Le reti di telecomunicazioni, caratterizzate da prestazioni sempre più spinte, enorme capillarità di copertura, raccolta di dati da miliardi di oggetti intelligenti e dominio del software per il supporto alle varie funzioni e servizi, sono terreno fertile per l’applicazione delle tecnologie di Intelligenza Artificiale.
Investimenti in IA: tlc primo settore per crescita e concentrazione della spesa
Tra i settori che hanno utilizzato maggiormente l’intelligenza artificiale nel 2023, dopo il comparto energetico e delle utilities, che si conferma al primo posto con un 16% di quota di mercato, e il settore finanziario e dal settore industriale del manufacturing, entrambi al 15%, troviamo le telecomunicazioni al 12% (figura 1). Le Telecomunicazioni sono state il primo settore come tasso di crescita e come concentrazione della spesa si pochi soggetti. I casi d’uso principali riguardano la prevenzione e diagnosi dei guasti, la previsione dei flussi di traffico e l’ottimizzazione del loro istradamento ed infine la profilazione dei clienti dal punto di vista commerciale con strategie di prevenzione e riduzione del churn.
Figura 1: Principali utilizzatori di applicazioni e servizi IA in Italia nel 2023
(Fonte: Osservatori Digital Innovation del Politecnico di Milano)
Perché l’IA è importante nelle reti di telecomunicazioni
Una dimostrazione del ruolo che sta assumendo l’IA nelle Reti è la recente acquisizione di Juniper da parte di HPE, per 14 miliardi di dollari, che è stata presentata come strategia essenziale per accelerare l’innovazione guidata dall’Intelligenza Artificiale nelle reti di telecomunicazioni.
Molte delle acquisizioni tecnologiche sono oggi giustificate con l’accelerazione verso l’IA, e qui l’obiettivo è offrire soluzioni tecnologiche integrate (networking, security, computing) che collegano, proteggono e analizzano i dati delle aziende dall’edge al cloud.
La fusione delle due aziende, con le loro competenze complementari, mira a creare un nuovo gigante nel settore AI-powered networking, capace di competere efficacemente con i principali attori del mercato. È certamente, quello di HPE e JUNIPER, solo un esempio ma è indicativo di come l’IA stia entrando prepotentemente nelle reti di telecomunicazioni, pubbliche o private che siano, offrendo diverse applicazioni significative nel settore, contribuendo a migliorare l’efficienza operativa, ottimizzando il comportamento e le performances dinamiche delle reti e migliorando l’esperienza dei clienti.
Nelle reti di telecomunicazioni pubbliche, come è noto, è in corso la diffusione capillare delle tecnologie basate sulla fibra ottica fino alle case (FTTH: Fiber To The Home) nelle reti fisse e delle tecnologie 5G nelle reti mobili, queste evoluzioni abilitano l’interconnessione di una grande quantità ed eterogeneità di devices intelligenti che potranno trasmettere e ricevere grandi quantità di dati in tempo reale grazie all’aumento delle capacità prestazionali della rete: i sensori IoT (Internet of Things) potranno raggiungere densità molto grandi, i visori di Augmented / Virtual Reality potranno garantire un’adeguata user-experience, i veicoli (es. auto, droni) disporranno di connessioni veloci, affidabili e ubique.
Ciascuno dei citati dispositivi ha stringenti requisiti prestazionali e le reti di nuova generazione dovranno essere talmente flessibili e programmabili da poterne garantire dinamicamente il soddisfacimento, in funzione delle reali condizioni trasmissive (ad es. radio) e delle caratteristiche e dei volumi di traffico, nel rispetto dei requisiti di sicurezza e privacy.
I principali impatti dell’IA
L’intelligenza artificiale sta assumendo un’importanza sempre più grande nel mondo con un impatto rilevante nella società, nell’economia e nella scienza. Innanzitutto, la produttività e la competitività dei sistemi economici crescono notevolmente con la sua applicazione in quanto essa consente l’automazione di processi che tradizionalmente richiedono l’intervento umano, aumentando significativamente l’efficienza e riducendo i costi in settori cruciali come la manifattura, il trasporto, la logistica e a molti settori dei servizi.
Con l’esplosione dei dati generati da dispositivi digitali, social media, e sensori, l’IA è fondamentale per estrarre insight preziosi, prevedere tendenze, e prendere decisioni informate. Questo è particolarmente utile in ambiti come il marketing, la finanza, e la ricerca scientifica. L’IA, inoltre, sta rivoluzionando il campo medico, dall’assistenza nella diagnosi precoce di malattie utilizzando l’elaborazione di immagini mediche, alla personalizzazione delle cure mediche e allo sviluppo di nuovi farmaci attraverso l’analisi di dati biologici complessi. Attraverso l’apprendimento automatico e l’elaborazione del linguaggio naturale, l’IA è in grado di fornire esperienze utente personalizzate e intuitive, migliorando l’interazione con dispositivi tecnologici, applicazioni e servizi online. L’IA contribuisce allo sviluppo di soluzioni sostenibili per grandi sfide globali come il cambiamento climatico, la gestione delle risorse naturali e la produzione di energia pulita, attraverso l’ottimizzazione dei processi e la predizione degli impatti ambientali.
