人工智能在電信系統中的實踐

■ 中國移動通信集團設計院有限公司山東分公司 張延彬 張誌 李坤

人工智能技術成為驅動第四次產品革命的通用技術，云計算的靈活部署、規模效應的特點和移動終端的應用釋放了人工智能的潛力，由專家系統時代快速發展至深度學習時代，有可能成為第四次工業革命的主要驅動力。當前人工智能產業處于數據驅動的活躍階段，深度學習作為其核心算法極大提升通用AI的算法性能（效率、準確率、成本），而運營商儲備的大量數據是更是人工智能應用發展的助推器，語音識別、語音合成、人臉識別、基站巡檢，這將是電信運營商應用的重點。

人工智能演進歷程

人工智能演進歷程包括以下三個階段：

1.人工智能初期

1956年達特茅斯會議提出概念：使用計算機來構造復雜的、擁有與人類智慧同樣本質特性的機器，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。

2.機器學習

（1）使用算法來解析數據、從中學習，然后對真實世界中的事件做出決策和預測。

（2）與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。

（3）直接來源于早期的人工智能領域，傳統的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。

（4）在指紋識別、基于Haar的人臉檢測、基于HoG特征的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平，但每前進一步都異常艱難，直到深度學習算法的出現。

3.深度學習

（1）深度學習通過建立類似于人腦的分層模型結構，對輸入數據逐級提取從底層到高層的特征，從而能很好地建立從底層信號到高層含義的映射關系。

（2）深度學習的基礎架構來自于前饋神經網絡與BP算法，構造多層節點通過最小化代價函數的方法來提高分類精度。由于多層網絡訓練的困難，傳統的神經網絡實際使用的多數是只含有一層隱層節點的淺層模型。

圖1 人工智能生態棧

（3）深度學習通過增加網絡的深度，減小每層擬合的參數來提取出數據的高層特征信息，從而達到更高的測試性能與分類精度。

隨著互聯網和IT技術的發展，近些年計算能力的提升和海量數據的積累，為深度學習的爆發提供了基礎。傳統的機器學習方法，在訓練數據量到達一定規模后，算法的學習能力就飽和了，而深度學習會持續提升準確度。因此深度學習已成為現階段最主流的機器學習方法。

人工智能的主要生態棧

目前人工智能發展的主要生態棧如圖1所示。

1.大數據

（1）模型訓練和學習的基礎，包括訓練數據、驗證數據。

（2）應用的數據來源。

（3）運營商大數據系統的建設積累了海量數據，既有網絡運行的相關信息數據，也有與客戶接觸過程中積累的客戶數據。在對外服務方面，運營商的客戶數據優勢在減小，但在用戶位置、客戶標簽等方面有優勢。

2.計算力

（1）硬件平臺日漸豐富發展，從CPU計算向GPU、FPGA等計算方式演進。

（2）云計算提供資源管理、租戶管理能力。

3.算法框架

（1）開源的學習框架在人工智能領域的研發成績斐然，對深度學習領域影響巨大。

（2）開源的深度學習框架使得開發者可以直接使用已經研發成功的深度學習工具，減少二次開發，提高效率，促進業界緊密合作和交流。

（3）集成了線性代數等相關數學函數庫，降低編程難度。

（4）與底層CPU、GPU等硬件的交互接口。

4.技術應用

（1）基礎的計算機視覺、自然語言理解、語音識別等技術，以及各類技術的組合，在不同應用場景有相應的應用。

（2）不同領域有不同的優勢廠商，在參數設置、模型調優等方面有其強項。

電信運營商的人工智能應用趨勢

各大運營商先后在AI領域不斷發力，多數廠商以自主研發為主，通過應用、技術以及基礎涉獵多個方面，目前商用場景包含智能網絡、智能客服、多媒體業務應用、物聯網等。

1.AT&T：向數據智能公司轉型

（1）智能運維：AT&T聯手Tech Mahindra，推出開源的全新AI平臺Acumoc,創造一個全球統一的人工智能。

（2）智能媒體廣告：2017年8月4日，AT&T成立廣告語分析公司，表明AT&T將廣告以及大數據分析視為未來增收的大戰略。

2.德國電信：務實的AI戰略，聚焦智能個人數字助理和智能客服

（1）德電用AI來解決特定的客戶問題，當前專注于智能客服，德電采用基于AI的軟件、計算機、語音控制功能和聊天機器人，以便為消費者和企業客戶提高客戶服務的效率。

（2）德電和Orange聯合研發智能虛擬助理Djino。

電信運營商人工智能平臺架構

電信運營商可以在現有大數據平臺基礎上，構建AI平臺，AI平臺構建在CPU、GPU等服務器硬件集群基礎上，對外輸出人工智能能力，主要包括AI能力平臺和深度學習平臺，同時整個平臺與分布式大數據平臺緊密聯系。

