Prognoza ruchu AI firmy Nokia wskazuje na presję na przepustowość wysyłania danych do 2035 r.
4 listopada Nokia opublikowała prognozę, według której AI będzie odpowiadać za 44% globalnego ruchu sieciowego do 2035 r. Prognoza ruchu AI firmy Nokia zakłada, że całkowity miesięczny ruch osiągnie blisko 3 789 eksabajtów, przy czym eksabajt to miliard gigabajtów. Jej główne ostrzeżenie dotyczy sieci projektowanych przede wszystkim do dostarczania danych do użytkowników: maszyny i zautomatyzowane oprogramowanie będą potrzebować większej przepustowości w przeciwnym kierunku.
Tworzy to konflikt planistyczny między znanymi wzorcami ruchu konsumenckiego a aplikacjami, które stale wysyłają informacje do przetwarzania. Operatorzy muszą zdecydować, gdzie warto inwestować w dodatkową przepustowość wysyłania danych, a nabywcy korporacyjni potrzebują dowodów, że łączność obsłuży zakładane obciążenia.
Cisco i Ericsson również wskazali na zmieniające się wymagania ruchu AI, choć ich prognozy mierzą różne rzeczy. Łącznie raporty te wyostrzają praktyczne pytanie: które założenia dotyczące sieci wymagają aktualizacji przed rozszerzeniem wdrożeń AI, a które twierdzenia inwestycyjne nadal wymagają potwierdzenia?
Co faktycznie mierzy prognoza ruchu AI firmy Nokia
Nokia w prognozie ruchu sieciowego przewiduje, że miesięczny ruch do 2035 r. niemal się poczwórzy względem poziomu z 2026 r. Firma opiera szacunek na wykorzystaniu aplikacji, podłączonych urządzeniach i zautomatyzowanych przepływach pracy, uzupełnionych o badania zewnętrzne, ocenę ekspertów i prace laboratoryjne.
Nagłówek opisuje modelowaną przyszłość, a nie pomiar ruchu, który już przepływa przez sieci.
To rozróżnienie ma znaczenie, ponieważ precyzyjnie określony punkt końcowy może brzmieć pewniej, niż uzasadniają to założenia dotyczące wdrożeń. Decyzje o inwestycjach sieciowych wymagają zakresu prawdopodobnych wzorców popytu, zwłaszcza gdy prognoza obejmuje zmieniające się aplikacje, urządzenia i modele biznesowe.
Na uwagę zasługuje także zakres raportu. Nokia oddziela ruch bezpośrednio związany z aplikacjami AI od dodatkowej aktywności konsumenckiej, na którą wpływają rekomendacje AI. Łączna wartość obejmuje ruch dostępowy i wymianę danych w chmurowych przepływach pracy AI, wyłączając jednocześnie kilka innych kategorii aktywności sieciowej.
Ruch dostępowy oznacza dane wymieniane między użytkownikami lub urządzeniami a siecią, do której są podłączone. Ruch w chmurowych przepływach pracy obejmuje wymianę między usługami uczestniczącymi w realizacji zapytania AI. Kategorie te opisują powiązaną aktywność w różnych miejscach, dlatego przed porównywaniem prognoz czytelnicy powinni sprawdzić ich granice.
Na przykład definicje ruchu wyłączają aktywność pozostającą na urządzeniach lub w lokalizacjach użytkownika. Wyłączają również komunikację wewnątrz platform obliczeniowych AI oraz niektóre transfery związane ze szkoleniem, replikacją i kopiami zapasowymi.
W konsekwencji nagłówek nie powinien przeradzać się w twierdzenie, że Nokia policzyła każdy bajt przesyłany przez każdą sieć komputerową. Opisuje on zdefiniowany przez firmę obszar prognozy. To użyteczne ramy planowania, o ile czytelnicy zachowają tę definicję przy powtarzaniu jej ustaleń.
Taka sama ostrożność dotyczy prognozowanego udziału AI. Ruch związany z asystentem chmurowym, decyzją o oglądaniu pod wpływem rekomendacji oraz maszyną przemysłową może powstawać w wyniku różnych mechanizmów. Łączenie ich pomaga oszacować całkowity popyt, ale nie czyni ich wymagań operacyjnych wymiennymi.