Nel contesto della sicurezza, l’IA viene impiegata per il riconoscimento facciale, l’analisi del comportamento, e la sorveglianza, contribuendo alla prevenzione del crimine e alla protezione delle infrastrutture critiche. L’IA offre la possibilità di personalizzare l’esperienza educativa, adattando i materiali di apprendimento ai bisogni e al ritmo di ciascun studente, rendendo l’istruzione più accessibile e efficace. L’IA sta migliorando l’accessibilità per le persone con disabilità, fornendo strumenti che possono tradurre il testo in discorso, migliorare la comunicazione, e assistere nella navigazione del mondo fisico.
Aumenta l’articolazione delle nuove architetture hardware e software
Le attuali reti sono state progettate ed esercite da esperti che, basandosi sulle proprie competenze relative all’architettura e alle topologie della rete, ai modelli di utilizzo delle risorse ed ai modelli di propagazione radio, progettano e configurano le politiche di gestione e controllo della rete. Tuttavia, con le reti “virtualizzate” di nuova generazione aumenta l’articolazione delle nuove architetture hardware e software e delle topologie di rete, i modelli di utilizzo diventano più dinamici, meno deterministici, così come aumenta la complessità dell’ottimizzazione dei parametri radio.
In pratica, le reti di nuova generazione, le reti software defined (SDN), le reti a banda ultra-larga (UBB), le reti 5G, e la loro evoluzione verso il 6G, raggiungeranno un livello di complessità talmente elevato da non poter essere controllato unicamente dall’uomo: la creazione, l’esercizio e la manutenzione richiederanno, infatti, un elevato livello di automazione ed auto-organizzazione intrinseco a tali sistemi. L’Intelligenza Artificiale avrà un ruolo fondamentale in tale evoluzione, come testimoniato dalle numerose iniziative di impiego da parte degli Operatori di telecomunicazione a livello mondiale sintetizzate nella figura 3. L’automazione dei processi di creazione e gestione delle reti è da decenni un obiettivo chiave degli Operatori che, a tal proposito, hanno definito standard, architetture e soluzioni basati su conoscenze e regole deterministiche e statiche. Le nuove tecnologie di IA e di analisi dei big data consentono ora un’innovazione dirompente: l’abbandono dei sistemi “pre-programmati” a favore dell’adozione di soluzioni in grado di apprendere, attuare e modificare dinamicamente ed autonomamente le proprie regole di funzionamento (“self-learn”, “self-evolve”). Lo stesso accadrà nelle reti private.
Le principali funzioni dove è in corso la sperimentazione dell’IA
Con riferimento alla figura 1 è possibile dedurre che le principali funzioni dove sono in corso la maggior parte delle sperimentazioni e dei piloti per l’utilizzo dell’intelligenza artificiale sono: gli assistenti intelligenti software, in grado di aiutare gli operatori della customer care al rispondere alle esigenze dei clienti in maniera più veloce più precisa con maggiore soddisfazione dei clienti stessi, le tecnologie e azioni per la sicurezza delle reti, dove l’intelligenza artificiale ha la possibilità di analizzare una straordinariamente ampia fonte di informazione e prevenire attacchi e situazioni critiche per massimizzare la resilienza delle connessioni e del flusso di informazioni che le attraversa e infine l’automazione e la trasformazione delle reti è un’ulteriore campo di applicazione dell’intelligenza artificiale proprio grazie al principio del controllo a ciclo chiuso dove tutti gli elementi di rete sono fonti di informazione che alimentano il motore centralizzato di analisi, il quale tramite opportuni algoritmi individua in modo automatico le azioni di modifica ed evoluzione che consentano le migliori performance della rete stessa, e infine le chatbot che consentono la ulteriore automazione dei processi grazie all’applicazione di regole alle varie esigenze di evoluzione e configurazione delle reti stesse.
Figura 1: Principali iniziative di utilizzo dell’IA negli Operatori di Telecomunicazioni (Fonte: Notiziario Tecnico Telecom Italia)
La gestione e l’ottimizzazione delle reti di telecomunicazioni con l’intelligenza artificiale
L’IA può essere utilizzata per il monitoraggio e la gestione delle reti in tempo reale. Sistemi intelligenti possono rilevare automaticamente anomalie, prevedere guasti potenziali e ottimizzare la capacità delle reti. Ciò avviene grazie all’automazione ed ottimizzazione delle reti di telecomunicazione ed è proprio in questo ambito che ci si attendono i maggiori benefici, in particolar modo per le reti di nuova generazione. L’impiego di tecniche di IA e di analisi dei big data, infatti, possono abilitare funzionalità predittive (predictive analytics), ad esempio, negli ambiti della sicurezza, della gestione delle frodi e della gestione del traffico e delle interferenze radio a supporto dei processi di pianificazione e sviluppo della rete.
L’IA diventa particolarmente importante per l’automazione dei processi operativi relativi alle nuove reti abilitando funzionalità di autoapprendimento (“self-learning”) e di adattamento dinamico (“adaptive networks”) delle configurazioni di rete in funzione dei requisiti dei device (e relative applicazioni) e delle condizioni operative (es. radio, caratteristiche del traffico). Inoltre, l’applicazione delle tecniche di IA è indispensabile per l’automazione delle funzionalità di orchestrazione delle nuove reti “softwarizzate”, ove le “CNF” (Cloud Network Function) sono dinamicamente composte, attivate e disattivate con volumi e velocità non gestibili da operatori umani. Oltre a ciò,L’IA può essere impiegata per implementare sistemi di manutenzione preventiva basati su analisi predittive. Monitorando i dati degli apparati e delle reti, è possibile prevedere quando potrebbero verificarsi guasti e pianificare interventi di manutenzione in anticipo. L’IA, infine, può aiutare a ottimizzare l’allocazione delle risorse, come la gestione della larghezza di banda e la distribuzione delle frequenze, per migliorare l’efficienza complessiva della rete.
