομένων της επόμενης γενιάς.

Amdocs είναι μια πολυεθνική εταιρεία λογισμικού και υπηρεσιών που ειδικεύεται σε λύσεις για παρόχους επικοινωνιών, μέσων και ψηφιακών υπηρεσιών, βοηθώντας τους να διαχειρίζονται mọiTHING από χρέωση και σχέσεις πελατών έως λειτουργίες δικτύου και ψηφιακή μετασχηματισμό. Ιδρυμένη το 1982 και λειτουργώντας σε περισσότερες από 90 χώρες, η εταιρεία έχει εξελιχθεί σε einen κρίσιμο παρόχο υποδομής για τους τηλεπικοινωνιακούς оперάτορες, προσφέροντας cloud-φιλικές πλατφόρμες, αναλυτικά που οδηγούνται από την τεχνητή νοημοσύνη και εργαλεία αυτοματοποίησης που επιτρέπουν μια πιο αποτελεσματική παράδοση υπηρεσιών και προσωποποιημένες εμπειρίες πελατών. Η αυξανόμενη εστίασή της στην γεννητική τεχνητή νοημοσύνη και τις πλατφόρμες δεδομένων αντανακλά μια ευρύτερη βιομηχανική μετατόπιση προς έξυπνα, λογισμικά που ορίζονται δίκτυα και πλήρως ψηφιακές οικοσυστήματα πελατών.

Έχετε περάσει περισσότερες από δύο δεκαετίες στην Amdocs, ανεβαίνοντας από einen developer σε ηγεσία του τμήματος GenAI και Δεδομένων, και προηγουμένως εποπτεύοντας einen από τους στρατηγικούς συνεργάτες της εταιρείας με την T-Mobile. Πώς έχει διαμορφώσει αυτή η πορεία την προοπτική σας για το τι χρειάζεται πραγματικά για να μεταφέρει την τεχνητή νοημοσύνη από το πείραμα στην παραγωγή σε κλίμακα τηλεπικοινωνιών;

Αυτό που έχω μάθει όλα αυτά τα χρόνια είναι ότι η μεταφορά της τεχνητής νοημοσύνης στην παραγωγή σε κλίμακα τηλεπικοινωνιών δεν είναι κυρίως ένα πρόβλημα μοντέλου. Είναι ένα πρόβλημα λειτουργιών. Χρειάζεστε τις σωστές βάσεις δεδομένων, ισχυρή ενσωμάτωση σε υπάρχοντα συστήματα, σαφή ευθύνη και ομάδες που γνωρίζουν πώς να τρέχουν την τεχνητή νοημοσύνη ως μέρος των ημερήσιων επιχειρηματικών διαδικασιών. Αν οποιοδήποτε από αυτά τα κομμάτια λείπει, τα πειράματα μπορούν να φαίνονται εντυπωσιακά αλλά δεν κλιμακώνουν.

Η πορεία μου στην Amdocs μου έδωσε έκθεση σε όλες τις πλευρές της εξίσωσης, από την μηχανική έως την παράδοση πελατών και τις μεγάλες συνεργασίες операторων. Αυτή η εμπειρία διαμόρφωσε την άποψή μου ότι η επιτυχία προέρχεται από την συνδυασμένη τεχνική αριστεία με την kỷ律 της εκτέλεσης. στις τηλεπικοινωνίες, η τεχνητή νοημοσύνη πρέπει να λειτουργεί σε σύνθετα περιβάλλοντα, να υποστηρίζει πραγματικά επίπεδα υπηρεσιών και να παράγει μετρήσιμα αποτελέσματα. Αυτό απαιτεί μια στάση παραγωγής από την πρώτη ημέρα.

