التوقعات المتغيرة للسحابة

نمط رأيته من قبل

كنت أعمل بشكل محترف عندما أصبحت السحابة شيءًا حقيقيًا. من تلك النقطة رأيت تبنيها الأولي: الحماس، المرونة، الشعور بأن كل شيء سيتحرك بشكل أسرع. أدى ذلك إلى تبني كبير، حيث كان كل حمولة مرشحًا وكل مورد لديه قصة سحابية.

然而، التبني كان فقط نصف ما شاهدته. ثم رأيت الجانب الآخر: إعادة التوطين. شركات تنقل حمولات محددة مرة أخرى، وتسأل عما إذا كانت كل تطبيق تحتاج حقًا إلى مرونة السحابة. حدث ذلك التحرك لسبب ما. مع التغييرات الاقتصادية وتنضج الحمولات، توقفت افتراضات التي جعلت السحابة الخيار الواضح لكل شيء عن العمل بمجرد أن بدأت المنظمات في فحصها على نطاق واسع.

بعد أن عشت الجزء الكامل مرة واحدة، أتعرف على شكله عندما يبدأ في التكوين مرة أخرى. الآن، أثناء مساعدة الشركات على فرز ما يجب أن تفعله الذكاء الاصطناعي في بيئاتها، يبدو نمط التبني الكبير / إعادة التوطين يتشكل مرة أخرى.

تصحيح السحابة

لمعرفة لماذا يهم الشبه، يساعد البدء بما حدث للسحابة، بمفردها. الانتقال إلى السحابة كان منطقيًا. إنه يزيل الاحتكاك، يعطي المنظمات مرونة وسرعة، ويجعل المعنى للحمولات التي كانت غير مؤكدة أو سريعة التغيير. كان منطقيًا بسبب النوع المحدد من العمل الذي تم بناؤه من أجله. أصبحت فرق DevOps سحابية أولاً لأن السحابة تم بناؤها للعمل الذي يتم إعادة تشكله أو المتغير أو الصعب التنبؤ به.

لكن الشيء الذي كانوا يبنون من أجله لم يبق ثابتًا. السحابة لم تتغير، لكن الحمولات تغيرت. مع نمو العمليات وتصبح قابلة للتنبؤ، أصبحت المنظمات على دراية بالتكاليف حول استعادة بياناتها. رسوم الخروج، تكاليف التخزين، رسوم النقل: نفقات كانت سهلة الإهمال عندما كانت المرونة تستحق ذلك، وصعبة الإهمال بمجرد أن تثبت الحمولات.

في عام 2024، بعد سنوات من فرض رسوم على خروج البيانات، ألغت AWS و Azure و Google Cloud تلك الرسوم للعملاء الذين يهاجرون من منصاتهم، كما ذكرت DataCenterDynamics.

بمجرد أن أصبحت تلك التكاليف مرئية، توقفت الرياضيات عن العمل لمجموعة متزايدة من الحمولات. أصبحت الاقتصادات التي جعلت السحابة استراتيجية جيدة مع بعض العواقب سلبية غير قابلة للتطبيق اقتصاديًا لمجموعة متزايدة من الحمولات الموجهة بالذكاء الاصطناعي. حددت الشركات أقلامها وطلبت عما إذا كانت كل تطبيق تحتاج حقًا إلى ما توفره السحابة. عندما قاموا فعليًا بتشغيل الأرقام، كان الجواب، لمجموعة كبيرة من الحمولات، لا.

أصبحت تلك الإجابات المتراكمة تصحيحًا صنفته الصناعة بشكل خاطئ. أصبح ذلك التصحيح يسمى “إعادة توطين السحابة”، ويُوصف بشكل غير صحيح معظم الوقت. في الواقع، إنه نضج الحمولات: شركات ناضجة تتعلم مطابقة كل حمولة إلى نموذج البنية التحتية الذي يناسبها. يدعم البيانات القراءة الانتقائية بدلاً من القراءة الكاملة. وجدت IDC أن حوالي 80٪ من المنظمات تتوقع بعض إعادة التوطين خلال الـ 12 شهرًا القادمة، حتى مع أن أقل من 10٪ أعادوا توطين حمولات كاملة، وفقًا للتقرير في CIO.com.