La convergenza tra le tecnologie di big data analytics e di IA
Stiamo dunque assistendo ad un rapido affermarsi della convergenza tra le tecnologie di big data analytics e di IA. Le soluzioni tecnologiche in corso di sviluppo sono volte, da una parte, a risolvere i problemi che emergono della crescente complessità delle infrastrutture di rete di telecomunicazioni e, dall’altra, a valorizzare al massimo gli asset degli Operatori di dette infrastrutture. Gli scenari applicativi e i casi d’uso sono molteplici ed includono: automazione dei processi di gestione, controllo ed orchestrazione, l’ottimizzazione automatica nell’utilizzo delle risorse, la gestione automatica dei malfunzionamenti ai diversi livelli di rete, anche in ottica predittiva. Comune a tutti questi scenari è l’utilizzo e lo sviluppo continuo (attraverso tecniche di learning) da parte della IA della cosiddetta “conoscenza” di rete, a partire dai dati raccolti sulle dinamiche di traffico e di funziona- mento di apparati e sistemi di rete.
I progressi di Internet, delle comunicazioni mobili e fisse e dell’informatica hanno aperto nuove frontiere per la società data-centrica di domani. Le nuove applicazioni dipendono sempre più dalle comunicazioni machine-to-machine, creando a loro volta carichi di lavoro non tradizionali e richiedendo infrastrutture più efficienti e affidabili. Carichi di lavoro e applicazioni di traffico così diversificati richiederanno ambienti di rete dinamici e altamente adattivi, in grado di auto-ottimizzarsi per l’attività da svolgere, garantendo al contempo un’elevata affidabilità e una latenza estremamente bassa.
I dispositivi di rete, i sensori, gli agenti, i contatori, i veicoli/sistemi intelligenti generano enormi quantità di dati e richiedono nuovi livelli di sicurezza, prestazioni e affidabilità. Tali complessità richiedono nuovi strumenti e metodologie per servizi, gestione e funzionamento efficaci. L’analisi predittiva della rete avrà un ruolo importante nella generazione di informazioni, nell’automazione dei processi necessaria per adattarsi e scalare alle nuove esigenze, nella risoluzione dei problemi prima che influiscano sulle prestazioni operative (ad esempio, prevenire i guasti della rete, anticipare i requisiti di capacità) e nel processo decisionale generale in tutta la rete. Il data mining e gli strumenti analitici per dedurre i segnali di qualità dell’esperienza (QoE) sono necessari per migliorare l’esperienza utente e la qualità del servizio.
Le innovazioni nel campo dell’intelligenza artificiale, dell’apprendimento automatico, dell’apprendimento per rinforzo e dell’analisi dei dati di rete introducono nuove opportunità in varie aree, come la modellazione e la stima dei canali, le comunicazioni cognitive, l’allineamento delle interferenze, la gestione della mobilità, l’allocazione delle risorse, il controllo e la gestione della rete, la tomografia di rete, i sistemi multi-agente, la prioritizzazione delle implementazioni a banda ultra larga di rete. Queste nuove piattaforme analitiche contribuiranno a rivoluzionare le nostre reti e l’esperienza dell’utente. Attraverso la raccolta, l’elaborazione, l’apprendimento e il controllo di grandi quantità di informazioni in modo intelligente, le reti future consentiranno un’automazione e un’ottimizzazione senza precedenti.
L’IA può contribuire a identificare e mitigare minacce alla sicurezza delle reti, rilevando comportamenti anomali e attacchi informatici in tempo reale.
Gli algoritmi di intelligenza artificiale nelle telecomunicazioni
Nel settore delle telecomunicazioni, l’intelligenza artificiale (IA) gioca un ruolo chiave nell’ottimizzazione delle operazioni di rete, nel miglioramento dell’esperienza del cliente e nella gestione delle infrastrutture. Gli algoritmi di IA più utilizzati in questo ambito spaziano dall’apprendimento automatico (machine learning) al deep learning, ciascuno con specifiche applicazioni. Ecco alcuni degli algoritmi di IA più comuni nelle telecomunicazioni.
Gli Alberi Decisionali[1] e Random Forest[2], utilizzati per la classificazione e la regressione. Possono aiutare a prendere decisioni operative, come la classificazione del traffico di rete o l’identificazione di guasti. Le Reti Bayesiane, applicate per modellare incertezze e fare previsioni probabilistiche, utili nella gestione del rischio e nella previsione di guasti. Le Support Vector Machines (SVM), impiegate per la classificazione e la regressione con margini elevati, efficaci nella rilevazione di anomalie e nel filtraggio dello spam.
Le Reti Neurali Convoluzionali (CNN): Particolarmente efficaci nell’analisi delle immagini, possono essere utilizzate per il riconoscimento ottico dei caratteri (OCR) nelle firme di contratti o documenti dei clienti. Reti Neurali Ricorrenti (RNN) e Long Short-Term Memory (LSTM): Adatte per lavorare con sequenze di dati, come serie temporali di utilizzo della rete, per prevedere il traffico di rete e ottimizzare la gestione della larghezza di banda. Autoencoder: Utilizzati per la riduzione della dimensionalità e la rilevazione di anomalie, possono identificare pattern insoliti nel traffico di rete che potrebbero indicare guasti o attacchi di sicurezza.
