Είναι η Υποδομή σας Πραγματικά Έτοιμη για την Τεχνητή Νοημοσύνη;

Μέχρι τώρα, όλοι έχουν μια στρατηγική για την Τεχνητή Νοημοσύνη. Nhưng λίγες οργανώσεις έχουν την υποδομή για να την υποστηρίξουν πραγματικά.

Τον τελευταίο χρόνο, έχω μιλήσει με δεκάδες ηγέτες της Τεχνολογίας της Πληροφορίας που είναι υπό πραγματική πίεση για να παρέχουν εμπειρίες που βασίζονται στην Τεχνητή Νοημοσύνη. Αναμένεται να έχουν γρηγορότερα εργαλεία παραγωγικότητας, έξυπνη αυτοματοποίηση και έξυπνη διαχείριση τερματικών. Και αυτή η πίεση εκτείνεται πέρα από τους ανθρώπινους εργαζόμενους: οι οργανώσεις ζητούν τώρα να προβλέψουν και να διαχειριστούν παράγοντες Τεχνητής Νοημοσύνης που χρειάζονται τη δική τους υπολογιστική ισχύ, το δικό τους περιβάλλον επιφάνειας εργασίας και το δικό τους μοντέλο διακυβέρνησης.

Αφού έχω περάσει χρόνια βοηθώντας να χτιστεί το Windows 365 και το Azure Virtual Desktop στη Microsoft, έχω αναπτύξει μια σαφή εικόνα για το τι διακρίνει τις οργανώσεις που εφαρμόζουν με επιτυχία την Τεχνητή Νοημοσύνη από αυτές που σταματούν. Σχεδόν πάντα οφείλεται σε τρία πράγματα: την利用ποίηση του cloud, την ποιότητα των δεδομένων και την πειθαρχία του κόστους.

Χρησιμοποιείτε ό,τι ήδη Έχετε;

Η πρώτη ερώτηση που κάνω σε κάθε ηγέτη της Τεχνολογίας της Πληροφορίας είναι: πόσο καλά αξιοποιείτε τις ικανότητες του cloud που ήδη πληρώνετε;

Οι περισσότερες οργανώσεις, αν είναι ειλικρινείς, υποχρησιμοποιούν σημαντικά τα περιβάλλοντα cloud. Έχουν μεταφέρει τις εργασίες, αλλά η στάση lift-and-shift σημαίνει ότι τρέχουν παλιές τάσεις σε ένα σύγχρονο περιβάλλον και χάνουν τις λειτουργίες βελτίωσης που είναι ενσωματωμένες στην πλατφόρμα του παρόχου cloud.

Αυτό έχει τεράστια σημασία για την Τεχνητή Νοημοσύνη. Αυτές οι εργασίες είναι πλούσιες σε πόρους και δυναμικές. Ανεβαίνουν, κλιμακώνουν και χρειάζονται ελαστικότητα. Ένα περιβάλλον που δεν έχει βελτιστοποιηθεί για cloud-φιλική λειτουργία θα καταρρεύσει κάτω από αυτή τη ζήτηση ή θα σας κοστίσει πολύ περισσότερο από ό,τι είναι αναγκαίο όταν δεν το κάνει.

Πριν επενδύσετε σε νέες ικανότητες Τεχνητής Νοημοσύνης, ρίξτε μια σκληρή ματιά στο τρέχον περιβάλλον σας και ρωτήστε τον εαυτό σας αυτά τα ερωτήματα:

• Είναι οι εικονικές μηχανές σας σωστά διαστασιολογημένες ή τρέχετε υπερμεγέθεις περιπτώσεις;
• Είναι οι πολιτικές αυτόματης κλιμάκωσης πραγματικά ρυθμισμένες στα μοτίβα της φόρτωσης εργασιών σας ή ορίζονται και ξεχάστηκαν;
• Χρησιμοποιείτε κρατημένες περιπτώσεις και σχέδια αποταμίευσης ή προεπιλέγετε την τιμολόγηση κατά την demande σε όλα;

Οι παρόχοι cloud έχουν επενδύσει σε εργαλεία βελτίωσης. Χρησιμοποιήστε τα. Και αν το επίπεδο διαχείρισης σας δεν επιφέρνει αυτές τις ενημερώσεις, αυτό είναι ένα κενό που αξίζει να κλείσει πριν προχωρήσετε.