عند قراءته بشكل صحيح، الاستنتاج ليس أن السحابة كانت خطأ. السحابة لا تزال قيمة، لكنها توقفت عن كونها عالمية. الحالة الناضجة هي الهجين: السحابة حيث كسبت مكانها، البنية التحتية المخصصة في كل مكان آخر.

منحنى تصحيح متشابه، تكنولوجيا مختلفة

تم الانتهاء من ذلك المنحنى الآن وتسميته. يبدو الشكل نفسه يتشكل مع الذكاء الاصطناعي. كل مورد، كل مؤتمر، كل مكالمة مبيعات حاليًا يتعلق بالذكاء الاصطناعي. التشبع متطابق مع ما شاهدته يحدث مع السحابة. الإنفاق تحت الضوضاء حقيقي: تتنبأ Gartner بإنفاق عالمي على الذكاء الاصطناعي التوليدي يبلغ 644 مليار دولار في عام 2025، بزيادة بنسبة 76.4٪ على أساس سنوي.

يشير التشبع نفسه إلى تصحيح قادم. أعتقد أن تصحيحًا مشابهًا قادم، ليس لأن الذكاء الاصطناعي سيئ، ولكن لأن نفس الديناميكية التي أنتجت إعادة توطين السحابة تنطبق هنا أيضًا. إنه قادم لأن المنظمات تدفع بجد إلى تيار العمل بالذكاء الاصطناعي دون معرفة دائمًا، داخل بيئاتها، كيف تنتهي القصة. الفجوة بين التبني والنضج قابلة للقياس: تجد McKinsey أن 88٪ من المنظمات الآن تقارن استخدام الذكاء الاصطناعي بانتظام في وظيفة واحدة على الأقل، ومع ذلك، فإن الغالبية لا تزال في مرحلة التجربة، وأقل من 39٪ تقارن تأثيرًا على الربحية على مستوى المؤسسة.

ادفع بجد دون استراتيجية، والتصحيح ليس محتملًا. يأتي التصحيح دائمًا. تدفع بجد دون استراتيجية، وينتج عن ذلك في النهاية تصحيح经济ي وواقع تشغيلي.

هناك بالفعل اسم للنمط التصحيحي، وليس لي. إعادة توطين الذكاء الاصطناعي، وهو عمل نقل مهام محددة من أنظمة الذكاء الاصطناعي الاحتمالية إلى تيار العمل التحديدي مرة أخرى عندما تصبح تلك المهام مستقرة ومتكررة، ليس مفهومًا اخترعته. إنه نمط أراه يتكشف.

ما يبدو عليه تصحيح الذكاء الاصطناعي

لمحاولة توقع التصحيح، يساعد وجود تعريفات واضحة للنوعين من تيار العمل المشارك.

تيار العمل التحديدي هو قائم على القواعد، قابل للتنبؤ، ومتكرر. نفس الإدخال ونفس القواعد تنتج نفس الإخراج، كل مرة. إنه سريع، إنه ثابت. يفعل بالضبط ما تم تصميمه لفعله، لا أكثر ولا أقل. تيار العمل الاحتمالي يستخدم الذكاء الاصطناعي أو الاستدلال القائم على النموذج لتحليل السياق وإنتاج إجابة محتملة. إنه مفيد عندما تتضمن العمليات الغموض، أو المعلومات غير المهيكلة، أو القرارات التي تتطلب أحكامًا حيث تفشل القواعد الثابتة وتحمل الاستدلالات الحمل.

مع تحديد التعريفات، الإجابة عن سؤال الوقت ت回答 نفسها. تيار العمل الاحتمالي غالبًا الأداة الصحيحة في البداية عندما لا يتم فهم العمليات بعد. يصبح مشكلة عندما تواصل الشركات استخدامها عندما يتم توضيح العمليات.

تيار العمل الملموس يجعل ذلك التمييز بين البداية والنهاية ملموسًا. جزء من ذلك تيار العمل يحتاج حقًا إلى الذكاء الاصطناعي. على سبيل المثال، تحديد الحساب الصحيح من نسخة تسجيل المكالمة يتطلب استدلالات لا يمكن أن يقوم بها نظام تحديدي. أجزاء أخرى، مثل إرفاق ملف إلى سجل أو نشر إشعار، هي مهام تحدية. قاعدة ثابتة، مكالمة API مباشرة، هي نفس الإخراج كل مرة.

