Hvilken AI-strategi for teleoperatører?

Transportørene sitter på en enorm mengde underutnyttede data. AI vil gjøre disse dataene til grobunn for utvikling av nye tjenester, forbedring av kvaliteten på eksisterende tjenester, forbedring av kundeopplevelsen og effektivisering av forretningsdriften.

Nguyen Van Yen, medlem av VNPTs styre

Sammendrag:
– Data og kunstig intelligens i telekommunikasjon: Leverandører har store mengder data som ikke blir utnyttet riktig. Kunstig intelligens kan bidra til å transformere data til verktøy for å forbedre tjenester og optimalisere forretningsdriften.
- Trender innen AI-applikasjoner: Utviklingen av 5G og IoT har presset operatører til å fokusere på AI siden 2016. Nylig har GenAI dukket opp som et strategisk verktøy, spesielt etter lanseringen av OpenAIs ChatGPT.
– Økonomiske fordeler fra AI: AI forventes å skape enorm verdi for teleoperatører, inkludert kostnadskutt og nye inntektsstrømmer. McKinsey anslår at GenAI kan bringe 100 milliarder dollar til telekommunikasjonsbransjen.
- AI-applikasjoner i organisasjonen: AI må brukes på alle nivåer i organisasjonen, fra dataanalyse til administrative funksjoner. Mange operatører har etablert dedikerte AI-enheter og bygget AI-kompetansesentre.
- Risikoer ved bruk av kunstig intelligens: Nettoperatører står overfor utfordringer med å rekruttere menneskelige ressurser innen kunstig intelligens, administrere data og sikre sikkerhet ved utrulling av kunstig intelligens. Styring av kunstig intelligens er en viktig faktor for å sikre vellykket og bærekraftig utrulling.
- Klargjøring av data for AI: For å kunne anvende AI effektivt, må operatører utarbeide rene, konsistente data og sikre en felles datamodell. Datainnsamling og -behandling er en stor utfordring, og krever store investeringer i dataanalyse og -administrasjon.

Status for AI-applikasjoner for telekomselskaper

Fremveksten av 5G, IoT og den økende mengden stordata er faktorene som driver telekomleverandører til å rette oppmerksomheten mot AI. Noen av de store, ambisiøse operatørene begynte å ta i bruk AI i 2016, 2017, og innen 2019–2020 har telekomsektoren registrert sterk adopsjon av AI hos operatører over hele verden . I løpet av de siste 12–15 månedene (siden lanseringen av OpenAI med Chat GPT) har bevisstheten om GenAI utvidet seg fra et AI-basert verktøy for innholdsproduksjon til en strategisk plattform, og det blir raskt sentrum for tankegangen til nesten alle telekomleverandører over hele verden.

En markedsundersøkelsesrapport fra Allied [6] om AI i telekommunikasjonsmarkedet i 2022 viser: «Det globale markedet for AI innen telekommunikasjon er verdsatt til 1,2 milliarder USD i 2021 og forventes å nå 38,8 milliarder USD innen 2031, med en årlig vekstrate på 41,4 % fra 2022 til 2031.» Telekommunikasjonsselskaper (telekomselskaper) vender seg til AI som en nøkkelfaktor for innovasjon, driftseffektivitet og forbedret kundeopplevelse.

Ericsson mener [1] at kunstig intelligens vil gi enestående verdi til bransjer, inkludert telekommunikasjon. For nettverksoperatører vil kunstig intelligens gi muligheter til å optimalisere nettverksdrift, forbedre kundeopplevelsen, redusere kostnader, bidra til bærekraftig utvikling, skape nye inntektsstrømmer osv.

Gartner [2] gjennomførte en undersøkelse og klassifiserte 29 AI-relaterte teknologier i 5 grupper: AI-kjerneteknologi, GenAI-basert teknologi; datasentrisk AI-teknologi; AI Trust-teknologi. Trenden med å distribuere GenAI-baserte teknologier forventes å øke kraftig de neste 1–3 årene.

Teleselskaper ser GenAI som et vendepunkt, en kraftig driver som bidrar til å drive inntektsvekst, spare kostnader og fundamentalt endre brukeropplevelseslandskapet. Mange operatører ser GenAI som et sentralt fokus i sin AI-strategi.