Στην Mobile World Congress (MWC), υπήρχε ένας σαφής σήματος ότι οι τηλεπικοινωνιακοί оперάτορες επενδύουν πολύ σε πειράματα τεχνητής νοημοσύνης αλλά δυσκολεύονται να τα λειτουργήσουν. Από την άποψή σας, ποια είναι τα μεγαλύτερα εμπόδια που εμποδίζουν τους оперάτορες να μεταβούν πέρα από το πείραμα σήμερα;

Βλέπω ένα από τα μεγαλύτερα εμπόδια να είναι η θραύση. Οι περισσότεροι оперάτορες έχουν πολύτιμα δεδομένα και ισχυρά use cases, αλλά τα περιβάλλοντά τους είναι διασπασμένα σε ένα ευρύ φάσμα συστημάτων, ομάδων και προμηθευτών – καθιστώντας δύσκολο να συνδέσουν τις εξόδους της τεχνητής νοημοσύνης με πραγματικές εργασίες. Αυτό είναι ιδιαίτερα αλήθεια όταν αυτές οι εργασίες διασχίζουν δίκτυο, φροντίδα πελατών και επιχειρηματικές λειτουργίες. Jako αποτέλεσμα, η τεχνητή νοημοσύνη παραμένει μια λύση σημείου αντί να γίνει μέρος του μοντέλου λειτουργίας.

Επιπλέον, ένα άλλο εμπόδιο που έχω δει είναι η εμπιστοσύνη – οι оперάτορες τελικά χρειάζονται αξιοπιστία, διακυβέρνηση και σαφή ελέγχους πριν μπορέσουν να ενσωματώσουν την τεχνητή νοημοσύνη σε κρίσιμες διαδικασίες. Για παράδειγμα, αν δεν μπορούν να εξηγήσουν γιατί ένα πράγμα της τεχνητής νοημοσύνης έχει λάβει μια απόφαση ή να επιβάλουν πολιτικές γύρω από αυτό, αυτή η τεχνολογία θα παραμείνει σε μια λωρίδα πειραμάτων. Η προώθηση απαιτεί ένα πλαίσιο που συνδυάζει αυτοματοποίηση με παρατηρησιμότητα, ελέγχους και ανθρώπινη εποπτεία.

Η Amdocs θέτει το aOS ως “αγεντικό λειτουργικό σύστημα”. Πώς ορίζετε την αγεντική τεχνητή νοημοσύνη στο контέκστ των τηλεπικοινωνιών, και πώς είναι θεμελιωδώς διαφορετική από τις προηγούμενες προσεγγίσεις αυτοματοποίησης που οδηγούνται από την τεχνητή νοημοσύνη;

Εντός του χώρου των τηλεπικοινωνιών, η αγεντική τεχνητή νοημοσύνη αναφέρεται ειδικά στην τεχνολογία που μπορεί να κατανοήσει στόχους, να σχεδιάσει εργασίες, να λάβει ενέργειες σε πολλά συστήματα και να προσαρμοστεί με βάση τα αποτελέσματα. Αντί να παράγει απλώς περιεχόμενο ή να προβλέψει αποτελέσματα, τα πράγματα possono εκτελέσει εργασίες από άκρο σε άκρο. Μπορούν να συλλογισθούν πάνω από το контέκστ, να συνεργαστούν με άλλα πράγματα και να λειτουργήσουν εντός ορίων διακυβέρνησης για να ολοκληρώσουν πραγματικές λειτουργικές εργασίες.

Αυτό είναι θεμελιωδώς διαφορετικό από την προηγούμενη αυτοματοποίηση, η οποία ήταν κυρίως βασισμένη σε κανόνες και στατική. Η παραδοσιακή αυτοματοποίηση λειτουργούσε καλά για επαναλαμβανόμενες εργασίες σε σταθερά περιβάλλοντα, αλλά δυσκολευόταν με την πολυπλοκότητα και τις εξαιρέσεις. Η αγεντική τεχνητή νοημοσύνη μπορεί να χειριστεί δυναμικές καταστάσεις, να μάθει από την ανάδραση και να συντονίσει διαδικασίες σε διαφορετικά домένια.

Έχετε περιγράψει einen μέλλον των τηλεπικοινωνιακών λειτουργιών που οδηγούνται από την τεχνητή νοημοσύνη. Τι μοιάζει αυτό στην πράξη, και πόσο μακριά είμαστε από πλήρως αυτόνομες δίκτυα;

Οι τηλεπικοινωνιακές λειτουργίες που οδηγούνται από την τεχνητή νοημοσύνη μοιάζουν με την τεχνητή νοημοσύνη που είναι ενσωματωμένη στο πυρήνα του πώς μια επιχείρηση λειτουργεί – όχι μόνο προστεθεί στην κορυφή. Στην πράξη, αυτό μοιάζει με διαδικασίες εγγύησης υπηρεσιών που ανιχνεύουν και επιλύουν προβλήματα πριν οι πελάτες τους παρατηρήσουν, διαδρομές φροντίδας πελατών που είναι προσωποποιημένες και προληπτικές, και λειτουργίες δικτύου που βελτιστοποιούν συνεχώς την απόδοση με βάση τις πραγματικές συνθήκες. Το κλειδί είναι ότι η τεχνητή νοημοσύνη είναι ενσωματωμένη στις αποφάσεις και την εκτέλεση, όχι μόνο στην ανάλυση.