Τα Δεδομένα είναι η Βάση, και τα Δεδομένα των Περισσότερων Οργανισμών είναι Κατεστραμμένα

Ο δεύτερος και, ευθέως, πιο κρίσιμος παράγοντας ετοιμότητας είναι τα δεδομένα. Όχι η στρατηγική δεδομένων στο αφηρημένο. Η πραγματική κατάσταση των δεδομένων σας σήμερα.

Τα συστήματα Τεχνητής Νοημοσύνης είναι τόσο καλά όσο τα δεδομένα στα οποία εκπαιδεύονται ή λειτουργούν. Αυτό δεν είναι μια νέα εντύπωση, αλλά οι πρακτικές επιπτώσεις είναι ακόμα υποτιμημένες στις περισσότερες οργανώσεις Τεχνολογίας της Πληροφορίας. Όταν μιλάω για την ετοιμότητα δεδομένων για την Τεχνητή Νοημοσύνη, εννοώ τρεις συγκεκριμένες διαστάσεις: καθαρότητα, πληρότητα και εποχικότητα.

Η καθαρότητα σημαίνει ότι τα δεδομένα σας δεν έχουν διπλότυπα, ασυνεπότητες ή λάθη που θα διαβρώσουν τις εξόδους. Για τη διαχείριση τερματικών, αυτό μπορεί να σημαίνει εγγραφές χρηστών με ξεπερασμένα χαρακτηριστικά, προφίλ συσκευών που δεν έχουν ενημερωθεί σε μήνες ή ανάθεση πολιτικών που δεν αντανακλούν την τρέχουσα δομή οργανισμού.

Η πληρότητα σημαίνει ότι έχετε το πλάτος των σημάτων που χρειάζεται η Τεχνητή Νοημοσύνη για να κάνει σημαντικές εικασίες. Ένας μηχανισμός συστάσεων για την παράδοση εφαρμογών δεν είναι χρήσιμος αν τα περισσότερα δεδομένα τηλεμετρίας της συσκευής σας λείπουν. Ένα σύστημα ανίχνευσης ανωμαλιών δεν μπορεί να καθορίσει μια βάση αν τα δεδομένα καταγραφής έχουν κενά. Πριν από την ανάπτυξη δυνατοτήτων Τεχνητής Νοημοσύνης, χαρτογραφήστε τι δεδομένα έχετε σε σχέση με αυτά που απαιτεί μια δεδομένη ικανότητα.

Η εποχικότητα είναι η διάσταση που οι οργανώσεις υποτιμούν περισσότερο. Είναι για πραγματικό ή σχεδόν-πραγματικό χρόνο. Παλιά δεδομένα παράγουν παλιές εικασίες, και παλιές εικασίες μπορούν να είναι χειρότερες από καμία εικασία. Αν οι πipelines δεδομένων σας είναι σε μπατσάδες το βράδυ αυτό που πρέπει να ρέει συνεχώς, αυτό είναι ένα δομικό πρόβλημα που η Τεχνητή Νοημοσύνη δεν θα λύσει.

Η υγιεινή δεδομένων, η μετεξέλιξη των pipelines και η τηλεμετρία δεν κάνουν ενθουσιαστικές παρουσιάσεις στο διοικητικό συμβούλιο. Αλλά είναι η διαφορά μεταξύ δυνατοτήτων Τεχνητής Νοημοσύνης που λειτουργούν και δυνατοτήτων Τεχνητής Νοημοσύνης που εγκαταλείπονται τρεις μήνες μετά την εκκίνηση.

Ο Έλεγχος Κόστους Δεν είναι Ένας Υπερήφανος

Η τρίτη διάσταση της ετοιμότητας Τεχνητής Νοημοσύνης είναι οικονομική, και αξίζει περισσότερη προσοχή από ό,τι λαμβάνει στη φάση σχεδιασμού.

