人工智能在电信系统中的实践

■ 中国移动通信集团设计院有限公司山东分公司 张延彬 张誌 李坤

人工智能技术成为驱动第四次产品革命的通用技术，云计算的灵活部署、规模效应的特点和移动终端的应用释放了人工智能的潜力，由专家系统时代快速发展至深度学习时代，有可能成为第四次工业革命的主要驱动力。当前人工智能产业处于数据驱动的活跃阶段，深度学习作为其核心算法极大提升通用AI的算法性能（效率、准确率、成本），而运营商储备的大量数据是更是人工智能应用发展的助推器，语音识别、语音合成、人脸识别、基站巡检，这将是电信运营商应用的重点。

人工智能演进历程

人工智能演进历程包括以下三个阶段：

1.人工智能初期

1956年达特茅斯会议提出概念：使用计算机来构造复杂的、拥有与人类智慧同样本质特性的机器，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。

2.机器学习

（1）使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。

（2）与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

（3）直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。

（4）在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。

3.深度学习

（1）深度学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好地建立从底层信号到高层含义的映射关系。

（2）深度学习的基础架构来自于前馈神经网络与BP算法，构造多层节点通过最小化代价函数的方法来提高分类精度。由于多层网络训练的困难，传统的神经网络实际使用的多数是只含有一层隐层节点的浅层模型。

图1 人工智能生态栈

（3）深度学习通过增加网络的深度，减小每层拟合的参数来提取出数据的高层特征信息，从而达到更高的测试性能与分类精度。

随着互联网和IT技术的发展，近些年计算能力的提升和海量数据的积累，为深度学习的爆发提供了基础。传统的机器学习方法，在训练数据量到达一定规模后，算法的学习能力就饱和了，而深度学习会持续提升准确度。因此深度学习已成为现阶段最主流的机器学习方法。

人工智能的主要生态栈

目前人工智能发展的主要生态栈如图1所示。

1.大数据

（1）模型训练和学习的基础，包括训练数据、验证数据。

（2）应用的数据来源。

（3）运营商大数据系统的建设积累了海量数据，既有网络运行的相关信息数据，也有与客户接触过程中积累的客户数据。在对外服务方面，运营商的客户数据优势在减小，但在用户位置、客户标签等方面有优势。

2.计算力

（1）硬件平台日渐丰富发展，从CPU计算向GPU、FPGA等计算方式演进。

（2）云计算提供资源管理、租户管理能力。

3.算法框架

（1）开源的学习框架在人工智能领域的研发成绩斐然，对深度学习领域影响巨大。

（2）开源的深度学习框架使得开发者可以直接使用已经研发成功的深度学习工具，减少二次开发，提高效率，促进业界紧密合作和交流。

（3）集成了线性代数等相关数学函数库，降低编程难度。

（4）与底层CPU、GPU等硬件的交互接口。

4.技术应用

（1）基础的计算机视觉、自然语言理解、语音识别等技术，以及各类技术的组合，在不同应用场景有相应的应用。

（2）不同领域有不同的优势厂商，在参数设置、模型调优等方面有其强项。

电信运营商的人工智能应用趋势

各大运营商先后在AI领域不断发力，多数厂商以自主研发为主，通过应用、技术以及基础涉猎多个方面，目前商用场景包含智能网络、智能客服、多媒体业务应用、物联网等。

1.AT&T：向数据智能公司转型

（1）智能运维：AT&T联手Tech Mahindra，推出开源的全新AI平台Acumoc,创造一个全球统一的人工智能。

（2）智能媒体广告：2017年8月4日，AT&T成立广告语分析公司，表明AT&T将广告以及大数据分析视为未来增收的大战略。

2.德国电信：务实的AI战略，聚焦智能个人数字助理和智能客服

（1）德电用AI来解决特定的客户问题，当前专注于智能客服，德电采用基于AI的软件、计算机、语音控制功能和聊天机器人，以便为消费者和企业客户提高客户服务的效率。

（2）德电和Orange联合研发智能虚拟助理Djino。

电信运营商人工智能平台架构

电信运营商可以在现有大数据平台基础上，构建AI平台，AI平台构建在CPU、GPU等服务器硬件集群基础上，对外输出人工智能能力，主要包括AI能力平台和深度学习平台，同时整个平台与分布式大数据平台紧密联系。