Δεν είμαστε ακόμη σε πλήρως αυτόνομες δίκτυα, και πρέπει να είμαστε ρεαλιστικοί γι’ αυτό. Τα επόμενα χρόνια θα είναι για προοδευτική αυτονομία, όπου οι оперάτορες αυτοματοποιούν πιο σύνθετες εργασίες ενώ διατηρούν τους ανθρώπους υπό τον έλεγχο των αποφάσεων υψηλής επίδρασης. Η πλήρης αυτονομία θα απαιτήσει ισχυρότερους προτύπους, ευρύτερη διαλειτουργικότητα και συνεχείς βελτιώσεις στην αξιοπιστία και τη διακυβέρνηση.

Τα τηλεπικοινωνιακά συστήματα έχουν ιστορικά διασπαστεί σε επίπεδα Λειτουργιών Υποστήριξης (OSS) και Επιχειρηματικών Συστημάτων Υποστήριξης (BSS), που έχει κάνει την αυτοματοποίηση από άκρο σε άκρο δύσκολη. Πώς μια αγεντική αρχιτεκτονική βοηθά στην ενοποίηση αυτών των домένιων και την ενεργοποίηση διαλειτουργικών εργασιών;

Η αγεντική αρχιτεκτονική βοηθά με την εισαγωγή ενός συντονιστικού επιπέδου που μπορεί να λειτουργήσει σε OSS και BSS χωρίς να αναγκάζει μια πλήρη αντικατάσταση του συστήματος. Τα πράγματα possono συνδεθούν με υπάρχοντα πλαίσια μέσω API, να κατανοήσουν το контέκστ ενός επιχειρηματικού στόχου και να ορχηστρώσουν τη σωστή σειρά ενεργειών σε δίκτυο, υπηρεσίες και συστήματα πελατών. Αυτό επιτρέπει στους оперάτορες να αυτοματοποιούν εργασίες που προηγουμένως έσπαγαν στα όρια домένιων.

Για παράδειγμα, αν υπάρχει ένα πρόβλημα δικτύου που επηρεάζει einen υψηλής αξίας επιχειρηματικό πελάτη, ένα αγεντικό σύστημα μπορεί να συσχετίσει την αύξηση, να αξιολογήσει την επίδραση, να ενεργοποιήσει βήματα επιδιόρθωσης και να ενημερώσει την ροή επικοινωνίας του πελάτη παράλληλα. Αυτό το είδος διαλειτουργικής εκτέλεσης είναι δύσκολο με την παραδοσιακή αυτοματοποίηση γιατί κάθε домήνη λειτουργεί σε απομόνωση. Οι αγεντικές εργασίες βοηθούν να κλείσουν αυτό το χάσμα.

Μια από τις ενδιαφέρουσες πτυχές των αγεντικών συστημάτων είναι η συνεργασία μεταξύ πραγμάτων τεχνητής νοημοσύνης και ανθρώπινων операторών. Πού βλέπετε την ισορροπία να πέφτει μεταξύ αυτοματοποίησης και ανθρώπινης εποπτείας σε τηλεπικοινωνιακά περιβάλλοντα;

Η ισορροπία μεταξύ πραγμάτων τεχνητής νοημοσύνης και ανθρώπινων операторών θα εξαρτηθεί πάντα από την συγκεκριμένη περίπτωση, αλλά θα είναι κυρίως ανθρώπινη και επιταχύνεται από την τεχνητή νοημοσύνη για τον προβλέψιμο χρόνο. Τα πράγματα της τεχνητής νοημοσύνης είναι εξαιρετικά σε ταχύτητα, κλίμακα και αναγνώριση προτύπων, ενώ οι ανθρώπινοι оперάτορες φέρνουν κρίση, ευθύνη και контέκστ. Ο στόχος δεν είναι να αφαιρέσει τους ανθρώπους από το λουρί. Είναι να αφήσει τους ανθρώπους να επικεντρωθούν στις αποφάσεις που απαιτούν εξειδίκευση ενώ η τεχνητή νοημοσύνη χειρίζεται το βαρύ λειτουργικό φορτίο.