Konsument oglądający dodatkowe materiały wideo potrzebuje innego doświadczenia usługowego niż maszyna oczekująca na instrukcję. Ich ruch może składać się na wspólną sumę, tworząc jednak odmienne wzorce przeciążenia, konsekwencje awarii i priorytety inwestycyjne.
Dla operatorów użytecznym punktem wyjścia jest zatem struktura popytu. Większa wartość zagregowana określa skalę, lecz zachowanie aplikacji pomaga ustalić, który segment sieci wymaga uwagi.
Dla nabywców korporacyjnych to rozróżnienie zapobiega równie powszechnemu błędowi: bezpośredniemu przekładaniu globalnej prognozy na indywidualne wymagania dotyczące łączności. Potrzeby firmy zależą od jej aplikacji, lokalizacji działalności, zasad dotyczących danych oraz tolerancji na przerwy.
Ogłoszenie zmienia rozmowę o planowaniu, zestawiając te kwestie z nagłówkiem dotyczącym przepustowości. Jego przydatność zależy od tego, czy organizacje potrafią powiązać szeroką prognozę z obserwowalnymi warunkami we własnych sieciach.
Operatorzy mierzą się z popytem na wysyłanie danych obok wzrostu domowego internetu szerokopasmowego
Bezpośrednia presja spada na organizacje odpowiedzialne za sieci dostępowe, w których urządzenia po raz pierwszy łączą się z szerszymi usługami. Muszą obsługiwać obecnych klientów, jednocześnie przygotowując się na aplikacje o wciąż niepewnych wzorcach ruchu.
Większy popyt nie wskazuje właściwej modernizacji, dopóki operatorzy nie wiedzą, gdzie, kiedy i w którym kierunku pojawia się ruch.
Prognozy ruchu AI firmy Nokia wskazują agentową AI, czyli oprogramowanie wykonujące zadania w wielu krokach, jako szczególnie szybko rosnącą kategorię. Firma przewiduje, że do 2035 r. jej ruch osiągnie poziom 160 razy wyższy niż w 2026 r.
Przewiduje się, że fizyczna AI, czyli systemy, które wykrywają i wykonują działania w świecie fizycznym, osiągnie 105-krotność poziomu początkowego. Nokia oczekuje, że ponad 90% ruchu tej kategorii będzie pochodziło z uplinku, czyli połączenia przenoszącego informacje od urządzeń.
Są to prognozy oparte na niewielkich bazach wyjściowych. Ich znaczenie operacyjne wynika z rodzajów reprezentowanego popytu, a nie wyłącznie z mnożników.
Sieć przesyłająca informacje z czujników do zdalnego przetwarzania mierzy się z innym problemem przepustowości niż sieć dostarczająca rozrywkę na ekran. Dodatkowa przepustowość pobierania danych nie rozwiązuje automatycznie ograniczeń wysyłania.
Lokalizacja dodatkowo komplikuje decyzję. Popyt skoncentrowany wokół zakładów przemysłowych może wymagać innej odpowiedzi niż popyt rozproszony na obszarach mieszkalnych. Operatorzy muszą odróżnić powszechny wzrost od presji skupionej wokół konkretnych klientów lub obszarów usługowych.
Stały dostęp bezprzewodowy, czyli FWA, wprowadza kolejną zmienną planistyczną, dostarczając szerokopasmowy internet do stałej lokalizacji za pośrednictwem infrastruktury komórkowej. Nokia oczekuje, że do 2035 r. będzie on generował ponad jedną trzecią konsumenckiego ruchu komórkowego.
Tej prognozy nie należy odczytywać jako oszacowania wdrożeń AI. Wzrost domowego internetu szerokopasmowego może zwiększać popyt na łączność komórkową niezależnie od autonomicznych agentów czy podłączonych maszyn. Nakładanie się tych zjawisk ma znaczenie, ponieważ wiele usług może zależeć od wspólnej infrastruktury.