Q-learning e Deep Q-Networks (DQN): Applicati per prendere decisioni sequenziali, come l’ottimizzazione dinamica delle rotte di rete e la gestione delle politiche di accesso alla rete in scenari di traffico variabili.
Algoritmi Genetici: Utilizzati per risolvere problemi di ottimizzazione e ricerca di soluzioni ottimali in spazi di ricerca complessi, come la configurazione della rete e l’allocazione delle risorse. Algoritmi di Swarm Intelligence (ad esempio, Particle Swarm Optimization): Impiegati per ottimizzare le reti in modo distribuito, simulando il comportamento collettivo di specie animali come uccelli e pesci. K-means e DBSCAN: Usati per segmentare gli utenti o i dispositivi in gruppi basati su comportamenti o caratteristiche simili, utili per il targeting di offerte specifiche o per la diagnosi di problemi di rete in cluster di dispositivi.
Questi algoritmi vengono spesso combinati in sistemi più complessi per affrontare le sfide specifiche delle telecomunicazioni, come la gestione in tempo reale delle reti, l’ottimizzazione delle prestazioni, la sicurezza della rete e l’assistenza al cliente. L’adozione di queste tecnologie AI consente ai provider di telecomunicazioni di migliorare l’efficienza operativa, ridurre i costi, e migliorare l’esperienza complessiva dell’utente.
Automazione, resilienza, qualità del servizio
L’intelligenza artificiale (IA) svolge un ruolo cruciale nel monitoraggio e nella gestione delle reti di telecomunicazioni in tempo reale attraverso diversi approcci e tecnologie. L’IA può aiutare a migliorare l’efficienza, la sicurezza e la resilienza delle reti, oltre a ottimizzare le prestazioni e l’esperienza utente. Ecco alcuni dei modi in cui l’IA può essere impiegata in questo contesto:
Predizione e prevenzione dei guasti
L’IA può analizzare enormi quantità di dati provenienti da diversi punti della rete per identificare pattern che precedono spesso i guasti. Utilizzando algoritmi di machine learning e deep learning, è possibile prevedere guasti o degradazioni delle prestazioni prima che si verifichino, permettendo agli operatori di intervenire preventivamente per evitarli.
Ottimizzazione del traffico di rete
Gli algoritmi di IA possono analizzare i pattern di traffico in tempo reale e prevedere variazioni future, permettendo di reindirizzare automaticamente il traffico per evitare congestioni. Questo non solo migliora l’esperienza degli utenti ma contribuisce anche a una gestione più efficiente delle risorse di rete.
Automazione del self-healing
Le reti possono essere progettate per auto-ripararsi in caso di guasti, utilizzando sistemi di IA per identificare e risolvere automaticamente problemi come guasti hardware, interruzioni di servizio o vulnerabilità di sicurezza, riducendo così i tempi di inattività e migliorando la resilienza della rete.
Gestione delle risorse di rete
L’IA può ottimizzare l’allocazione delle risorse di rete, assicurando che la capacità sia adeguatamente distribuita in base alla domanda in tempo reale. Ciò include l’assegnazione dinamica della larghezza di banda e la gestione delle risorse per servizi di rete virtualizzati (come funzioni di rete virtualizzate, VNF).
Rilevamento e mitigazione delle minacce alla sicurezza
Gli algoritmi di IA possono monitorare il traffico di rete in cerca di anomalie che potrebbero indicare tentativi di intrusione, attacchi DDoS o altre minacce alla sicurezza. Una volta identificata una minaccia, l’IA può aiutare a mitigarla automaticamente, ad esempio isolando il traffico dannoso o applicando regole di sicurezza aggiuntive.
Analisi predittiva per la pianificazione della capacità
Utilizzando l’analisi predittiva, l’IA può prevedere la crescita della domanda di servizi di telecomunicazione, consentendo agli operatori di pianificare in anticipo espansioni della capacità o aggiornamenti della rete per soddisfare le future esigenze degli utenti.
L’implementazione dell’IA nel monitoraggio e nella gestione delle reti di telecomunicazioni richiede un approccio olistico che include la raccolta e l’analisi dei dati, l’addestramento degli algoritmi e l’integrazione di soluzioni di IA con i sistemi di rete esistenti. Man mano che la tecnologia evolve, si prevede che l’uso dell’IA nelle telecomunicazioni diventerà sempre più sofisticato e diffuso, offrendo opportunità significative per migliorare le prestazioni e l’efficienza delle reti.
Personalizzazione di servizi, gestione dei clienti e riduzione del churn
Gli Operatori sono caratterizzati da un portafoglio clienti molto ampio, con particolare riferimento ai segmenti di mercato consumer e small business. Le interazioni con i clienti avvengono tramite le strutture di Customer Care, storicamente raggiungibili via telefono e oggi sempre più orientare alla multicanalità con interfaccia chat, email, web.
Per i grandi operatori i contatti sono molti milioni ogni anno e avvengono per esigenze di servizio, per motivi amministrativi e per notificare guasti o malfunzionamenti delle linee o dei dispositivi. Da sempre le tematiche più rilevanti per un servizio di assistenza clienti di qualità sono state: la formazione degli operatori commerciali sulla struttura e le opzioni dei servizi venduti in modo da rispondere tempestivamente alle nuove richieste, alla modifica di servizi nei contratti esistenti o richieste di chiarimenti sulle fatture ricevute e su particolari tipologie di addebiti.
