Η Αλλαγή Προγνώσης Στην Υπηρεσία Cloud

Ένα Πρότυπο που Έχω Δει Προηγουμένως

Εργαζόμουν επαγγελματικά όταν η υπηρεσία cloud έγινε ένα πράγμα. Από εκείνη τη σκοπιά είδα την αρχική υιοθέτηση: την ενθουσιασμό, την ευελιξία, την αίσθηση ότι όλα θα κινούνταν γρηγορότερα. Αυτό οδήγησε σε μαζική υιοθέτηση, όπου κάθε φόρτος εργασίας ήταν υποψήφιος και κάθε προμηθευτής είχε μια ιστορία cloud.

Η υιοθέτηση, όμως, ήταν μόνο το πρώτο μισό του τι είδα. Στη συνέχεια είδα την άλλη πλευρά: την επαναπατρισμό. Εταιρείες μετακινούσαν συγκεκριμένους φόρτους εργασίας πίσω, ρωτώντας αν κάθε εφαρμογή πραγματικά χρειαζόταν ευελιξία cloud. Αυτή η δεύτερη κίνηση συνέβη για έναν λόγο. Με οικονομικές μετατοπίσεις και ωριμότητα φόρτου εργασίας, οι υποθέσεις που έκαναν το cloud την προφανή επιλογή για όλα σταμάτησαν να ισχύουν όταν οι οργανισμοί άρχισαν να τις εξετάζουν σε κλίμακα.

Έχοντας ζήσει την πλήρη πορεία μια φορά, αναγνωρίζω το σχήμα της όταν αρχίζει να σχηματίζεται ξανά. Τώρα, καθώς βοηθώ εταιρείες να κατανοήσουν τι πρέπει πραγματικά να κάνει το AI στις περιβάλλξεις τους, το πρότυπο της μαζικής υιοθέτησης/επαναπατρισμού αρχίζει να μοιάζει οικείο.

Η Διόρθωση του Cloud

Για να δούμε γιατί η ομοιότητα έχει σημασία, βοηθά να αρχίσουμε με τι συνέβη πραγματικά στο cloud, με τους δικούς του όρους. Η μεταφορά στο cloud ήταν ρητή. Αφαιρέθηκε η τριβή, έδωσε στις οργανώσεις ευελιξία και ταχύτητα και είχε νόημα για φόρτους εργασίας που ήταν αβέβαιοι ή γρήγορα μεταβαλλόμενοι. Ήταν ρητή επειδή του ειδικού είδους εργασίας για το οποίο είχε κατασκευαστεί. Οι ομάδες DevOps πήγαν cloud-πρώτα επειδή το cloud είχε κατασκευαστεί για εργασία που είναι επαναληπτική, μεταβλητή ή δύσκολο να προβλεφθεί.

Αλλά το πράγμα για το οποίο χτίζανε δεν έμεινε ακίνητο. Το cloud δεν άλλαξε, αλλά οι φόρτοι εργασίας ναι. Όσο οι διαδικασίες ωρίμαζαν και γίνονταν προβλέψιμες, οι οργανισμοί έγιναν εξοικειωμένοι με τα έξοδα γύρω από την ανάκτηση των δικών τους δεδομένων. Χρεώσεις εξόδου, κόστη αποθήκευσης, χρεώσεις μεταφοράς: έξοδα που ήταν εύκολο να αγνοηθούν όταν η ευελιξία άξιζε, και δύσκολο να αγνοηθούν όταν οι φόρτοι εργασίας σταθεροποιήθηκαν. Το 2024, μετά από χρόνια χρεώσεων για έξοδο δεδομένων, το AWS, Azure και Google Cloud waived αυτές τις χρεώσεις για τους πελάτες που μετανάστευαν από τις πλατφόρμες τους, όπως ανέφερε το DataCenterDynamics.

Όταν αυτά τα έξοδα ήταν ορατά, τα μαθηματικά σταμάτησαν να λειτουργούν για einen αυξανόμενο μερίδιο του χαρτοφυλακίου. Οι οικονομικές που είχαν κάνει το cloud μια καλή στρατηγική με κάποια μειονεκτήματα έγιναν οικονομικά μη βιώσιμες για einen αυξανόμενο σύνολο φόρτων εργασίας προσανατολισμένων στο AI. Οι εταιρείες έτρεψαν τους μολύβδινους και ρώτησαν αν κάθε εφαρμογή πραγματικά χρειαζόταν αυτό που παρείχε το cloud. Όταν πραγματικά έτρεξαν τα νούμερα, η απάντηση, για πολλούς φόρτους εργασίας, ήταν όχι.