Måling av den økonomiske effekten av AI/GenAI

Det er ikke lett å måle den økonomiske effekten av AI på telekommunikasjonsbransjen, ettersom de potensielle bruksområdene er brede og varierte, og markedsverdianslagene varierer mye fra ulike kilder. Mange operatører er imidlertid enige om at fordelene med AI for telekomvirksomheten er betydelige. For eksempel [4]:

- Nedbemanning av arbeidskraft og jobber på grunn av AI og automatisering. BT (Storbritannia) anslår at de kan kutte 10 000 jobber innen 2030 ved å utnytte digitalisering og automatisering.

- Generere nye inntekter ved å lansere AI-aktiverte produkter. SK Telecom (Sør-Korea) tror de kan generere AI-relaterte inntekter på opptil 25 000 milliarder KRW (omtrent 18,5 milliarder USD) innen 2028.

– Bidra til å spare kostnader eller øke inntektene. McKinsey anslår at GenAI kan skape opptil 100 milliarder dollar i merverdi for telekommunikasjonssektoren.

Operatører måler fordelene ved hvert brukstilfelle av AI basert på to aspekter: Finansielle (kvantifiserbare tidsbesparelser, kostnadsbesparelser, økte inntekter) og ikke-finansielle (ansatttilfredshet, kundetilfredshet, små og vanskelig kvantifiserende tidsbesparelser, bærekraft)

Hvor brukes AI i telekom, og hvordan implementeres AI?

Leverandører anser AI som en strategisk prioritet som skal anvendes på oppgaver og avdelinger knyttet til dataanalyse. Den nylige eksplosjonen av GenAI har imidlertid gitt noen perspektiver på anvendelsen av AI spesielt innen telekom, som følger:

- Bruksområder for kunstig intelligens innen telekom:

– AI er et innovativt verktøy, så AI må være tilgjengelig for alle arbeidsgrupper i bedriften.

+ All innsats må gjøres for å gjøre AI enkel å bruke, selv for grupper med lave teknologiske evner.

+ Enheter dedikert til AI må kunne kjenne til implementeringspraksisene for vellykkede AI-brukstilfeller og bygge passende modeller og metoder for å anvende disse brukstilfellene på nytt i hele organisasjonen.

+ Demokratisering av tilgang til AI må ledsages av implementering av nye FinOps-tilnærminger for at AI skal håndtere kostnadsrisikoen ved AI-adopsjon

+ Et styringsprogram for AI må utvikles og implementeres for å redusere risikoen for ukontrollerte kostnader og oppmuntre til bruk og eksperimentering med AI.

- Implementering av kunstig intelligens i telekombransjen

Bygg en CXO AI-stilling med ekspertise og autoritet til å drive utvikling og anvendelse av AI-produkter og -tjenester (f.eks. Steve Jarrett utnevnt til Chief AI Officers (CAIOs) Orange Innovation, 12/2023; Deepika Adusumilli, 10/2023 hos BT; Chung Sukguen hos SK Telecom).

Etablering av et datterselskap for å utvikle AI , for eksempel Proximus Ada er et datterselskap av nettverksoperatøren Proximus (Belgia) som spesifikt fokuserer på å utvikle cybersikkerhet og AI-kapasiteter for å betjene Proximus' interne behov og tilby tjenester til B2B-kunder.

Separate interne AI- og kundevendte AI-funksjoner. I stedet for å bygge en sentralisert AI-organisasjon, bestemte Telefónica seg for å dele den inn i to divisjoner: Kundeinnsikt og innovasjon; Nettverk, IT-systemer og Intern digital transformasjon (CDS) mot AI.

Denne ansvarsfordelingen er spesielt interessant ettersom GenAIs fokus er mer kunderettet enn nettverksfunksjoner, mens prediktiv AI i økende grad er teknologien som brukes til nettverksautomatiseringsformål.

AI som en ny forretningsfunksjon. For eksempel investerer China Mobile og SK Telecom tungt i AI for å levere nye produkter og tjenester. Fokuset til begge operatørene er å bygge sin egen store språkmodell (LLM) med de beste løsningene og funksjonene, og selge tilgang til bedrifter (DN-er) og andre operatører.

Etablering av et kompetansesenter (CoE) for AI.

I en undersøkelse fra TMFrum (2023) [4] sa 53 % av operatørene at de hadde etablert et AI CoE. Men den nøyaktige størrelsen, omfanget og rollen til et AI CoE varierer betydelig. For eksempel har Vodafone Ziggo (Nederland) et AI CoE som samler selskapets datavitenskapseksperter.