I punti di forza di un servizio di eccellenza sono la capacità di prendere in carico le richieste, quale che sia il mezzo con il quale la clientela comunica le proprie esigenze, la tempestività nel comprendere l’esigenza tramite conoscenza dei servizi e delle molteplici opzioni e la capacità di risolvere meglio se in linea con il cliente o in tempi comunque ridotti. I fattori chiave sono, come al solito, i dati ossia avere una rappresentazione fedele dei servizi sottoscritti, dell’uso che ne viene fatto (ovviamente nel rispetto della privacy), della fatturazione e della situazione dei pagamenti effettuati. Analogamente, quando l’esigenza è di timo manutentivo, l’operatore deve conoscere la configurazione tecnica del servizio, i parametri di funzionamento, lo stato di funzionamento delle componenti di rete interessate ed eventualmente precedenti segnalazioni che possano far pensare una situazione ripetitiva non risolta definitivamente, quini, ancora una volta il fattore di successo è la conoscenza dei dati dell’impianto e dl cliente, oltre, in questo caso, alla capacità dei sistemi diagnostici.
Ormai da alcuni anni sono adottati sia sistemi di automazione del back office tramite i quali gli Operatori, in chiamata o in chat, hanno accesso a tutti i dati rilevanti e aggiornato del servizio e la situazione amministrativa del cliente. Più recentemente i sistemi in chat hanno di molto incrementato la percentuale di richieste gestite in base alla possibilità di uno scambio più preciso di informazione possibile in tali sessioni.
Oggi le chatbot, basate su IA, possono essere utilizzate per fornire assistenza virtuale agli utenti, rispondendo alle domande frequenti, risolvendo problemi tecnici e migliorando l’esperienza del cliente. Come accennato gli Operatori di telecomunicazione sono stati, già da alcuni anni, particolarmente attivi nella realizzazione di applicazioni di IA finalizzate all’automazione delle interazioni con i propri clienti sviluppando (o specializzando soluzioni di mercato) “chatbot” ed “assistenti intelligenti”. I primi sono programmi automatici usati come mezzo per interagire con le persone tramite mezzi testuali o vocali; le chatbots svolgono oggi un ruolo cruciale nel servizio clienti, ove vengono utilizzati come strumento di interazione e di acquisizione di informazioni. Gli assistenti intelligenti sono degli agenti personali digitali che assistono e coadiuvano le persone nelle proprie attività quotidiane come, ad esempio, nella pianificazione di un appuntamento, nella lettura o scrittura di messaggi o nel controllo di oggetti intelligenti (ad esempio nella smart home).
Gli assistenti virtuali sono stati sperimentalmente utilizzati anche nelle risposte alle chiamate telefoniche ai Customer Care con aspettativa di ottimizzazione costi intorno al 40% ma, al momento, non siamo ancora a una maturità sufficiente di tale tecnologia. Molte delle sperimentazioni avviate sono state sospese e riprenderanno nel breve termine grazie ai passi avanti che la sintesi vocale e la gestione delle conversazioni in linguaggio naturale, tutte discipline rafforzate dall’evoluzione IA, stanno velocemente facendo.
L’IA, inoltre, può rendere più efficace l’analisi dei dati dei clienti per identificare modelli, preferenze e comportamenti. Ciò consente agli operatori di telecomunicazioni di personalizzare offerte, promozioni e servizi in base alle esigenze specifiche dei clienti riducendo il churn che oggi affligge mercati iper-competitivi come quello del nostro Paese. Infine, attraverso l’analisi dei dati degli utenti, l’IA può personalizzare l’esperienza degli utenti, ad esempio, suggerendo contenuti pertinenti, migliorando la qualità delle chiamate o ottimizzando le impostazioni di rete.
Alcune evidenze sul mercato dell’IA
Il mercato dell’intelligenza artificiale (IA) sta vivendo una crescita esponenziale, con previsioni che evidenziano un aumento significativo della sua dimensione e del suo impatto attraverso vari settori. Nel 2023, il mercato globale dell’IA è valutato oggi a 150 miliardi di dollari, con proiezioni che prevedono una crescita fino a 1400 miliardi di dollari entro il 2030, registrando un tasso di crescita annuale composto (CAGR) del 36,8%. Questo sviluppo è guidato da avanzamenti in algoritmi, tecniche di apprendimento automatico e una crescente domanda per l’intelligenza artificiale autonoma.
Il Nord America emerge come un hub principale per l’adozione dell’IA, attribuibile a un ecosistema favorevole che incoraggia collaborazioni tra accademia, industria e governo, posizionandosi in prima linea nell’adozione del mercato IA e guidando gli avanzamenti tecnologici. Le applicazioni dell’IA si estendono attraverso vari settori, tra cui Information Technology, Telecomunicazioni, Sanità, Finanza, Mobilità, e molti altri.