1.人工智能平臺上產生的海量交互數據一方面直接用于深度學習平臺訓練，另一方面輸送到大數據分析平臺，進一步挖掘出更多信息，反饋給人工智能平臺，提高服務質量。

2.人工智能平臺通過API方式為各應用場景提供AI能力。

（1）提供快速、實時服務能力的AI能力API，輸出核心的語音、語義、視覺能力服務，提供統一的API接口和多平臺SDK，方便快速集成使用，平臺內部的數據存儲分析系統，對服務交互數據進行清洗、分析、管理，為行業定制人工智能技術提供數據支撐。

（2）提供處理大規模數據的非實時模型訓練能力的深度學習訓練API，深度學習平臺主要是負責深度神經網絡模型的訓練，為AI能力平臺提供具有高識別效果、高效率的底層模型。平臺主要功能包括支持各種主流的深度學習框架，支持各種深度網絡結構的單節點和分布式訓練，支持深度學習訓練任務的調度和監控。平臺集成各種以深度學習為代表的人工智能基礎算法，提供面向語音識別、語音合成、圖像識別、文字識別各類深度神經網絡模型訓練算法，以及提供針對業務場景定制的深度神經網絡模型訓練算法，應用可通過深度學習模型訓練API，使用平臺中的海量訓練數據和應用自身數據，選擇適合的模型結構和訓練框架進行深度神經網絡模型的訓練。

（3）提供應用主動回傳數據到人工智能平臺的數據回收API。系統層主要包含CPU、GPU的運算資源調度、數據的存儲和服務虛擬化等。

電信運營商人工智能應用場景

1.營業廳精細化運營，建設智慧營業廳

（1）優化營業廳布局，通過人工智能結合大數據可以為營業廳選址，優化營業廳整體部署，降低運營成本。

（2）優化營業廳服務，將圖像識別、語音處理、自然語言處理等多種基于深度學習的人工智能技術，與傳統移動客戶服務業務相結合，通過智能機器人，實現客戶交互式服務體驗，減輕營業廳員工強度，持續提升服務質量。

（3）精準化運營，通過人工智能來提升營業廳的營業效率，幫助營業廳進行精益化運營，挖掘每個潛在客戶的價值。

2.視頻推薦

通過AI技術分析互聯網視頻內容，實現視頻內容分析、個性化視頻推薦，助力運營商互聯網化轉型

（1）視頻內容分析，通過人工智能技術實現視頻結構化分析、人物識別、動作識別、情感語義分析等，提取視頻內容特征，作為視頻聚類和檢索的依據。

（2）個性化視頻推薦，通過研究用戶行為偏好，結合視頻內容特征，實現個性化視頻推薦，幫助用戶獲取感興趣的高質量的視頻資源，從而提升用戶的訪問量。

3.智能運維

在網絡優化和平臺運維上，運營商的效率比較低，通過運用診斷型分析技術，可以快速、準確地進行根因分析，發現并解決網絡問題，甚至在問題發生之前就將其化解。

使用攝像頭、溫度傳感器、紅外傳感器及其他傳感器代替人工進行巡檢、監控，將實現24小時不間斷的安全監控，及時進行安全報警，并能節省一些人力資源。

（1）平臺優化：整合平臺優化領域知識探索數據驅動，利用人工智能分析技術，實現根因分析以及在特定事件場景下觸發的優化引擎，實現故障的提前預測和自動化修復。

（2）用戶體驗驅動的網絡規劃：AI和預測型建模可以增強網絡規劃工具的性能，從而使網絡更有可能不僅能滿足覆蓋目標，而且還能滿足所有客戶的用戶體驗要求。

（3）主動安全防護：基于人工智能的行為分析將顯著地提高網絡檢測攻擊、自助分析數據和識別孤立行為之間關系的能力。

4.智能客服

結合語音識別、語義分析等AI技術，語音交互更加自然，有自動推理的功能，并不僅依賴數據庫，可以完全替代人工，可以應用于微信、網站等互聯網渠道及短信、熱線等傳統渠道，滿足客戶問題咨詢、投訴受理、信息查詢等多種需求。