الانجذاب هو تشغيل كل ذلك من خلال الذكاء الاصطناعي، وتحمل ذلك انجذاب عبئًا حقيقيًا ومتكررًا. بينما هناك انجذاب لتشغيل كل ذلك من خلال مكالمات مدعومة بالذكاء الاصطناعي، كل مكالمة مدعومة بالذكاء الاصطناعي تroduce تأخير وتحمل تكلفة استخدام وبتكلفة بنية تحتية. أنظمة الذكاء الاصطناعي تتطلب مراقبة وإدارة محفزات وحدود أمان، لأن النموذج الأساسي يتم تطويره باستمرار (و بطريقة غير متوقعة) من قبل مالكه. لا تعرف أبدًا متى سيتغير أداؤه؛ يمكن أن تختلف الإخراجات بطرق تسبب مشاكل حوكمة على نطاق واسع بسرعة.

عندما يلعب ذلك بعيدًا بما فيه الكفاية، يتحول ذلك العبء إلى نفايات نقية. فكر في شركة تستخدم الذكاء الاصطناعي لتحليل 50,000 تذكرة دعم. يحدد الذكاء الاصطناعي مسارات الحل الخمسة الأكثر شيوعًا. في البداية، يعالج الذكاء الاصطناعي التوجيه بشكل احتمالي: قراءة كل تذكرة وصنع حكم. مع مرور الوقت، توثق الشركة تلك الأنماط. مسارات الحل معروفة الآن. تحويلها إلى فروع تيار العمل التحديدي لا يزيل الذكاء الاصطناعي من العملية، ولكنه يزيل الممارسة الزائدة لدفع ثمن الذكاء الاصطناعي لإعادة اكتشاف إجابات معروفة الآن.

ذلك هو الضريبة الاحتمالية: التكلفة الإضافية والتأخير وعبء الحوكمة لتشغيل الذكاء الاصطناعي كوقت تشغيل للعمل الذي لا يحتاج بعد إلى استدلال احتمالي.

ما يبدو عليه نماذج التشغيل الناضجة

إذا كان تشغيل العمل المحلول على الذكاء الاصطناعي ضرائب، فإن الحركة الناضجة هي تقسيم العمل حسب النوع. أنتج نضج السحابة بنية تحتية هجينة، سحابة حيث كسبت مكانها، بنية تحتية مخصصة في كل مكان آخر. أتنبأ بنضج الذكاء الاصطناعي سيroduce عمليات هجينة بنفس المنطق.

ينتج ذلك التقسيم قاعدة تشغيل واضحة. الأنظمة الاحتمالية قيمة حيث يوجد غموض حقيقي. البشر غامضون. البيانات غير المهيكلة غامضة. العمليات التي لم يتم فهمها بعد غامضة. الاستدلال هو الأداة الصحيحة لجميع ذلك. النصف الآخر من القاعدة مهم بنفس القدر: الأنظمة التحديدي هي حيث يهم الحجم والتكلفة والسرعة والحوكمة. طبقة الاحتمالية تكتشف وتفسر. طبقة التحديدي تنفذ.

على أرض الواقع، يخبرك إشاران عن جانب تيار العمل المحدد:

1. إذا وجدت فريقك يعتمد على الذكاء الاصطناعي لشيء أصبح مستقرًا ومتكررًا ومدروسًا، فهذا مرشح لإعادة التوطين، لأنك تدفع ضرائب احتمالية على عمل تحديدي.
2. إذا وجدت رمزك التحديدي ممتلئًا بمعالجات استثناء وتفاوت، فهذا إشارة إلى أنك قد تحتاج حقًا إلى الذكاء الاصطناعي. مجموعة القواعد تحاول تقريب الاستدلال.

في الممارسة، يتم رسم ذلك الحد كعتبة ثقة. عتبة ثقة محددة، الالتزام بقرار عندما يكون النموذج فوق 90٪ متأكدًا، أو الفشل بفخر أقل منه، غالبًا ما يتم رسم ذلك الحد في الممارسة.

ما يغير ذلك هو ما يتطلب الفوز بالذكاء الاصطناعي. الشركات الأكثر نجاحًا في تبني الذكاء الاصطناعي لن تكون تلك التي تستخدمه الأكثر، ولكن تلك التي تعرف متى تستخدمه ومتى تکمله.