优化运营仍然是电信运营商面临的主要挑战。 Ovum的“ 2016/17 ICT企业见解”对全球近480位电信运营商高管的调查显示，提高运营效率的需求与增加收入的需求几乎一样重要。电信运营商需要在许多领域实现更有效的运营，例如市场营销，销售，客户服务，计费和网络运营。为了支持这些努力，电信运营商正在考虑使用AI技术来实现更高的自动化程度，优化业务流程以更好地为客户服务以及优化网络和流量管理。传统的机器学习已经落后了。人工智能是一个历史悠久的领域。它的功能在不断发展，最近已取得重大突破。如今，人工智能系统可以执行的任务可以等于或优于与人类智能有关的某些技术（例如图像和语音识别，决策和语言翻译）。这些功能可以通过机器学习（例如深度学习）中的几种技术来实现，并应用于自然语言处理等领域。尽管电信运营商（例如AT＆amp; T和Verizon）已经在使用AI /机器学习技术，但是厂商和电信运营商尚未充分发现该技术的最有影响力的优势。例如，AT＆amp; T一直在使用机器学习进行网络管理和呼叫中心自动化。在网络管理中，机器学习系统可以捕获数据，分析数据，识别异常情况并为工程师或其他服务人员生成故障单，以帮助他们解决问题。但是，早期采用并不一定那么复杂。在传统的机器学习方法中，程序员需要指定一个事件，以便机器学习算法可以识别该事件以做出决定（此过程称为特征提取）。这种方法将操作的准确性限制在程序员或网络团队的经验范围内。诸如导致网络故障的未知网络状况之类的挑战将被忽略，并且由此产生的次优网络状况可能会严重影响客户体验。在SDN（例如AT＆amp; T）上大量投资的电信运营商将需要有效的AI技术来预测已知和未知的系统故障，并在检测到的故障发生并影响客户服务质量之前立即采取措施。该功能的实现不需要可以实际执行AI技术功能的人为干预（以减少决策时间和“人为”错误的风险）。 DRL使AI得以进一步发展。深度学习有望克服传统机器学习方法带来的挑战，并代表当今机器学习的前沿技术。深度学习系统使用模拟人脑的工作方法的计算模型，因此它可以执行自主学习而无需人的“老师”学习。提取期望的特征，即运营商所指的网络特征。 DRL技术将深度学习与另一种称为强化学习（RL）的机器学习结合在一起。 RL是一种支持机器和软件代理在特定情况下自动确定理想行为以最大化性能的学习。华为等供应商将DRL在网络管理中的应用视为该技术的重要用例之一。由于物联网和其他新的数字服务产品的出现，连接终端的数量持续增加，并且视频等服务所产生的流量也有所增加。 Ovum预测，从2015年到2020年的五年中，电信运营商的移动网络和固定宽带网络的数据流量将以25％的复合年增长率增长。这个增长率意味着整个市场将增长到原来的三倍。在移动网络方面，这种发展将更加极端，因为预计总流量将增长7倍以上。随着电信运营商对SDN的投资，SDN控制器的自主学习能力将变得至关重要。由于电信运营商网络的更多部分处于SDN控制器的控制之下，因此它需要分析功能来支持它以适应任何网络情况并仍然保持较高的网络性能。 SDN控制器的操作需要具有前瞻性；根据当前和历史数据实时做出决策。一旦做出决定，就需要进行影响评估，以确保服务质量不受影响。此外，在做出有关网络状态的决策时，这些决策不应仅限于已知的网络故障，b