Telefónica har et globalt AI CoE, ledet av nettverks- og IT-divisjonen, som spesialiserer seg på data og AI-arkitektur for å tjene målet om overgang til en felles datamodell og forske på AI-teknologier og -løsninger.

e& (Midtøsten) har et CoE der hver nøkkelavdeling/funksjon har en representant. KI-styring er i forkant med oppdraget å sikre at vellykkede brukstilfeller av KI forskes på og anvendes på tvers av ulike avdelinger.

AI som en plattformfunksjon. Noen operatører har bygget – eller bygger – AI-plattformer som er utformet for å gjøre den tilgjengelig for ulike deler av organisasjonen.

For eksempel har Vodafone en AI-plattform som også tilbyr selvbetjeningsverktøy og opplæringsmateriell for ulike team slik at de kan bygge sine egne brukstilfeller. SK Telecom har en intelligensplattform som gir hele organisasjonen tilgang til LLM-en som SKT utvikler.

- AI-administrasjon

Krav til styring av AI. Mange styringskrav for AI er en del av eksisterende datastyringsprogrammer. Imidlertid er det behov for ytterligere AI-spesifikke sikkerhetstiltak for å sikre at AI-verktøy og -systemer forblir trygge og etiske. Det finnes to typer AI-styringsprogrammer:

– Det eksterne styringsprogrammet er utformet for å beskytte enkeltpersoner og organisasjoner utenfor selskapet.

– Interne styringsprogrammer er utformet for å beskytte ansatte og sikre at AI distribueres på en vellykket og bærekraftig måte i hele bedriften.

Styringsprogrammer som tar sikte på å beskytte personer og organisasjoner utenfor selskapet, pleier å være kodifiserte og normative. For eksempel vedtok EU AI-loven i desember 2023, som trer i kraft i 2025, og USA utstedte en presidentordre om AI i oktober 2023.

Strenge myndighetsreguleringer kan hjelpe teleselskaper med å utvikle teknologier og kapasiteter som kan tjenes penger på i utlandet, spesielt i land med strenge regler for datasuverenitet.

For eksempel mener China Mobile at metodene de bruker for å oppfylle AI-lover kan bidra til å utvikle sikkerhetsteknologier som de kan tilby kundene sine. Swisscom eksperimenterer med å bygge sin egen AI-infrastruktur og utvikle intern ekspertise som de kan bruke til å skape verdi og nye løsninger i sin IT-tjenestevirksomhet.

Fremveksten av GenAI driver også behovet for å forbedre intern styring av AI: Øke skala; Styre kostnader; Beskytte organisasjonen mot konsekvensene av bruk av unøyaktige resultater; Redusere risikoen for teknisk gjeld; Beskytte mot risikoen for «korrupte» data i LLM-opplæringsmodeller; Beskytte organisasjonen mot brudd på immaterielle rettigheter (IP)/opphavsrett.

Risikoer ved bruk av AI i næringslivet

TMforums 2023-undersøkelse om risikoer ved bruk av GenAI i telekomselskaper inkluderer:

3.1. Menneskelige ressurser for AI

Når det gjelder å ansette AI-talenter, er de fleste teleselskaper i en ulempe sammenlignet med teknologiselskaper, spesielt når de ansetter yngre talenter. Teknologiselskaper tilbyr vanligvis bedre lønninger, raskere karriereutvikling og en betydelig mer fleksibel bedriftskultur.

TM Forums undersøkelse om telekombransjens behov for menneskelige ressurser etter spesialitet [4] viser at det er stor etterspørsel etter ferdigheter innen kunstig intelligens/maskinlæring, dataanalyse og automatisering (64 %, mindre enn sikkerhet med 69 %).

Når det gjelder vanskeligheten med ferdigheter teleselskaper kan rekruttere, sa 59 % av respondentene at datavitenskap/dataanalyse- og AI/ML-fagfolk er de vanskeligste å rekruttere (nest etter sikkerhet med 63 %).

På MWC 2024 annonserte Korea Telecom (Korea) at de vil rekruttere opptil 1000 AI- og digitale eksperter i år i et forsøk på å bli et AICT - AI og IKT-selskap. Samtidig økte KT også intern opplæring i AI-ferdigheter for å fullstendig endre KTs DNA mot AI.