Αυτές οι συσσωρευμένες απαντήσεις έγιναν μια διόρθωση που η βιομηχανία έβαλε λάθος όνομα. Αυτή η διόρθωση ονομάστηκε “επαναπατρισμός cloud” και περιγράφεται λανθασμένα την περισσότερη ώρα. Είναι στην πραγματικότητα ωριμότητα φόρτου εργασίας: ώριμες εταιρείες που μαθαίνουν να ταιριάζουν κάθε φόρτο εργασίας με το μοντέλο υποδομής που ταιριάζει σε αυτό. Τα δεδομένα υποστηρίζουν την επιλεκτική ανάγνωση παρά την ολική. Το IDC βρήκε ότι περίπου το 80% των οργανισμών περιμένουν κάποια επαναπατρισμό τους επόμενους 12 μήνες, ακόμη και όταν λιγότερο από το 10% έχουν επαναπατρίσει ολόκληρους φόρτους εργασίας, σύμφωνα με αναφορά στο CIO.com.

Διαβάζοντας σωστά, το συμπέρασμα δεν είναι ότι το cloud ήταν ένα λάθος. Το cloud παραμένει πολύτιμο, αλλά σταμάτησε να είναι καθολικό. Η ώριμη κατάσταση είναι υβριδική: cloud όπου έχει κερδίσει τη θέση του, ιδιωτική ή αφιερωμένη υποδομή παντού αλλού.

Η Ίδια Καμπύλη Διόρθωσης, Διαφορετική Τεχνολογία

Αυτή η πορεία έχει ολοκληρωθεί και έχει etiquetted τώρα. Η ίδια μορφή αρχίζει να σχηματίζεται ξανά με το AI. Κάθε單ο προμηθευτής, κάθε συνέδριο, κάθε πώληση τηλεφώνου τώρα είναι για το AI. Η κορύφωση είναι идентична σε αυτή που είδα με το cloud. Η δαπάνη κάτω από το θόρυβο είναι πραγματική: το Gartner προβλέπει παγκόσμια δαπάνη για γενετικά AI του $644 δισεκατομμυρίου το 2025, αυξημένο κατά 76,4% σε σχέση με το προηγούμενο έτος.

Η ίδια κορύφωση υποδηλώνει την ερχόμενη διόρθωση. Πιστεύω ότι μια παρόμοια διόρθωση έρχεται, όχι επειδή το AI είναι κακό, αλλά επειδή η ίδια δυναμική που παρήγαγε τον επαναπατρισμό cloud εφαρμόζεται εδώ, επίσης. Είναι ερχόμενη επειδή οι οργανισμοί πιέζουν σκληρά στις ροές εργασίας που οδηγούνται από το AI χωρίς να γνωρίζουν πάντα, μέσα στις δικές τους περιβάλλξεις, πώς τελειώνει η ιστορία. Το χάσμα υιοθέτησης-ωριμότητας είναι μετρήσιμο: το McKinsey βρίσκει ότι το 88% των οργανισμών αναφέρουν κανονική χρήση του AI σε τουλάχιστον μια λειτουργία,然而 μόνο το 39% αναφέρουν επιπτώσεις EBIT σε επίπεδο επιχείρησης.

Πιέζοντας σκληρά χωρίς στρατηγική και η λύτρωση δεν είναι ένα μπορεί. Αυτή η διόρθωση έρχεται. Πάντα έρχεται. Πιέζοντας σκληρά χωρίς στρατηγική, και τελικά η οικονομική και η λειτουργική πραγματικότητα επιβάλλουν μια λύτρωση.

Υπάρχει ήδη ένα όνομα για το διορθωτικό πρότυπο, και δεν είναι δικό μου. Η επαναπατρισμός του AI, η πράξη της μετακίνησης συγκεκριμένων εργασιών από συστήματα AI που βασίζονται σε πιθανότητες και πίσω σε ροές εργασίας που βασίζονται σε determinisme, δεν είναι ένα concept που εφεύρα. Είναι ένα πρότυπο που παρακολουθώ να αναπτύσσεται. Δεν είμαι ο μόνος που το παρακολουθεί: το Gartner προβλέπει ότι περισσότερα από το 40% των projet του AI θα ακυρωθούν μέχρι το τέλος του 2027, αναφέροντας αυξανόμενες δαπάνες, ασαφείς επιχειρηματικές αξίες και ανεπαρκείς ελέγχους κινδύνου.

