人工智能（AI）对电信行业至关重要，但更多的还主要停留在概念或技术术语的探讨方面。目前，人工智能在通信行业的实际应用案例相对较少；在相关技术的应用方面，比如利用机器学习和大数据分析来解决运营商收入问题的案例就更少了。TM Forum开展了围绕提升业务保证的人工智能催化剂项目，这丰富了AI在通信领域的应用案例。
诸如智能家居、电子医疗、联网汽车等创新数字服务为运营商带来了潜在的收入机会。但是，数字转型的远大目标，与运营商在尝试创建新解决方案时所遇到的某些IT问题之间通常存在脱节的情况。英国电信、德国电信、Orange和Telia共同发起了该催化剂项目，参与的公司包括Amdocs，Brytlyt，Subex和WeDo Technologies。
Amdocs的Gadi Solotorevsky博士对该项目作出了以下解释：
目前存在的挑战？
运营商提出了17业务发展挑战，围绕新业务上线、增加业务灵活性和改善用户体验。在项目的第一阶段，聚焦解决其中的七个挑战，其余的将在以后的阶段进行。参与者组成的团队将使用大数据分析、人工智能、不同的算法和模型来实现所需的功能。此外，团队还将使用行为分析、自然语言处理和情绪分析等具体应用案例。
1.身份认证——越来越多的客户希望通过网站和APP来实时激活新服务和管理个人帐户。自助渠道正在快速取代传统的呼叫中心。但这就需要快速的身份认证，否则诈骗的可能性就会增加。TM Forum催化剂项目通过使用人工智能和大数据分析，从内部和外部来源搜索和交叉匹配身份数据，以确保客户的身份数据与其自身匹配。
2. 用户信用——一些用户还希望将注册时的一次性信用核查，转变为只要有能够证明其信用的文件，用户就可以随时注册一系列新的服务和功能。这对于寻求服务多样化、扩展服务组合、构建平台业务和提供更大范围服务用户的运营商来说是至关重要的，这也是数字转型的一部分。催化剂项目的解决方案包括运用大数据分析和人工智能，利用网络和社交媒体来源，以及利用内部数据来加强信用核查和更新。
3. 预防内部欺诈——运营商在不断开发和改进用于打击内部欺诈的反欺诈程序。然而，随着操作数量和服务的增多，运营商内部存在的欺诈行为也越来越多。催化剂项目团队通过人工智能和机器学习来实现功能自动化，减少欺诈的几率，并利用大数据分析来主动识别欺诈事件。
4. 防止配置过程中的失败情况——配置过程中的失败和延迟，尤其是因安装时技术信息不正确或不完整而导致的失败和延迟，会对用户的体验和服务产生重大影响。催化剂项目团队通过机器学习和人工智能来预测和预防当前的问题，允许运营商采取积极的步骤来完善配置时间，并且减少系统、流程和人为错误造成的故障。
5. 检测假用户——随着运营商服务的数量和价值的增加，运营商不仅要对用户进行身份认证，还要打击大规模的非真人用户，这一点十分重要。由于点象辨认技术还不够成熟，且检测假用户又过于被动，所以往往要经过很长一段时间才能发现问题。催化剂项目团队通过人工智能和行为分析的方法来识别大量假用户和潜在的欺诈行为，其准确性和即时性比传统方法更强。
6. 改善用户体验——用户与运营商的互动方式正在发生改变：从单点方式变为多渠道和全渠道方式。但是，从不同渠道收集的客户信息并没有联系在一起。因此，催化剂项目团队利用大数据分析、自然语言处理和情感分析，将不同系统和社交网络中的信息结合起来，以提供更好的客户体验。例如，该团队不仅能够将来自不同渠道的信息整合在一起，而且还可以分析用户的满意程度。
7. 预防合作伙伴欺诈——最初欺诈预防主要是集中在内部，只有相互联系和漫游等服务才会涉及到合作伙伴。然而，随着数字生态系统的发展，运营商必须了解并识别其自身网络之外的欺诈行为。在催化剂项目的演示过程中，人工智能和机器学习主要用于快速识别和阻止绕过传统欺诈检测算法的行为，这种传统的算法主要是在合作伙伴域内进行的。机器学习也可以用于运营商和伙伴域之间的自动化交互，比如附加服务激活。
每一个用例都采用了多种互补的技术（例如大数据分析、人工智能和机器学习）。仅用一种技术还不足以了解在案例中的使用情况，还需要使用供应商开发的工具作为补充。在应用这些技术时，催化剂团队还使用了TM Forum的分析大数据存储库（Analytics Big Data Repository, ABDR），将其部分资产应用于开发架构。
眼见为实
2017年TM Forum在新加坡的大会上已经展示了该催化剂项目的成果，并且让与会者体验了完整的客户之旅。演示的场景是顾客Paul订购了一项智能家居服务，整个演示过程是在一个实时的商业系统中进行的，并且伴随Paul需求的变化而展示了各种业务保证用例的实际操作。下图显示了每个参与者所扮演的角色。
项目参与者展示了如何将人工智能、机器学习和大数据分析技术用于增强业务保障的过程，其中包括如何提高客户体验和收入保证。
初步成果和下一步计划
该催化剂项目的主要目的是验证机器学习和人工智能在业务保障中的潜力。它是具体的操作步骤，而不是理论性的内容，并且该项目的成功经验已反馈到相关的TM Forum协作团队中。具体来说，该项目定义了8种新的实体数据，并将相关信息反馈给了TM Forum的分析大数据存储库(ABDR)。
Frameworx 17.5版本将包含上述成果。此外，三种新的用例已选入《收入保障指南书》中。
第一阶段项目的成功表明，催化剂项目团队在解决运营商所面临的17个问题上取得了快速的成效，并且有望解决更多类似如何使用特定的客服数据，以及如何自动启动适当的客户服务等问题。下一阶段的成果将于2018年5月在尼斯举行的TM Forum数字化转型世界大会中展示。新的阶段还将完善架构，增添新的用例，并且丰富TM Forum的信息资产。