I principali attori del mercato stanno adottando strategie di crescita organica e inorganica, come lanci di nuovi prodotti, aggiornamenti di prodotti, partnership e accordi, espansioni commerciali e fusioni e acquisizioni per rafforzare le loro offerte nel mercato come reso evidente dal recente investimento miliardario di Microsoft in OpenAI, annunciato il 23 gennaio 2023, tramite il quale ha esteso la sua partnership con OpenAI. Questo accordo segna la terza fase della loro collaborazione a lungo termine, che ha avuto inizio con investimenti precedenti nel 2019 e nel 2021. L’obiettivo dell’investimento è accelerare le innovazioni nell’intelligenza artificiale e garantire che i benefici siano condivisi ampiamente con il mondo. Microsoft incrementerà gli investimenti per accelerare la ricerca indipendente di OpenAI, e continuerà a espandere l’infrastruttura di Intelligenza Artificiale di Azure per aiutare i clienti a costruire e distribuire le loro applicazioni su scala globale.
L’espansione e l’innovazione nel campo dell’IA promettono di trasformare ulteriormente le industrie e i servizi, migliorando l’efficienza operativa, personalizzando le esperienze degli utenti e guidando nuove scoperte in campi come la medicina e l’ambiente, segnando un futuro in cui l’IA sarà ancora più integrata nella vita quotidiana e nel tessuto socioeconomico globale.
In Italia il mercato e le dinamiche di adozione sono ben sintetizzati nel Report Intelligenza Artificiale del Politecnico di Milano che stima in 760 milioni di € il relativo mercato nel 2023 suddiviso come nella figura 1. La crescita è stata molto sostenuta e pari al + 52% rispetto al 2022, il 70% di questo sviluppo è dovuto alle imprese italiane che direttamente hanno avviato progetti e sperimentazioni relativi all’utilizzo dell’intelligenza artificiale, mentre il 30% è attribuibile a progetti di multinazionali adottate nel contesto nazionale.
I principali segmenti del mercato IA sono indicati nella figura 1 ove la porzione prevalente è quella dei sistemi di analisi dei dati, di previsione, di supporto alle decisioni e di ottimizzazione, i quali confermano il primo posto nella classifica con il 29% dell’intera dimensione del mercato. Ci sono in questa sezione i sistemi di previsione della domanda ed ottimizzazione della produzione, l’analisi del comportamento e del consumo dei clienti e la valutazione della attitudine dei clienti a cambiare prodotto o servizio. Al secondo posto, nella classifica delle applicazioni dell’intelligenza artificiale nel mercato italiano, vi sono l’analisi dei testi e i sistemi cosiddetti conversazionali ai quali viene attribuito il 27% del totale. In questa classificazione sono contenuti i sistemi per l’interpretazione del linguaggio scritto quelli di classificazione sintesi e spiegazione di documenti.
Al terzo posto sono i sistemi di raccomandazione che con il loro 22% è centrale il ruolo che essi ricoprono nelle aziende in quanto supportano l’analisi delle vendite fornendo raccomandazioni personalizzate e basate sulla profilazione dei clienti per scopi di cross e up selling. Nel settore sanitario sono invece utilizzati come sistemi di supporto all’identificazione della diagnosi e suggerimento di eventuali prescrizioni e infine nel settore finanziario con soluzioni di monitoraggio dei dati dei mercati per il trading e le scelte di investimento.
Con una quota del 10% troviamo invece la classe dei sistemi di analisi delle Immagini e dei Video per le quali è lecito attendersi buone crescite future legate alle crescenti esigenze di Safety, anche alla luce delle possibili sinergie con l’intelligenza artificiale generativa sia in ambito del riconoscimento delle immagini che di analisi dei video e riconoscimento biometrico. Si distinguono oggi applicazioni in ambito della manifattura, soprattutto per il processo di controllo della qualità e della manutenzione, nell’ambito assicurativo per riconoscere e stimare il costo dei danni in caso di sinistri e, come accennato, nel campo della Safety per prevenire situazioni di potenziale pericolo in contesti affollati come stadi, stazioni, aeroporti.
L’intelligenza artificiale è utilizzata in maniera crescente per l’ottimizzazione dei processi operativi di molte categorie di aziende. Queto segmento di utilizzo ha coperto il 7% del mercato e in base allo sviluppo e uso di applicazioni in grado di svolgere un ruolo di orchestrazione e gestire i flussi per istruire il bagaglio delle informazioni per gli snodi decisionali, superare i colli di bottiglia, gestire le varianti rispetto alle sequenze standard. Tali processi possano essere parzialmente o totalmente automatizzati tramite soluzioni di Robotic Process Automation (RPA) tradizionali ovvero quelle assistite proprio dall’Intelligenza Artificiale.
Infine, si sta affacciando, con tutto il suo potenziale di crescita, l’applicazione della Intelligenza Artificiale Generativa, che oggi interessa solo il 5% del totale del mercato. Questa categoria include principalmente le applicazioni che generano linguaggio conversazionale e sistemi di traduzione, anche in tempo reale, legati per lo più all’introduzione di assistenti virtuali per generare sintesi dei documenti testuali, interpretare domande, supportare nella scrittura di codice informatico o anche interrogare la base di conoscenza aziendale.
L’IA nelle specifiche 6G dell’IMT 2030 e gli scenari di utilizzo
L’evoluzione delle tecnologie di telecomunicazione è fortemente orientata all’uso pervasivo dell’Intelligenza Artificiale.