Υπάρχει πολύ θόρυβος γύρω από την γεννητική τεχνητή νοημοσύνη, αλλά οι τηλεπικοινωνιακοί оперάτορες είναι τελικά εστιασμένοι στο ROI. Ποια είναι τα πιο σημαντικά μετρικά που πρέπει να παρακολουθούν οι CSP για να καθορίσουν εάν οι αναπτύξεις της τεχνητής νοημοσύνης πραγματικά παρέχουν αξία;

Οι оперάτορες πρέπει να παρακολουθούν μετρικά που συνδέονται απευθείας με επιχειρηματικά αποτελέσματα, όχι μόνο τεχνική απόδοση. Στην πλευρά του πελάτη, αυτό περιλαμβάνει την πρώτη επαφή επίλυσης, τον μέσο χρόνο χειρισμού, τη μείωση της αποχώρησης και την ικανοποίηση του πελάτη. Στην πλευρά του δικτύου, αυτό περιλαμβάνει τον μέσο χρόνο ανίχνευσης και τον μέσο χρόνο επίλυσης περιστατικών, τη διαθεσιμότητα υπηρεσιών και τις κερδισμένες επιχειρηματικές αποτελεσματικότητας.

Είναι επίσης σημαντικό να μετρηθεί η υιοθέτηση και η αξιοπιστία. Αν τα πράγματα της τεχνητής νοημοσύνης αναπτύσσονται αλλά οι ομάδες δεν τις εμπιστεύονται, η αξία δεν θα υλοποιηθεί. Οι CSP πρέπει να παρακολουθούν πόσο συχνά οι συστάσεις της τεχνητής νοημοσύνης γίνονται δεκτές, πόσο συχνά οι εργασίες ολοκληρώνονται επιτυχώς και πόσο συχνά απαιτείται ανθρώπινη παρέμβαση. Το ROI προέρχεται από τη συνεχιζόμενη επιχειρηματική επίδραση, όχι από απομονωμένα αποτελέσματα πειραμάτων.

Το aOS τονίζει τις εργασίες πολλαπλών πραγμάτων που μπορούν να εκτελέσουν σύνθετες, ολοκληρωμένες διαδικασίες σε τηλεπικοινωνιακά περιβάλλοντα. Πώς διασφαλίζετε τη συνεργασία, την αξιοπιστία και τη διακυβέρνηση όταν πολλά πράγματα της τεχνητής νοημοσύνης λειτουργούν ταυτόχρονα σε κρίσιμα συστήματα;

Η συνεργασία αρχίζει με ένα σαφές μοντέλο ορχηστρώσης. Σε ένα περιβάλλον πολλαπλών πραγμάτων, κάθε πράγμα πρέπει να έχει καθορισμένα όρια πρόσβασης, κριτήρια επιτυχίας και ένα κεντρικό επίπεδο ορχηστρώσης που διαχειρίζεται την αλληλουχία εργασιών, την επίλυση συμφόρησης και την παρακολούθηση της κατάστασης ώστε τα πράγματα να μην λειτουργούν σε αντίθετες διευθύνσεις. Αυτό διατηρεί τις εργασίες προβλέψιμες ακόμη και όταν διασχίζουν πολλά συστήματα.

Η αξιοπιστία και η διακυβέρνηση απαιτούν ισχυρούς ελέγχους από το σχεδιασμό. Αυτό περιλαμβάνει την επιβολή πολιτικών, ελέγχους, εξηγήσιμη και πραγματική παρακολούθηση της συμπεριφοράς του πράγματος. Επίσης, σημαίνει να υπάρχουν μηχανισμοί πτώσης così ώστε οι εργασίες να possono να παύσουν, να αυξήσουν ή να επαναφερθούν ασφαλώς αν κάτι απροσδόκητο συμβεί. Σε κρίσιμα τηλεπικοινωνιακά συστήματα, η διακυβέρνηση είναι περισσότερο από ένα πρόσθετο – είναι μια θεμελιώδης απαιτούμενη.