China Mobile etablerte Jiutian i 2019 som en plattform for å støtte ambisjonen om å bli en svært automatisert operatør innen 2025. AI-plattformen er tilgjengelig for eksterne utviklere gjennom åpne API-er. I oktober 2023 utviklet China Mobile sin egen LLM som en del av Jiutian. China Mobile startet med bare 20 AI-ingeniører, og har nå 600 AI-ingeniører, og planlegger å nå 1000 innen utgangen av 2024.

Vodafone samarbeider med hyperskalerere for sin AI-plattform, men trenger fortsatt AIOps-ferdigheter samt analyse, automatisering, sky og plattformer. Vodafone tiltrekker seg talenter ved å ansette heltidsansatte.

Ashish Yadav, Senior Director hos Capgemini, sa at teleselskaper i økende grad ser etter senior Cloud- og AI-talenter på arkitektnivå gjennom systemintegrasjonsselskaper som en form for insourcing. Definisjonen av insourcing kan tolkes på mange forskjellige måter, men i denne sammenhengen «behandler» teleselskaper seniortalentene til partnerselskapet som et medlem av teleselskapets arbeidsteam.

De fleste telekomselskaper trapper også opp omskolering og kompetanseheving for proaktivt å finne frem til AI-talenter på forespørsel. Faktisk kan denne tilnærmingen være mer kostnadseffektiv enn å ansette nye talenter, og den brukes i økende grad på alle andre vanskelig ansettelige ferdigheter.

I en TMForum-undersøkelse om hva transportører må gjøre for å effektivt utnytte AI og maskinlæring, sa 60 % av respondentene at opplæring av eksisterende ansatte i flere AI-ferdigheter ville ha stor innvirkning, mens 39 % sa at det ville ha en betydelig innvirkning.

Ifølge McKinsey & Company tvinger GenAI operatører til å utvikle AI-ekspertise internt, samtidig som det krever nye ferdigheter fra brukerne, som for eksempel rask ingeniørkunst – evnen til å stille spørsmål for å få best mulig svar fra en LLM. Operatører må også ansette dataingeniører og domeneeksperter «som forstår hvilke data de skal samle inn og hvordan de skal samles inn, samt overvåke og evaluere kvaliteten på nye typer data som genereres og brukes av GenAI-systemer . »

3.2. Dataklargjøring for AI-applikasjoner

En datadrevet arkitektur er nøkkelen til å opprettholde nøyaktighet og konsistens på tvers av nettverket. Bruk av en felles datamodell sikrer at data flyter jevnt på tvers av alle systemer og serveres nøyaktig i alle automatiserte arbeidsflyter.

AI trenger data, og dataanalyse trenger AI. Mange operatører står i dag overfor betydelige utfordringer med å utvikle sammenhengende datastrategier for å utnytte AI-teknologi fullt ut. Operatører i tidlige stadier av AI-eksperimentering kan undervurdere hva som trengs, spesielt når det gjelder data, for å lykkes med å distribuere AI i stor skala.

Mange operatører mangler en helhetlig strategi som tillater dataflyt horisontalt på tvers av organisasjonen under én enkelt datamodell.

Noen spesifikke utfordringer med å gjøre data klare for AI:

Det mangler rene, tydelige, konsistente og handlingsrettede data som kan brukes på ulike deler av virksomheten, fra nettverk til tjenestelevering og kundeopplevelse. Dette er kritisk for alle prosesser rundt datadrevet, AI-drevet utførelse.

Mangel på en felles datamodell (data samles for tiden inn fra flere leverandører) resulterer i ekstremt tidkrevende aggregering av strukturerte og ustrukturerte data.

Mangel på datakontekst, det å ikke vite fullt ut hvordan, når, hvor og for hvilke formål dataene samles inn, er en spesielt betydelig hindring som teleselskaper må overvinne hvis de ønsker å ta i bruk GenAI eller en annen type maskinlæringsmodell.

Operatører ser verdien av data og har økt investeringene sine i dataanalyse. Omdia anslår at globale operatører vil investere 2,5 milliarder dollar i dataanalyse innen 2025.