Il sistema 6G (IMT-2030) espanderà e supporterà le crescenti esigenze dei clienti, nuove applicazioni e userà nuove tecnologie, offrendo prospettive verso una piena maturità digitale sostenibile. Si prevede che l’IMT-2030 si baserà su aspetti generali che fungono da principi di progettazione applicabile a tutti gli scenari di utilizzo come: la sostenibilità, la sicurezza e la resilienza, per fornire un accesso universale e conveniente a tutti gli utilizzatori indipendentemente dalla posizione e rendere disponibile un’intelligenza onnipresente per migliorare le prestazioni complessive del sistema.
Gli scenari di utilizzo dell’IMT-2030 espandano quelli dell’IMT-2020 ossia eMBB, URLLC, mMTC, introdotti nella raccomandazione ITU-R M.2083, in un uso più ampio che richiede nuove funzionalità. Oltre agli scenari di utilizzo ampliati di IMT-2020, e ne introdurranno dei nuovi derivanti dalle tecnologie dell’intelligenza artificiale e sensing, che le precedenti generazioni di IMT non erano progettate per supportare.
Più nel dettaglio gli scenari di utilizzo di IMT-2030 includono quelli sintetizzati nella figura 5.
Comunicazione immersiva
Questo scenario di utilizzo estende la banda larga mobile avanzata (eMBB) di IMT-2020 e verso un’esperienza video (immersiva) ricca e interattiva, comprese le interazioni con le interfacce delle macchine. Questo scenario di utilizzo copre una vasta gamma di ambienti, tra cui hotspot, urbani e rurali, che sorgono con requisiti aggiuntivi e nuovi come la comunicazione per l’XR immersivo, la telepresenza multisensoriale remota e le comunicazioni olografiche. Il supporto del traffico misto di dati, video, audio e altri dati dell’ambiente in modo sincronizzato nel tempo è parte integrante delle comunicazioni immersive, incluso anche il supporto autonomo della voce. Alcuni casi d’uso della comunicazione immersiva possono anche richiedere il supporto di un’elevata affidabilità e bassa latenza per un’interazione reattiva e accurata con oggetti reali e virtuali, nonché la capacità del sistema per il collegamento simultaneo di numerosi dispositivi.
Comunicazione ultra-affidabile e a bassa latenza
Questo scenario di utilizzo estende la comunicazione ultra-affidabile e a bassa latenza (URLLC) di IMT-2020 e copre casi d’uso specializzati che hanno requisiti più rigorosi in termini di affidabilità e latenza. Ciò è in genere per le operazioni sincronizzate nel tempo, in cui il mancato rispetto di questi requisiti potrebbe portare a gravi conseguenze per le applicazioni. I casi d’uso tipici includono le comunicazioni in un ambiente industriale per l’automazione completa, il controllo e funzionamento. Questi tipi di comunicazioni possono aiutare a realizzare varie applicazioni come Interazioni con le macchine, servizi di emergenza, telemedicina e monitoraggio dell’energia elettrica trasmissione e distribuzione. Questo scenario di utilizzo richiederebbe il supporto di un’affidabilità avanzata e di una bassa latenza e, a seconda il caso d’uso, il posizionamento preciso e la densità di connessione.
Comunicazione massiva da e verso moltitudini di dispositivi
Questo scenario di utilizzo estende la comunicazione massive Machine Type Communication (mMTC) di IMT-2020 e comporta la connessione di un numero enorme di dispositivi o sensori per un’ampia gamma di casi d’uso e applicazioni. I casi d’uso tipici includono applicazioni ampliate e nuove nelle città intelligenti, nei trasporti, nella logistica, la salute, l’energia, il monitoraggio ambientale, l’agricoltura e molti altri settori come quelli che richiedono una varietà di dispositivi IoT senza batteria o con batterie a lunga durata.
Questo scenario di utilizzo richiede il supporto di un’elevata densità di connessione e, a seconda dei casi d’uso, diverse velocità di trasmissione dei dati, basso consumo energetico, mobilità, copertura estesa e affidabilità.
Connettività ubiqua
Questo scenario di utilizzo ha lo scopo di migliorare la connettività con l’obiettivo di colmare il divario digitale e uniformare, in modo ubiquo, le prestazioni della rete in ogni località del nostro Pianeta. La connettività è migliorata attraverso l’interoperabilità con i sistemi satellitari a orbita bassa (LEO). Uno degli obiettivi di questo scenario di utilizzo è quello di affrontare le aree attualmente scoperte o scarsamente coperte, zone rurali, remote e scarsamente popolate. I casi d’uso tipici includono, a titolo esemplificativo ma non esaustivo, l’IoT e la comunicazione a banda larga mobile.
Figura 5: I nuovi scenari di uso delle Telecomunicazioni 6G e l’intelligenza Artificiale
Intelligenza artificiale e comunicazione
Questo scenario di utilizzo supporterebbe il calcolo distribuito e le applicazioni di intelligenza artificiale. Casi d’uso tipici includono la guida automatizzata assistita, la collaborazione autonoma tra i dispositivi per applicazioni di assistenza medica, l’alleggerimento di operazioni di calcolo pesanti tra dispositivi e reti, creazione e previsione con gemelli digitali. Questo scenario di utilizzo richiederebbe il supporto di un’elevata capacità di traffico e di dati con esperienza dell’utente velocità, nonché bassa latenza e alta affidabilità, a seconda del caso d’uso specifico. Inoltre, comunicazione, si prevede che questo scenario di utilizzo includa una serie di nuove funzionalità relative all’integrazione dell’IA e delle funzionalità di calcolo in IMT-2030, compresa l’acquisizione dei dati; preparazione ed elaborazione da fonti diverse, l’addestramento di modelli di IA distribuiti, la condivisione di modelli e inferenza distribuita tra sistemi IMT e orchestrazione e concatenamento delle risorse di calcolo.