1.人工智能平台上产生的海量交互数据一方面直接用于深度学习平台训练，另一方面输送到大数据分析平台，进一步挖掘出更多信息，反馈给人工智能平台，提高服务质量。

2.人工智能平台通过API方式为各应用场景提供AI能力。

（1）提供快速、实时服务能力的AI能力API，输出核心的语音、语义、视觉能力服务，提供统一的API接口和多平台SDK，方便快速集成使用，平台内部的数据存储分析系统，对服务交互数据进行清洗、分析、管理，为行业定制人工智能技术提供数据支撑。

（2）提供处理大规模数据的非实时模型训练能力的深度学习训练API，深度学习平台主要是负责深度神经网络模型的训练，为AI能力平台提供具有高识别效果、高效率的底层模型。平台主要功能包括支持各种主流的深度学习框架，支持各种深度网络结构的单节点和分布式训练，支持深度学习训练任务的调度和监控。平台集成各种以深度学习为代表的人工智能基础算法，提供面向语音识别、语音合成、图像识别、文字识别各类深度神经网络模型训练算法，以及提供针对业务场景定制的深度神经网络模型训练算法，应用可通过深度学习模型训练API，使用平台中的海量训练数据和应用自身数据，选择适合的模型结构和训练框架进行深度神经网络模型的训练。

（3）提供应用主动回传数据到人工智能平台的数据回收API。系统层主要包含CPU、GPU的运算资源调度、数据的存储和服务虚拟化等。

电信运营商人工智能应用场景

1.营业厅精细化运营，建设智慧营业厅

（1）优化营业厅布局，通过人工智能结合大数据可以为营业厅选址，优化营业厅整体部署，降低运营成本。

（2）优化营业厅服务，将图像识别、语音处理、自然语言处理等多种基于深度学习的人工智能技术，与传统移动客户服务业务相结合，通过智能机器人，实现客户交互式服务体验，减轻营业厅员工强度，持续提升服务质量。

（3）精准化运营，通过人工智能来提升营业厅的营业效率，帮助营业厅进行精益化运营，挖掘每个潜在客户的价值。

2.视频推荐

通过AI技术分析互联网视频内容，实现视频内容分析、个性化视频推荐，助力运营商互联网化转型

（1）视频内容分析，通过人工智能技术实现视频结构化分析、人物识别、动作识别、情感语义分析等，提取视频内容特征，作为视频聚类和检索的依据。

（2）个性化视频推荐，通过研究用户行为偏好，结合视频内容特征，实现个性化视频推荐，帮助用户获取感兴趣的高质量的视频资源，从而提升用户的访问量。

3.智能运维

在网络优化和平台运维上，运营商的效率比较低，通过运用诊断型分析技术，可以快速、准确地进行根因分析，发现并解决网络问题，甚至在问题发生之前就将其化解。

使用摄像头、温度传感器、红外传感器及其他传感器代替人工进行巡检、监控，将实现24小时不间断的安全监控，及时进行安全报警，并能节省一些人力资源。

（1）平台优化：整合平台优化领域知识探索数据驱动，利用人工智能分析技术，实现根因分析以及在特定事件场景下触发的优化引擎，实现故障的提前预测和自动化修复。

（2）用户体验驱动的网络规划：AI和预测型建模可以增强网络规划工具的性能，从而使网络更有可能不仅能满足覆盖目标，而且还能满足所有客户的用户体验要求。

（3）主动安全防护：基于人工智能的行为分析将显著地提高网络检测攻击、自助分析数据和识别孤立行为之间关系的能力。

4.智能客服

结合语音识别、语义分析等AI技术，语音交互更加自然，有自动推理的功能，并不仅依赖数据库，可以完全替代人工，可以应用于微信、网站等互联网渠道及短信、热线等传统渠道，满足客户问题咨询、投诉受理、信息查询等多种需求。