Prognoza FWA firmy Ericsson stanowi odrębne porównanie. Jej prognoza z czerwca 2026 r. zakłada, że do 2031 r. FWA będzie odpowiadać za 36% globalnego ruchu danych w sieciach mobilnych.
Daty i kategorie różnią się od danych Nokii, dlatego szacunków tych nie należy traktować jako zgodnych pomiarów. Mimo to pokazują, dlaczego domowy internet szerokopasmowy należy uwzględniać w tej samej dyskusji inwestycyjnej co rozwijające się obciążenia AI.
Operator oceniający przepustowość musi uwzględnić rzeczywistą strukturę swoich usług. Popyt mieszkaniowy, łączność biznesowa i ruch maszynowy mogą tworzyć różne wymagania, nawet gdy korzystają ze wspólnego sprzętu sieciowego.
Bezpośrednio wynika z tego pytanie biznesowe. Operatorzy potrzebują klientów gotowych płacić za wymagane przez nich cechy usługi, natomiast nabywcy potrzebują jasnych zobowiązań dotyczących wydajności. Szeroka obietnica gotowości na AI pozostawia zbyt wiele niedopowiedzeń.
Zamówienia korporacyjne powinny zatem odróżniać dostępną przepustowość od niezawodnej wydajności aplikacji. Połączenie może wyglądać na wystarczające w odizolowanej demonstracji, lecz nadal pozostawiać bez odpowiedzi pytania o przeciążenia, przerwy i odzyskiwanie sprawności.
Prognoza ruchu AI firmy Nokia daje operatorom powód do ponownego przeanalizowania tych założeń. Nie dowodzi, że każda sieć potrzebuje tej samej architektury ani że każda proponowana modernizacja ma natychmiastowe uzasadnienie biznesowe.
Praktyczna presja polega na zwiększeniu szczegółowości decyzji inwestycyjnych. Operatorzy muszą powiązać oczekiwany popyt z rzeczywistymi wąskimi gardłami, a klienci muszą wyjaśnić, jakie rezultaty aplikacyjne uzasadniają silniejsze zobowiązania dotyczące łączności.
Agenci zmieniają relację między zadaniami a ruchem
Mechanizm stojący za rosnącym zapotrzebowaniem generowanym przez agentów jest prosty: instrukcja użytkownika może uruchamiać wymiany danych, których użytkownik nigdy nie widzi. Widoczna odpowiedź daje niepełny obraz aktywności sieciowej potrzebnej do jej uzyskania.
W przypadku zautomatyzowanych przepływów pracy właściwą jednostką popytu jest wykonane zadanie i wspierające je wymiany danych.
Rozważmy przykładowego asystenta badawczego porównującego dokumenty i przygotowującego brief. Może on pobrać materiały źródłowe, poprosić model o analizę, sprawdzić kolejne źródło i poprawić odpowiedź. Końcowy brief może być krótki, nawet jeśli proces pomocniczy obejmuje znaczną wymianę informacji.
Przykład ten opisuje możliwy przepływ pracy, a nie zmierzone wdrożenie. Jego znaczenie polega na rozdzieleniu ilości treści wyświetlanej użytkownikowi od aktywności stojącej za tym wynikiem.
Wnioskowanie, czyli uruchamianie wytrenowanego modelu w celu wygenerowania wyniku, staje się częścią tego łańcucha. Miejsce wykonywania wnioskowania określa, które połączenia przenoszą żądania, informacje pomocnicze i odpowiedzi.
Badania Cisco dotyczące sieci AI dostarczają dowodów na ten mechanizm. Testy wykazały, że agenci mogą generować nawet o 450% więcej całkowitego ruchu na zadanie niż wykonanie sterowane przez człowieka.
Wynik ten uzasadnia zwrócenie uwagi na zautomatyzowane przepływy pracy, ale określenie „nawet” ogranicza wnioski, które mogą wyciągnąć czytelnicy. Nie jest to uniwersalny mnożnik dla każdego asystenta, aplikacji ani organizacji. Projekt zadania i implementacja pozostają kluczowe.