Faktisk er tiden og investeringen som kreves for å samle inn, rense, transformere og lagre data i riktig format ofte uforholdsmessig mye høyere enn tiden det tar å bruke disse dataene. Prosessen med å lage datasjøer og datalagre har pågått i årevis, men den har ennå ikke gitt operatører muligheten til å distribuere AI i stor skala på tvers av hele organisasjonen.

Fremveksten av AI-baserte innovasjoner og analyser har drevet behovet for og etterspørselen etter mer mangfoldig og fleksibel databruk, for eksempel:

– AI/maskinlæring krever enorme mengder data for å trene modeller

– Mangfoldige datasett og flere datatyper er nødvendig for å sikre objektive AI-resultater

- Legg til datalag for å forbedre modellens nøyaktighet og applikasjonspåvirkning

- Modeller må kontinuerlig trenes med den nyeste informasjonen for å opprettholde prediktiv ytelse, spesielt i dynamiske miljøer

- Data må være tilgjengelige i sanntid for kritiske forretningsfunksjoner, primært i svært interaktive miljøer

– Fremveksten av GenAI har gitt operatører muligheten til å utnytte den store mengden ustrukturerte data som er tilgjengelig, men disse dataene må merkes og renses før de mates inn i LLM.

For å gjøre betydelige fremskritt innen AI fra et dataperspektiv, må operatører gjøre en fundamental endring i hvordan de håndterer dataene som flyter gjennom systemene deres, og noen ganger en endring i bedriftskulturen. Nøkkelen er å bygge en felles datamodell og skape en enkelt sannhetskilde.

Å bygge en enkelt sannhetskilde er en enormt kompleks oppgave som så langt har vært utenfor de fleste operatørers kapasitet på grunn av fragmenteringen av dataene deres. BT, Deutsche Telekom og Telefónica har tatt grep for å håndtere dette ved å flytte alle dataene sine til den offentlige skyen. For eksempel har BT i løpet av de siste to årene flyttet mer enn 90 % av dataene sine til Google Cloud Platform.

AI-arkitektur, bygging, kjøp og skalering

Det er mange likheter mellom AI/GenAi og skytjenester, særlig det teknologiske skiftet og dominansen til hypercallere. Leverandører står overfor det samme problemet, det samme spørsmålet som AI og skytjenester: Hva skal man kjøpe og hva skal man bygge?

Teleoperatørenes tilnærming til AI er i stor grad formet av kjerneprinsippene åpen arkitektur og komposittbarhet. Omair Ahmed Khan i Deutsche Telekom sier at de fleste av selskapets AI-prosjekter involverer en kombinasjon av å bygge og kjøpe forskjellige komponenter. «Deutsche Telekom har en hybridstrategi for å bygge og kjøpe, og kjøpsdelen har aldri involvert å kjøpe en komplett nøkkelferdig løsning.»

Operatører mener det er for tidlig å vurdere AI som en del av sin bedriftsarkitektur eller som en del av sin referansearkitektur. Noen operatører med en klar visjon og strategi for å integrere AI i sin fremtidige bedriftsarkitektur erkjenner også implementeringsutfordringer spesielt knyttet til menneskene, verktøyene og egenskapene som trengs for å levere effektive resultater og en tydelig avkastning på investeringen.

Programvareindustrialisering kan sees på som en god praksis for AI-industrialisering ved å flytte data til offentlige skyer og gjøre data tilgjengelige i sanntid. En IT-sjef i et sørøstasiatisk transportør beskrev prosessen selskapet tok for å industrialisere AI som en «datafabrikk». «Dette har redusert tiden og kostnadene for AI-produksjon betydelig», sa han.

«For to år siden var kostnadene for AI-produksjon svært høye. Det tok seks til åtte måneder å lage en AI-modell. Nå tar det bare noen få dager. Du kan kjøre hele syklusen mye raskere og med færre folk.»

Øvelse i noen transportører:

China Mobile: har kjøpt maskinvare og bygget sitt eget datasenter, inkludert grafikkprosessorer (GPU-er) og akseleratorer, som en del av Jiutian LLM-prosjektet.

Jio: Reliance Industries, morselskapet til det indiske telekomselskapet Jio, har inngått et samarbeid med Nvidia for å bygge superdatamaskininfrastruktur for AI. Reliance har som mål å tilby AI-infrastruktur til forskere, utviklere og oppstartsbedrifter over hele India, og å lage AI-applikasjoner og -tjenester for Jios 450 millioner kunder.

