Boom umělé inteligence dosáhl rozhodujícího středního věku: Co podniky potřebují vědět

Střední škola nebyla nikdy nikdo nejlepší – ale všichni jsme museli projít jí, s růstovými bolestmi a vším, abychom dosáhli lepší, zralejší verze sami sebe.

Aktuální boom umělé inteligence vstupuje do své vlastní bouřlivé adolescence, něco, co odborníci nazývají špinavým středem mezi přijetím a zralostí. Počáteční hype již vyprchal a nyní se organizace zaměřují na to, aby umělá inteligence byla skutečně provozuschopná. Ale umělá inteligence dospívá v obtížné době. Předpovědi jsou všude možně, skepticismus je vysoký mezi podniky i spotřebiteli a hovor o expandujícím AI bublině má lídry podniků na hraně, čekající na obávaný pop.

V tomto rozhodujícím okamžiku musí organizace rozlišit signál od hluku – zda se jejich úsilí přesouvá z experimentování k praktické aplikaci, nebo zda se praktická aplikace měří na operační všudypřítomnost. To vyžaduje soustředění se na hmotné faktory, které mohou ovlivnit, jako je jejich infrastruktura a připravenost dat; měření výsledků; a budování základny pro měřítko.

Infrastruktura-first přístup

Skutečná připravenost umělé inteligence vyžaduje odpovídající infrastrukturu pro udržitelné nasazení AI zátěží. Přirozeně, umělá inteligence zvýšila poptávku po cloudových službách: cloudové výdaje se očekává, že zvýší o 40% tento rok, s infrastrukturou tvořící nejdražší položku v rozpočtu, a nové datové centrum se objevují na každém kontinentu, aby uspokojily rostoucí poptávku po AI výpočetním výkonu. V tomto AI inflexním bodě jsou rozhodnutí o infrastruktuře existenční. Infrastruktura definuje, co je bezpečné, co je možné a co bude skutečně prospěšné pro podnik, místo aby vytvářela odtok zdrojů.

Udržitelná infrastruktura je definována více než jen náklady a celkovým výpočetním výkonem. Při určování, kde a jak hostit své AI zátěže, musí organizace brát v úvahu otázky efektivity zdrojů, bezpečnosti, viditelnosti a celkové ceny za výkon. Infrastruktura umělé inteligence nemůže být jednorázovou investicí, ale procesem v pohybu, schopným evoluce s požadavky každého projektu.

To je ostrý odchod od historických přístupů k cloudovým výdajům. Před současným AI boomem se organizace často spoléhaly na jediného poskytovatele cloudových služeb – typicky hyperscalera – pro hostování svých cloudových operací. Nyní je komplexita a rozmanitost AI zátěží tento model zpochybňující, zejména když podniky přecházejí k více praktickým případům použití a alternativním cloudům, které vznikají, aby uspokojily poptávku.

Moderní AI iniciativy vyžadují značný výpočetní výkon, který jsou velcí tři dobře vybaveni poskytnout. Praskliny začínají být vidět, když veškerá tato síla se stává příliš velkou. Hyperscalerní smlouvy mohou být nákladné, nafouknuté zbytečnými doplňky a nemusí nabízet požadovanou bezpečnost dat a rezidenci pro vysoce citlivé projekty.

Místo toho, aby svázaly své cloudové operace s jediným dodavatelem, mohou podniky využít rostoucí třídu alternativ, aby složily své vlastní zásobníky napříč různými poskytovateli, typy GPU a veřejnými/privátními cloudovými nastaveními na základě svých specifických potřeb. Tímto způsobem neplatí za funkce, které nepotřebují, a zároveň přizpůsobují své cloudy tomu, co potřebují.

Infrastruktura-first přístup k dosažení AI zralosti spočívá v vytváření stabilní základny pro měřítko, která maximalizuje efektivitu a užitnost bez obětování výkonu.