Porównanie pokazuje też, dlaczego samo użycie tokenów nie może rozstrzygnąć planowania sieci. Tokeny to jednostki tekstu lub innych treści przetwarzanych przez model. Opisują aktywność modelu, podczas gdy przepływ pracy może również pobierać pliki, wymieniać wyniki narzędzi lub przesyłać pomocnicze multimedia.
Zespół tworzący aplikację potrzebuje więc widoczności całej ścieżki. W przeciwnym razie może przypisać opóźnienia modelowi, podczas gdy analizy wymaga inna usługa lub połączenie.
Kontekst, czyli informacje dostarczane, aby ukierunkować odpowiedź modelu, tworzy kolejną decyzję projektową. Większa ilość materiału pomocniczego może ułatwić realizację zadania, ale niepotrzebny transfer może zwiększać obciążenie bez poprawy wyniku.
Dla pracowników wiedzy łączy to planowanie infrastruktury z organizacją informacji. Dobrze utrzymywana baza wiedzy AI może wspierać jaśniejsze decyzje o tym, co asystent powinien pobierać.
To powiązanie nie dowodzi, że konkretne narzędzie do zarządzania wiedzą ogranicza ruch sieciowy. Wskazuje ono na pytanie na poziomie aplikacji: które informacje muszą być przesyłane, a które materiały są nieistotne dla zadania?
Deweloperzy napotykają ten sam problem przy ocenie ponownych prób i powtarzających się żądań. Przepływ pracy, który wielokrotnie prosi o podobne informacje, zasługuje na zbadanie, zanim jego ruch zostanie uznany za nieunikniony popyt.
Strona fizyczna przedstawia powiązany, lecz odrębny problem. Maszyna może generować informacje, ponieważ jej otoczenie stale się zmienia, a nie dlatego, że człowiek przesyła kolejne żądanie.
Tutaj przydatny projekt aplikacji musi określać, co wymaga zdalnej analizy, a co można obsłużyć lokalnie. Przesyłanie mniejszej ilości informacji jest korzystne tylko wtedy, gdy aplikacja nadal spełnia swoje wymagania operacyjne.
Żadna z tych kategorii nie uzasadnia prostego twierdzenia, że automatyzacja zawsze marnuje przepustowość. Dodatkowa wymiana danych może towarzyszyć wartościowej pracy. Pytanie planistyczne brzmi, czy wynikający z niej ruch jest konieczny, dobrze rozumiany i wspierany przez odpowiednią łączność.
Dlatego prognozowany wzrost zasługuje na uwagę wykraczającą poza działy telekomunikacyjne. Decyzje produktowe określają zachowanie przepływów pracy, a ono z kolei determinuje popyt, który sieci muszą ostatecznie obsłużyć.
Przetwarzanie bliżej użytkowników ma warunkowe uzasadnienie biznesowe
Nokia oczekuje, że część przetwarzania AI stanie się bardziej rozproszona. Edge computing oznacza przetwarzanie bliżej użytkowników lub urządzeń, natomiast infrastruktura sieci metropolitalnych stanowi kolejną możliwą lokalizację między połączeniami dostępowymi a odległymi usługami chmurowymi.
Firma prognozuje, że infrastruktura edge i metropolitalna obsłuży 36% ruchu natywnego dla AI do 2035 roku. Oczekuje również, że większość ruchu AI pozostanie w centralnej chmurze.
Decyzja inwestycyjna dotyczy tego, gdzie powinno działać każde obciążenie, a odpowiedź kształtują wydajność, złożoność operacyjna i wymagania dotyczące danych.
To wybór architektoniczny, a nie uniwersalny harmonogram migracji. Przeniesienie obciążenia bliżej zmienia miejsce, w którym zasoby obliczeniowe muszą być instalowane, utrzymywane, zabezpieczane i aktualizowane.
Dla przedsiębiorstwa bliskość może brzmieć atrakcyjnie, zanim wymagania aplikacji zostaną jasno określone. Lokalny obiekt ma niewielką wartość, jeśli istotne opóźnienie powstaje gdzie indziej w przepływie pracy.