Å bestemme hvor man skal distribuere AI i en offentlig sky eller en privat sky er også en sak for teleselskaper, og avhenger i stor grad av omfanget av distribusjonen. Distribusjon av AI i en offentlig sky har fordelen av rikelig med dataressurser, kraft og spesialisert maskinvare som trengs for å behandle komplekse algoritmer og store mengder data. Kostnader kan imidlertid bli et problem hvis operatøren bare bruker den offentlige skyen til å behandle store datamengder.

Mange operatører anser beslutningen om å bruke privat sky for GenAI som ugjennomførbar med mindre operatøren bygger sin egen LLM – slik som tilfellet med China Mobile, Softbank og SK Telecom i Asia og Deutsche Telekom i Europa. Operatører har en tendens til å prioritere offentlig sky for testing og bygging av MVP-er for AI-brukstilfeller.

Etter hvert som operatører øker bruken av AI, vil det uunngåelig føre til dypere relasjoner.

– Softbank: har inngått samarbeid med Nvidia for å bygge datasentre (TTDL) designet for å være vert for GenAI og trådløse applikasjoner. De nye TTDL-ene vil håndtere både AI- og 5G-arbeidsbelastninger.

– SK Telecom: forfølger etterspørselen etter AI-baserte datasentre som en del av SKTs bredere AI-ambisjoner. Finansdirektør Yang-Seob Kim sa at SKT planlegger å «styrke datasentervirksomheten ytterligere, med fokus på neste generasjons AI-datasentre og global ekspansjon».

– NTT investerer 1,5 billioner yen (omtrent 12 milliarder dollar) i løpet av de neste fem årene for å utvide og oppgradere datasentervirksomheten sin globalt for å møte den økende etterspørselen etter data relatert til bruk av GenAI, sammen med andre teknologier.

Å bestemme hvor man skal distribuere AI i en offentlig sky eller en privat sky er også en sak for teleselskaper, og avhenger i stor grad av omfanget av distribusjonen. Distribusjon av AI i en offentlig sky har fordelen av rikelig med dataressurser, kraft og spesialisert maskinvare som trengs for å behandle komplekse algoritmer og store mengder data. Kostnader kan imidlertid bli et problem hvis operatøren bare bruker den offentlige skyen til å behandle store datamengder.

Mange operatører anser beslutningen om å bruke en privat sky for GenAI som ugjennomførbar med mindre operatøren bygger sin egen LLM – slik som tilfellet med China Mobile, Softbank og SK Telecom i Asia og Deutsche Telekom i Europa. Operatører har en tendens til å prioritere offentlig sky for testing og bygging av MVP-er for AI-brukstilfeller.

Etter hvert som operatører øker bruken av AI, vil det uunngåelig føre til tettere relasjoner med superselskapene – Amazon Web Services, Microsoft Azure og Google Cloud.

Referanser:
1. Forretningspotensial for kunstig intelligens: Forstå verdien av kunstig intelligens for
telekomdrift. https://www.ericsson.com/4ac6ca/
eiendeler/lokal/rapporter-papirer/ytterligere-innsikt/dokument/ai-
forretningspotensial.pdf
[2]. Radar for påvirkning av fremvoksende teknologi: Kunstig intelligens, Gartner, 19. januar 2024 ID G00796195
[3]. Generativ AI: Operatører tar sine første skritt, TMforum 2023
[4]. Teleselskaper la grunnlaget for å bygge en AI-strategi,
TMforum 3.2024
[5]. https://intellias.com/ai-in-telecommunications/
[6]. https://www.alliedmarketresearch.com/ai-in-
telekommunikasjonsmarkedet-A09352
[7]. Gen AI i telekom, viktige funn fra Omdias GenAI-telekomselskap
tjenesteleverandørundersøkelse Omdia 2024
[8] https://www.xenonstack.com/enterprise-generative-ai/
Telekom/
[9]. Hvor er kunstig intelligens på vei? Nokia https://www.nokia.com/thought-
lederskap/artikler/ai/hvor-er-ai-på-vei/
[10]. Ericsson Telco AI, internt dokument

(Publisert i trykt utgave av TT&TT Magazine nr. 8, august 2024)

Kilde: https://ictvietnam.vn/chien-luoc-ai-nao-cho-cac-nha-khai-tac-mang-vien-thong-66422.html