Od experimentování k aplikaci

V posledních letech podniky po celém světě experimentovaly s tím, jak zapojit umělou inteligenci do svých operací. Vedeny zvědavostí a nemalou dávkou hype, tlačily hranice inovace, odemkly nové možnosti efektivity a zvýšily potenciál mnoha open-source nástrojů a modelů. Také však narazily na realitu, naučily se, že filozofie „pohybujte se rychle a lámejte věci“ z Údolí krystalu není vždy cestou, zvláště když jde o technologii tak mocnou jako umělá inteligence.

Nyní, když podniky vystupují z této experimentální fáze, selhání není možnost. Přesnost je kritická. Výkon nemůže zaostávat. Pokud podniky budou yeniden budovat své základní obchodní funkce na AI rámci, musí se soustředit na „nudné“ části, které berou umělou inteligenci z kreativního experimentu na násobitel síly, včetně:

• Bezpečnost a soukromí dat: Mnohé AI modely používají citlivé osobní a obchodní údaje k efektivnímu provozu. Organizace potřebují jistotu, že jejich data jsou hostována bezpečně, bez rizika neoprávněné replikace nebo „temné AI“ expozice.
• Správa životního cyklu modelu: Modely musí být přesné, aktuální a pravidelně přeškolovány, aby podporovaly kritické obchodní funkce.
• Konzistence výkonu: Bez ohledu na to, zda se modely nasazují pro interní použití nebo ve zákaznicky orientovaných operacích, zajištění konzistentního výkonu je kritické pro efektivitu a snadnost použití. Mnohé běžné problémy s výkonem, jako jsou ty související s latencí a výpadkem, se řeší na úrovni infrastruktury.

Právě teď pouze 37% organizací nasazuje nové generativní modely na měsíční, týdenní nebo denní bázi. Jakmile více organizací přechází do fáze aplikace, tento procentní podíl se dramaticky zvýší, vytváří větší poptávku po výpočetním výkonu – ale také infrastruktuře přizpůsobené konkrétním modelům. „Lehký“ model nemusí potřebovat hyperscalerní základnu, ale pokud používá citlivé informace, může potřebovat tuto úroveň zabezpečení. To je místo, kde vstupují na scénu přizpůsobené cloudy – a proč by infrastruktura měla být primárním úvahám během podnikového AI posunu.

Od aplikace k měřítku

Pro podniky, které jsou dále podél zralostní křivky, praktická aplikace umělé inteligence je již součástí jejich denního chodu. Nyní se snaží měřítkovat tyto aplikace, aby vytvořily ještě větší hodnotu a plně vyvinuly své podnikání.

Tlak je na nich, a výhody jsou zřejmé: 81% organizací na nejvyšší úrovni AI zralosti hlásilo lepší finanční výsledky v loňském roce. To je fáze, ve které AI aplikace podstupují největší stresový test. Mohou projít sniff testem v izolovaném prostředí, ale mohou zpracovat více dat? Funkcí v nových regionech? A možná nejdůležitější otázka: mohou plynout smysluplné výsledky?

Měřítko je o růstu, ale v některých případech je méně více. Podniky v této fázi by měly zvážit, zda cílené malé jazykové modely (SLM) mohou fungovat lépe než všestranné velké jazykové modely (LLM). AI iniciativy jsou nejúspěšnější, když jsou vázané na skutečné obchodní problémy a mohou plynout měřitelné výsledky.

Inovace s dopadem

AI „závod“ je méně závodem než rekonstrukcí: pokud jsme přestavujeme podnik, chceme to udělat na pevném základě – jinak se zdi nevyhnutelně zhroutí. Podniky musí mít čas být uvážlivé o infrastruktuře, zajistit bezpečnost dat, pečlivě spravovat životní cyklus modelu, monitorovat výkon, shromažďovat informace a upravovat. Trpělivost a vytrvalost jsou klíčem k vytváření řešení, která skutečně fungují, zůstávají zabezpečená a fungují konzistentně.

Novinka AI hype cyklu může být vypršená, ale organizace mohou projít AI bumpy střední roky, energizující své týmy tím, co je nejdůležitější: výsledky.