Cisco przedstawia użyteczne, sceptyczne porównanie. Jego badanie wskazuje, że przetwarzanie modelu obecnie dominuje w całkowitym opóźnieniu inferencji w analizowanych obciążeniach. Firma twierdzi, że samo opóźnienie sieciowe nie uzasadnia jeszcze szerokich zmian architektonicznych w kierunku inferencji edge.
To ustalenie nie podważa długoterminowej prognozy Nokii. Firmy odnoszą się do różnych horyzontów czasowych i pytań. Obserwacja Cisco dotyczy bieżącej wydajności, podczas gdy Nokia modeluje rozwój przyszłych aplikacji i wyborów wdrożeniowych.
Porównanie podważa jednak skrót myślowy obecny w marketingu infrastruktury. Aplikacja wykorzystująca AI nie wymaga automatycznie pobliskich zasobów obliczeniowych, a pobliskie zasoby obliczeniowe nie poprawiają automatycznie wyniku, na którym zależy użytkownikom.
Kupujący musi zidentyfikować rzeczywiste wymaganie. Czy aplikacja czeka na transfer informacji, zdalne przetwarzanie, inny system biznesowy czy zatwierdzenie przez człowieka? Każda odpowiedź wskazuje na inną interwencję.
Suwerenność danych, czyli wymagania regulujące miejsce przechowywania lub przetwarzania danych, może również wpływać na ich lokalizację. Takie wymagania zasługują na odrębne traktowanie od wydajności, ponieważ ograniczenie zgodności może obowiązywać nawet wtedy, gdy odległa usługa działa wystarczająco dobrze.
Odporność operacyjna dodaje kolejną kwestię. Aplikacja rozproszona wymaga wyraźnych decyzji dotyczących tego, co dzieje się, gdy lokalizacja traci dostęp do usług wspierających. Bliskość geograficzna sama w sobie nie odpowiada na to pytanie.
Dla deweloperów rozsądna architektura zaczyna się od zależności aplikacji. Przeniesienie inferencji bliżej przy pozostawieniu kluczowych narzędzi gdzie indziej może zachować znaczną część pierwotnej zależności od zdalnych połączeń.
Nabywcy korporacyjni powinni również sprawdzić, kto obsługuje każdy komponent. Odpowiedzialność za aktualizacje, monitorowanie, kontrolę dostępu i reagowanie na incydenty musi pozostać jasna, gdy aplikacja obejmuje wiele lokalizacji.
Te kwestie czynią prognozę bardziej użyteczną, gdy traktuje się ją jako problem dystrybucji. Różne obciążenia mogą uzasadniać różne lokalizacje, a ta sama organizacja może stosować kilka podejść.
Centralne usługi chmurowe pozostają istotne tam, gdzie współdzielone zasoby i scentralizowane działania pasują do aplikacji. Przetwarzanie blisko użytkownika zasługuje na rozważenie tam, gdzie potwierdzone wymaganie je uzasadnia.
Najsilniejsze uzasadnienie biznesowe łączy lokalizację z mierzalnym rezultatem. Wdrożenie powinno pokazać, dlaczego wybrana lokalizacja poprawia wydajność, spełnia wymaganie dotyczące danych lub wspiera niezawodne działanie.
Bez tego powiązania organizacja ryzykuje zakup etykiety architektonicznej. Długoterminowa zmiana przewidywana przez Nokię będzie zależeć od praktycznych decyzji wdrożeniowych, których wartość można wykazać na poziomie aplikacji.
Założenia prognozy są ważniejsze niż jej precyzja
Długoterminowe prognozy pomagają organizacjom się przygotować, ale ich pozorna precyzja liczbowa może przesłaniać niepewność. Adopcja, projekt aplikacji, przetwarzanie lokalne i ekonomika usług wpływają na drogę między wyłaniającą się kategorią a globalną wartością całkowitą.
Najlepsze odczytanie prognozy Nokii zachowuje jej założenia i unika przekształcania przewidywanego popytu w gwarantowane wydatki na sprzęt.