Οι εργασίες Τεχνητής Νοημοσύνης είναι ακριβές για να τρέξουν, είναι δύσκολο να προβλεφθούν και συχνά κλιμακώνουν γρηγορότερα από ό,τι τα προϋπολογισμένα. Έχω δει οργανώσεις να λαμβάνουν σημαντική αξία από πρώιμους πιλότους Τεχνητής Νοημοσύνης και στη συνέχεια να παρατηρούν τα κόστη να σπείρουν όταν αυτοί οι πιλότοι μεταφέρθηκαν σε παραγωγή, επειδή κανείς δεν είχε σχεδιάσει ένα μοντέλο διακυβέρνησης κόστους για να τους συνοδεύσει.

Αυτό είναι ιδιαίτερα αλήθεια σε περιβάλλοντα εικονικών επιφανειών εργασίας και διαχείρισης τερματικών, όπου οι δυνατότητες Τεχνητής Νοημοσύνης όπως η ευφυής διαχείριση συνεδρίων, η προβλεπτική κλιμάκωση και η αυτόματη διόρθωση μπορούν να παράγουν σημαντική ζήτηση υπολογισμού σε χιλιάδες συνεδρίες ταυτόχρονα.

Οι οργανώσεις που διαχειρίζονται αυτό καλά μοιράζονται μερικά χαρακτηριστικά:

Θεωρούν την αποδοτικότητα της υποδομής ως προαπαιτούμενο, όχι ως βελτίωση για να κάνουν αργότερα. Έχουν ήδη κάνει τη δουλειά της σωστής διαστασιολόγησης, της εξάλειψης του αποβράσματος και της καθιέρωσης των βασικών κόστους πριν από την άφιξη των εργασιών Τεχνητής Νοημοσύνης.

Χτίζουν την ορατότητα του κόστους στις λειτουργίες. Ξέρουν ποιο είναι το κόστος ανά χρήστη, ανά συνεδρία και ανά εργασία, το οποίο σημαίνει ότι μπορούν να ανιχνεύσουν όταν οι δυνατότητες Τεχνητής Νοημοσύνης οδηγούν σε απροσδόκητο δαπάνη αρκετά νωρίς για να διορθώσουν.

Και σημαντικά, έχουν επιλέξει ένα επίπεδο διαχείρισης που επιφέρνει σήματα κόστους προληπτικά, οπότε δεν μαθαίνουν για υπερβάσεις κόστους στο μηνιαίο λογαριασμό cloud, αλλά μέσω πραγματικών πινάκων που επιτρέπουν γρηγορότερες αποφάσεις.

Το Χάσμα είναι Κλειστό, αλλά Απαιτεί Ειλικρίνεια Πρώτα

Οι οργανώσεις για τις οποίες είμαι πιο αισιόδοξος είναι αυτές που είναι διατεθειμένες να ρίξουν μια ειλικρινή ματιά σε εκείνο που στέκονται.

Το χάσμα μεταξύ της φιλοδοξίας Τεχνητής Νοημοσύνης και της εκτέλεσης είναι πραγματικό, αλλά δεν είναι μόνιμο. Και ο επόμενος ορίζοντας είναι ήδη ορατός: καθώς η Τεχνητή Νοημοσύνη κινείται από πιλότο σε παραγωγή, η ερώτηση της ετοιμότητας υποδομής επεκτείνεται πέρα από τους ανθρώπινους χρήστες για να περιλαμβάνει τους ίδιους τους παράγοντες.

Αυτό σημαίνει έλεγχο της χρησιμοποίησης cloud πριν από την επέκτασή της και επένδυση στην ποιότητα δεδομένων πριν από την προσθήκη Τεχνητής Νοημοσύνης. Επίσης, σημαίνει ότι ο έλεγχος κόστους θεωρείται ως αρχιτεκτονικό ζήτημα, όχι πρόβλημα της ομάδας χρηματοοικονομικής.

Το χάσμα μεταξύ της φιλοδοξίας Τεχνητής Νοημοσύνης και της εκτέλεσης είναι πραγματικό, αλλά δεν είναι μόνιμο. Είναι ένα πρόβλημα μηχανικής και λειτουργικής, και αυτά είναι ακριβώς τα προβλήματα που η κοινότητα μας Τεχνολογίας της Πληροφορίας ευδοκιμεί στο να λύνει.