Genererende AI kan ændre verden – men kun hvis data-infrastrukturen følger med

Trods den omtale, der omgiver Generative AI, har de fleste brancher eksperter endnu ikke besvaret en væsentlig spørgsmål: Er der en infrastrukturplatform, der kan understøtte denne teknologi på længere sigt, og hvis ja, vil den være tilstrækkeligt bæredygtig til at understøtte de revolutionerende innovationer, som Generative AI lover?

Genererende AI-værktøjer har allerede opbygget en vis rygte, med deres evne til at skrive vel-sammensatte tekster med et klik på en knap – opgaver, der ellers ville kræve timer, dage, uger eller måneder for at gennemføre manuelt.

Det er godt og vel, men i mangelen på den rette infrastruktur, har disse værktøjer simpelthen ikke skalerbarheden til virkelig at ændre verden. Snart forventes at overgå $76 milliarder, Genererende-AI’s astronomiske driftsomkostninger er et bevis på dette faktum allerede, men der er yderligere faktorer på spil.

Virksomhederne skal fokusere på at oprette og forbinde de rette værktøjer til at udnytte det på en bæredygtig måde og skal investere i en centraliseret data-infrastruktur, der gør alle relevante data ubesværet tilgængelige for deres LLM uden dedikerede rørledninger. Med strategisk implementering af de rette værktøjer, vil de være i stand til at levere den forretningsværdi, de søger, på trods af kapacitetsbegrænsningerne, som datacenterne i øjeblikket påligger – først da vil AI-revolutionen virkelig fremrykke.

En velkendt mønster

Ifølge en ny rapport fra Capgemini Research Institute, 74% af chefer mener, at fordelene ved genererende AI overvælder bekymringerne. En sådan konsensus har allerede udløst høje adoptionsrater blandt virksomheder – omkring 70% af organisationerne i Asien-Stillehavsområdet har enten udtrykt deres intentioner om at investere i disse teknologier eller har begyndt at udforske praktiske anvendelsesmuligheder.

Men verden har været på denne vej før. Tag internettet som eksempel, som gradvist tiltrak mere og mere opmærksomhed, før det overgik forventningerne via en mængde bemærkelsesværdige anvendelser. Men på trods af dets imponerende evner, tog det først virkelig af, da dets anvendelser begyndte at levere konkrete værdi til virksomheder i stor målestok.

At se beyond ChatGPT

AI falder i en lignende cyklus. Virksomheder har hurtigt accepteret teknologien, med en estimeret 93% af virksomheder allerede engageret i flere AI/ML-anvendelsesstudier. Men uanset den høje adoptionsrate, kæmper mange virksomheder stadig med implementeringen – et tydeligt tegn på, at data-infrastrukturen ikke er kompatibel.

Med den rette infrastruktur kan virksomheder se beyond overfladens niveau af Genererende AI’s forlokkende evner og udnytte dens sande potentiale til at transformere deres forretningslandskaber.

Sandt enough, Genererende-AI kan hjælpe med at skrive en kort besked hurtigt og i de fleste tilfælde ret effektivt, men dens potentiale går langt beyond det. Fra potentiel lægemiddelforskning til sundhedsbehandling til forsyningskædeoptimering, intet af disse gennembrud er muligt, hvis datacenterne, der understøtter og driver AI-anvendelserne, ikke er robuste nok til at håndtere deres arbejdsmængder.

At overvinde barrieren til skalerbarhed

Genererende AI har endnu ikke leveret væsentlig værdi til virksomheder, fordi den mangler skalerbarhed. Dette skyldes, at datacenter har kapacitetsbegrænsninger – deres infrastruktur var ikke oprindeligt designet til at understøtte den massive udforskning, orkestrering og modeltilpasning, som Large Language Models (LLM) kræver for at køre multiple træningscykler effektivt.

At høste værdi fra Genererende AI afhænger derfor af, hvor godt en virksomhed udnytter sin egen data, hvilket kan forbedres gennem udvikling af en robust data-arkitektur. Dette kan opnås ved at forbinde strukturerede og ustrukturerede datakilder til LLM eller ved at øge gennemstrømningen af eksisterende hardware.

Det er afgørende, at virksomheder, der søger at træne deres LLM på organisationsdata, først kan konsolidere denne data på en samlet måde. Ellers vil data, der er efterladt i en silo-struktur, sandsynligvis generere bias i LLM’s læringskræfter.

Et understøttelsessystem

Genererende AI dukkede ikke op ud af den blå luft – det har været under udvikling i lang tid, og dets anvendelse og potentiale vil kun vokse i de kommende årtier. Men for nu, rammer dens forretningsanvendelser en væg, der ikke er skalerbar.

Realiteten er, at disse forskellige værktøjer kun er så stærke som den data-processings-infrastruktur, der understøtter dem. Det er derfor kritisk, at virksomhedsledere udnytter platforme, der kan processe de petabyte data, disse værktøjer har brug for for at levere på den værdi, de lover.