Zacznijmy od mnożników wzrostu. Mała kategoria może szybko rosnąć, choć jej ostateczny udział nadal zależy od adopcji. Sam mnożnik nie pokazuje, którzy użytkownicy się pojawią, co będą robić ani gdzie będzie przepływał ich ruch.
Znaczenie mają również wybory wdrożeniowe. Przepływ pracy działający głównie na urządzeniu ma inne konsekwencje sieciowe niż porównywalna usługa opierająca się na zdalnej wymianie danych. Prognoza musi przyjmować założenia dotyczące rozwoju tych wyborów.
Efektywność wprowadza kolejną niepewność. Deweloperzy mogą zmieniać ilość informacji wysyłanych przez aplikację dla danego zadania. Mogą też rozszerzać zakres działań aplikacji, tworząc dodatkowy popyt mimo usprawnień pojedynczych operacji.
Wynikająca z tego równowaga jest kwestią empiryczną. Nie można jej rozstrzygnąć, zakładając, że efektywność eliminuje wzrost albo że każde usprawnienie koniecznie generuje większy ruch.
Klasyfikacja tworzy odrębne wyzwanie. Definicja Nokii obejmuje przyrostowy ruch konsumencki, na który wpływają rekomendacje AI. Oszacowanie tego przyrostu wymaga kontrfaktycznej oceny aktywności, która w przeciwnym razie miałaby miejsce.
Czytelnicy powinni zatem odróżniać kategorie, które można obserwować bezpośrednio, od kategorii wymagających modelowania zachowań. Obie mogą wspierać planowanie, ale dostarczają różnych rodzajów dowodów.
Porównania między dostawcami wymagają podobnej dyscypliny. Cisco prognozuje, że inferencja AI będzie stanowić jedną czwartą ruchu sieciowego do 2035 roku. Liczby tej nie należy przedstawiać jako bezpośredniego zaprzeczenia szerszego udziału ruchu napędzanego AI według Nokii.
Ruch inferencyjny i ruch napędzany AI opisują różne zakresy. Znaczące porównanie wymagałoby dopasowania uwzględnionych aplikacji, granic sieci i metod liczenia przed interpretacją różnicy.
Na uwagę zasługują również zachęty komercyjne. Nokia, Cisco i Ericsson sprzedają infrastrukturę korzystającą na inwestycjach sieciowych. Ich badania mogą zawierać wartościowe dowody, jednocześnie realizując cele biznesowe.
Nie uzasadnia to odrzucania ich ustaleń. Uzasadnia pytanie o przejrzyste metody, pomiary terenowe i wyniki klientów obok prognoz dostawców.
Dostępne dowody nie potwierdzają też ogólnego załamania gotowości sieci. Presja może być nierównomierna, a ograniczenia mogą pojawiać się w konkretnych lokalizacjach lub zastosowaniach, a nie wszędzie jednocześnie.
Globalna wartość całkowita sama w sobie nie może wskazać tych lokalizacji. Operatorzy potrzebują lokalnych dowodów, zanim przełożą światową trajektorię na indywidualne decyzje budowlane lub zakupowe.
Dla nabywców korporacyjnych praktyczne ryzyko działa w obu kierunkach. Niedoszacowanie łączności może sprawić, że aplikacja nie spełni oczekiwań. Przeszacowanie jej wymagań może zablokować zasoby, zanim popyt lub wartość operacyjna staną się jasne.
Prognoza ruchu AI Nokii jest najbardziej użyteczna jako ustrukturyzowany scenariusz planowania. Wskazuje założenia, które zasługują na testowanie, pozostawiając przestrzeń na zmianę zachowania aplikacji i wyborów wdrożeniowych.
Takie podejście zachowuje właściwe proporcje wiadomości. Raport wzmacnia argument za mierzeniem obciążeń AI, podczas gdy termin i skala konkretnych inwestycji pozostają decyzjami wymagającymi bliższych dowodów.
Trzy sygnały do obserwowania do początku 2027 roku
Najbliższe miesiące nie zweryfikują prognozy kończącej się w 2035 roku. Mogą jednak dostarczyć dowodów na to, czy jej podstawowe mechanizmy pojawiają się w sieciach komercyjnych i wdrożeniach przedsiębiorstw.