Rilevamento e comunicazione integrati
Questo scenario di utilizzo facilita nuove applicazioni e servizi che richiedono funzionalità di rilevamento. Fa uso di IMT-2030 per offrire un rilevamento multidimensionale ad ampio raggio che fornisce spazio informazioni sugli oggetti non connessi, nonché sui dispositivi connessi e sui loro movimenti e dintorni. I casi d’uso tipici includono:
- la navigazione assistita,
- il rilevamento dell’attività e il monitoraggio del movimento (ad es. riconoscimento della postura/dei gesti, rilevamento delle cadute, rilevamento di veicoli/pedoni),
- il monitoraggio (ad es. rilevamento di pioggia/inquinamento) e fornitura di dati / informazioni di rilevamento sull’ambiente circostante per applicazioni AI, XR e digital twin.
- La capacità di posizionamento e rilevamento di precisione di oggetti e presenze, tra cui la stima di portata, velocità, traiettoria, localizzazione, imaging e mappatura.
Conclusioni
L’intelligenza artificiale è ormai riconosciuta come una tecnologia con enormi potenzialità di sviluppo ed è largamente condivisa l’opinione che la sua adozione porterà forti accelerazioni di produttività, miglioramento della relazione con i clienti e sviluppo di nuovi servizi.
I soggetti economici più importanti che stanno accelerando la sua adozione sono, tra gli altri, quello dell’energia, della finanza, della manifattura, della medicina, della sicurezza e naturalmente quello della Information Technology e delle Telecomunicazioni. È auspicabile e atteso un simile piano di sviluppo e adozione anche nella Pubblica Amministrazione.
Nelle Telecomunicazioni le applicazioni dell’intelligenza artificiale includono:
1) i sistemi di sviluppo dei servizi, gestione dei clienti e per la riduzione del churn,
2) i sistemi di pianificazione e progettazione delle reti basati non più su analisi dei dati di medio lungo termine ma su modelli adattativi in grado di ottimizzare lo sviluppo e l’utilizzo delle risorse, 3) i sistemi di automazione e gestione delle reti in modo configurare in tempo reale gli apparti in base alle evoluzioni della domanda e alle situazioni di funzionamento delle varie componenti di rete
4) i sistemi di manutenzione predittiva che operano in base all’analisi dettagliata delle indicazioni di allarme e di guasto in modo da effettuare analisi prevalentemente predittive per riconfigurare per tempo le strutture e del flussi di traffico in modo tale da prevenire il più possibile eventi di disservizio.
L’adozione dell’Intelligenza Artificiale nelle reti di telecomunicazioni produrrà notevoli efficienze operative su tutti i processi degli Operatori, cosa oggi cruciale per fronteggiare l’attuale calo delle marginalità dovuto alla forte competizione nei prezzi e dei servizi Over The Top oggi prevalenti nelle preferenze dei clienti. Infine, l’Intelligenza Artificiale sarà una delle tecnologie pervasive sulle quali si baseranno le reti di prossima generazione 6G e sul software in un contesto di Edge Computing estremamente distribuito.
Note
- Un Albero Decisionale è un modello predittivo che mappa le osservazioni sulle caratteristiche di un elemento a conclusioni sul valore target dell’elemento. È una struttura ad albero in cui ogni nodo interno rappresenta una “domanda” o un “test” su un attributo (es. se una caratteristica è maggiore di un certo valore), ogni ramo rappresenta l’esito del test (es. vero o falso), ogni nodo foglia rappresenta una decisione presa o il risultato finale (es. la classificazione o il valore di regressione). I vantaggi degli alberi decisionali includono la loro facilità di interpretazione e comprensione, poiché il modello può essere visualizzato graficamente e seguito logicamente da radice a foglia. Tuttavia, tendono ad essere sensibili a variazioni nei dati di addestramento, portando a un di sovra adattamento. ↑
- Random Forest è un metodo di ensemble che migliora gli alberi decisionali combinando le previsioni di diversi alberi decisionali per produrre un risultato finale più accurato e robusto. Funziona attraverso il processo di “bagging” (Bootstrap Aggregating), che riduce la varianza e aiuta a prevenire il sovra adattamento. Le caratteristiche chiave includono: Creazione di molteplici alberi decisionali durante la fase di addestramento, ciascuno costruito su un sottoinsieme casuale dei dati di addestramento e delle caratteristiche. Per le previsioni di classificazione, la modalità (la classe più frequente) delle previsioni dei singoli alberi viene presa come previsione finale dell’ensemble. Per le previsioni di regressione, la media delle previsioni dei singoli alberi viene utilizzata come previsione finale. I vantaggi di Random Forest includono una maggiore precisione predittiva, una robustezza ai dati di addestramento rumorosi e la capacità di gestire un elevato numero di caratteristiche e dati senza necessità di riduzione della dimensionalità. Tuttavia, i modelli Random Forest possono essere meno interpretabili rispetto agli alberi decisionali singoli a causa della loro natura di ensemble. In sintesi, mentre gli alberi decisionali offrono modelli semplici e facilmente interpretabili, Random Forest fornisce soluzioni più potenti e accurate a costo di una maggiore complessità e minor interpretabilità diretta. ↑