Σε μια πρόσφατη ανακοίνωση του aOS, η Amdocs θέτει την γεννητική τεχνητή νοημοσύνη ως εξελισσόμενη από eine “πλευρική” ικανότητα σε ένα πυρήνα λειτουργικό επίπεδο ενσωματωμένο σε πελάτες, δίκτυα και επιχειρηματικές διαδικασίες. Τι άλλαξε στα τελευταία 12 με 24 μήνες που κάνει αυτή τη μετατόπιση δυνατή σήμερα;

Πολλά πράγματα ωρίμασαν την ίδια στιγμή. Τα μοντέλα θεμελίωσης βελτιώθηκαν σημαντικά στην ποιότητα συλλογισμού και τη χρήση εργαλείων, καθιστώντας τα πιο ικανά σε επιχειρηματικές εργασίες. Ταυτόχρονα, το οικοσύστημα γύρω από αυτά βελτιώθηκε, συμπεριλαμβανομένων πλαισίων ορχηστρώσης, εργαλείων παρατηρησιμότητας και ελέγχων διακυβέρνησης. Αυτό έκανε πρακτική την μετάβαση από απομονωμένα use cases σε συντονισμένες λειτουργικές εργασίες.

Η άλλη σημαντική αλλαγή είναι η ετοιμότητα της οργάνωσης. Οι оперάτορες έχουν τώρα σαφείς προτεραιότητες γύρω από την τεχνητή νοημοσύνη και ισχυρότερη πίεση να παραδώσουν μετρήσιμα αποτελέσματα. Δεν πειραματίζονται πλέον μόνο για να μάθουν. Ψάχνουν για πλατφόρμες που μπορούν να κλιμακώσουν την τεχνητή νοημοσύνη σε λειτουργίες με ασφάλεια και έλεγχο. Αυτή η αλλαγή στην ωριμότητα και στην τεχνολογία και στη бизнес πλευρά είναι αυτό που κάνει αυτή τη στιγμή διαφορετική.

Εάν το aOS αντιπροσωπεύει einen σημείο καμπής προς τις τηλεπικοινωνιακές λειτουργίες που οδηγούνται από την τεχνητή νοημοσύνη, τι μοιάζει η επόμενη φάση; Είμαστε εστιασμένοι σε πλήρως αυτόνομες τηλεπικοινωνιακές δίκτυα, και ποια είναι τα προκλήματα που πρέπει ακόμη να λυθούν πριν γίνει αυτό πραγματικότητα;

Η επόμενη φάση είναι για κλιμάκωση από απομονωμένη αυτοματοποίηση σε συντονισμένη αυτονομία σε όλη την επιχείρηση. Θα δούμε περισσότερες εργασίες πολλαπλών πραγμάτων που συνδέουν την φροντίδα πελατών, τις υπηρεσίες και τις λειτουργίες δικτύου σε πραγματικό χρόνο. Οι оперάτορες μπορεί να μεταβούν από αντιδραστικές λειτουργίες σε προβλέψιμες και προληπτικές μοντέλα, όπου η τεχνητή νοημοσύνη μπορεί να αναγνωρίσει κινδύνους νωρίς και να εκτελέσει επιδιόρθωση πριν τα προβλήματα εξελιχθούν.

Πλήρως αυτόνομες δίκτυα είναι ένα μακροπρόθεσμο όραμα, αλλά υπάρχουν ακόμη σημαντικά προκλήματα που πρέπει να λυθούν. Χρειαζόμαστε ισχυρότερη διαλειτουργικότητα σε οικοσυστήματα προμηθευτών, πιο ροβούστα πρότυπα διακυβέρνησης και συνεχείς προόδους στην αξιοπιστία και την εξηγήσιμη. Πιο σημαντικά, η βιομηχανία χρειάζεται εμπιστοσύνη ότι τα αυτόνομα συστήματα μπορούν να λειτουργήσουν ασφαλώς υπό πραγματικές συνθήκες. Ο δρόμος προς τα εμπρός θα είναι προοδευτικός, με σαφείς ελέγχους σε κάθε βήμα.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Amdocs.