我们很快就会看到AI应用于移动网络运营商的客户服务

甚至应用于复杂的网络问题检测和优化，类似于我们在银行中发现的可以发现异常的欺诈检测系统，许多人对AI保持警惕，这是有充分理由的，过去人工智能做错了导致悲惨的后果，传感器故障和相应的自动驾驶仪“更正”可能是导致两架波音737 MAX客机坠毁的重要因素，而特斯拉在美国以“自动驾驶”模式首次致命的坠毁是由于传感器未能检测到危险，这意味着AI无法回应。这两个可怕的事件有一个共同点-坏数据。

移动网络似乎不像车辆自动驾驶仪那么关键

但是考虑到像响应者和911系统这样的用户对蜂窝网络的依赖性，需要采取类似的护理措施，但是正确执行AI的潜在好处很难夸大。那么，移动网络运营商如何确保他们拥有的AI成功机会？

终要确保您可以为AI系统提供数据

是什么意思？这是正在进行的研究的主题，但可以归结为系统的稳定性，一个健壮的系统需要确定其数据的完整性，并且还必须内置冗余功能。对于移动网络运营商而言，这意味着不仅要依靠其内部的网络洞察力，还需要依靠它们，具体来说他们需要找到一种方法，以具有代表性且不受偏见的实时外部信息验证内部数据。

移动网络数据的偏差通常归结为测试方法

例如由用户发起的速度测试可为消费者提供有关其移动性能的宝贵见解，但是如果用作衡量网络性能以通知AI决策的工具，则可能会产生偏差，从而影响结果-人们倾向于发起测试，因为他们的网络性能特别好，或者因为网络性能不佳而很少因为他们只是好奇，经现场测试的测量也存在问题。专业收集的高质量测量值是网络智能的精确和详细的来源，但是收集它们非常昂贵，因此很难获得24/7的实时信息，驾驶测试本质上仅限于设置位置和时间，这意味着信息深度可能非常好，但是其广度不足以用于实时AI应用程序。

取而代之的是，希望将AI有效地用于其网络的移动网络运营商需要寻找一个能够全天候收集足够核心测量值（例如下载速度，延迟和数据包丢失）的数据源，而无需用户决定何时运行测试，好消息是由于智能手机的普及率很高，现在已经有大量的“公民传感器”，并且嵌入到应用程序背景中的SDK可以收集这些关键指标，而不会产生偏差并且不会影响用户，这样的数据流提供了全面的网络质量信息，而与时间，位置或用户无关。

使用单个AI系统可以将4G客户投诉减少50％那么很难想象更广泛地部署的AI在移动网络行业所能带来的效率和改进

有了合适的AI，并提供了代表性的信息，移动网络运营商就有的机会了解其整个网络并为网络规划和优化做出正确的决策，结果为消费者提供更好的移动互联网，为运营商减少流失，并为每个人全面改善移动网络的质量。