Krótkoterminowa obserwacja powinna koncentrować się na zmierzonym zachowaniu ruchu, adopcji przez klientów i ekonomice wdrożeń — w tej kolejności.
Pierwszym sygnałem są ujawnienia operatorów dotyczące zapotrzebowania na wysyłanie danych w rozpoznawalnych wdrożeniach AI. Użyteczne dowody łączyłyby wzorce ruchu z konkretnymi aplikacjami i odróżniały je od zwykłego wzrostu ruchu szerokopasmowego.
Pomiary pokazujące utrzymujące się ograniczenia po stronie wysyłania danych wzmocniłyby argument, że istniejące założenia planistyczne wymagają korekty. Raporty o wystarczającym zapasie przepustowości wspierałyby bardziej selektywną odpowiedź inwestycyjną.
Kontekst ma równie duże znaczenie jak wynik. Czytelnicy powinni zwracać uwagę na środowisko wdrożenia, okres pomiaru, zachowanie aplikacji i warunki sieciowe. Pojedynczy wskaźnik wydajności oferuje ograniczone wskazówki bez tych szczegółów.
Drugim sygnałem jest trwałe komercyjne wykorzystanie agentów i podłączonych maszyn. Testy mogą ujawnić wymagania techniczne, lecz powtarzalna eksploatacja dostarcza silniejszych dowodów na to, czy te wymagania przekładają się na trwały popyt.
Najbardziej informacyjne ujawnienia opisywałyby aktywne użycie, zrealizowane zadania, lokalizacje operacyjne i ekspansję klientów. Ogłoszenia, które jedynie dodają terminologię AI, są mniej pomocne w ocenie prognoz ruchu.
Dalsze wdrożenia wspierałyby tezę Nokii o popycie. Powolna adopcja, porzucone przepływy pracy lub aplikacje wykonujące więcej zadań lokalnie osłabiłyby założenia zależne od rosnącej wymiany zdalnej.
Trzecim sygnałem są dowody uzasadniające lokalizację przetwarzania. Klienci i dostawcy powinni wyjaśniać, dlaczego dane obciążenie należy do centralnej chmury, obiektu metropolitalnego, pobliskiej lokalizacji lub urządzenia.
Wyniki porównawcze pokazujące korzyść dla aplikacji wzmocniłyby argument za przetwarzaniem rozproszonym. Wyniki zdominowane przez wykonywanie modelu lub inne zdalne zależności wspierałyby ostrożniejszą odpowiedź architektoniczną.
Ekonomika eksploatacji powinna towarzyszyć wydajności w takich porównaniach. Technicznie udane wdrożenie nadal wymaga trwałego modelu utrzymania sprzętu, oprogramowania, bezpieczeństwa i wsparcia usługowego.
Inwestorzy powinni unikać traktowania ogólnego popytu na AI jako dowodu przyszłych wyników konkretnego dostawcy. Operatorzy powinni łączyć plany rozbudowy z rzeczywistymi warunkami sieciowymi. Nabywcy korporacyjni powinni wymagać zobowiązań powiązanych z wynikami aplikacji.
W nadchodzących miesiącach czytaj prognozę ruchu AI Nokii wraz z dowodami z sieci i aplikacji, od których zależysz. Poproś dostawców o wyjaśnienie, gdzie przemieszczają się dane, które połączenie ogranicza wydajność i co zmienia się przy trwałym użytkowaniu. Zachowaj te założenia wraz z dokumentacją wdrożenia, a następnie porównuj je z obserwowanym zachowaniem wraz ze wzrostem adopcji. Dla zespołów wiedzy oznacza to dokumentowanie wyborów dotyczących wyszukiwania i przetwarzania obok jakości modelu. Dla operatorów oznacza to oddzielenie wzrostu domowego ruchu szerokopasmowego od wyłaniających się obciążeń maszynowych. Przed rozszerzeniem wdrożenia AI: czy Twój zespół potrafi zidentyfikować ruch, który ono generuje, oraz wymaganie usługowe, które ten ruch musi spełnić?