Τι Πρέπει Να Κάνει Η Διόρθωση του AI

Για να προβλέψουμε τη διόρθωση, βοηθά να έχουμε καθαρές ορισμοί για τους δύο τύπους ροών εργασίας που εμπλέκονται.

Μια ροή εργασίας που βασίζεται σε determinisme είναι βασισμένη σε κανόνες, προβλέψιμη και επαναληπτική. Η ίδια είσοδος και οι ίδιοι κανόνες παράγουν την ίδια έξοδο, κάθε φορά. Είναι γρήγορη, είναι σταθερή. Κάνει ακριβώς αυτό που έχει σχεδιαστεί να κάνει, τίποτα περισσότερο, τίποτα λιγότερο. Μια ροή εργασίας που βασίζεται σε πιθανότητες χρησιμοποιεί το AI ή τη λογική του μοντέλου για να ερμηνεύσει το контекスト και να παράγει μια πιθανή απάντηση. Είναι χρήσιμο όταν οι διαδικασίες εμπλέκονται με αμφιβολίες, μη δομημένα δεδομένα ή κρίσεις όπου οι σταθεροί κανόνες σπάζουν και οι εικασίες φέρνουν το φορτίο.

Με τους ορισμούς ρυθμισμένους, η χρονική ερώτηση απαντάει τον εαυτό της. Οι ροές εργασίας που βασίζονται σε πιθανότητες είναι συχνά το σωστό εργαλείο στην αρχή όταν οι διαδικασίες δεν έχουν ακόμη πλήρως κατανοηθεί. Γίνονται προβληματικές όταν οι εταιρείες συνεχίζουν να τις χρησιμοποιούν όταν οι διαδικασίες έχουν already κλαριφαιθεί.

Μια συγκεκριμένη ροή εργασίας κάνει αυτή τη διάκριση μεταξύ αρχικής και τελευταίας ορατής. Ένας μέρος της ροής εργασίας απαιτεί πραγματικά το AI. Η αναγνώριση του σωστού λογαριασμού από μια καταγραφή κλήσης, για παράδειγμα, απαιτεί εικασίες που ένα determinιστικό σύστημα δεν μπορεί να κάνει. Άλλα μέρη, όπως η προσάρτηση ενός αρχείου σε ένα ρεκόρ ή η δημοσίευση μιας ειδοποίησης, είναι determinιστικές εργασίες. Ένας σταθερος κανόνας, μια απευθείας κλήση API, είναι η ίδια έξοδος κάθε φορά. Είμαι ένοχος για αυτό τον εαυτό μου: κατασκευάζω μια εσωτερική αυτοματοποίηση που συνδέει τις καταγραφές κλήσεων, κατευθύνει πληροφορίες στο CRM μας, αναθέτει δράσεις και推 updates στο Slack.

Η πίεση είναι να τρέξει όλα αυτά μέσω του AI, και αυτή η πίεση φέρει một πραγματικό, επαναλαμβανόμενο φορτίο. Ενώ υπάρχει μια πίεση να τρέξει ολόκληρη τη διαδικασία μέσω AI-μεσολαβούμενων κλήσεων, κάθε κλήση AI εισάγει καθυστέρηση και φέρει δαπάνη χρήσης και υποδομής. Τα συστήματα AI απαιτούν παρακολούθηση, διαχείριση προτύπων και φράγματα, επειδή το υποκείμενο μοντέλο αναπτύσσεται συνεχώς (και απρόβλεπτα) από τον ιδιοκτήτη του. Ποτέ δεν ξέρετε πότε θα αρχίσει να εκτελείται διαφορετικά· οι έξοδοι possono να ποικίλλουν με τρόπους που δημιουργούν προβλήματα διακυβέρνησης σε κλίμακα, γρήγορα.

Παίζοντας αυτό αρκετά μακριά, αυτό το φορτίο γίνεται καθαρή σπατάλη. Σκεφτείτε μια εταιρεία που χρησιμοποιεί το AI για να αναλύσει 50.000 εισιτήρια υποστήριξης. Το AI αναγνωρίζει τους πέντε πιο συχνούς δρόμους επίλυσης. Αρχικά, το AI χειρίζεται τη διαδρομή πιθανώς: διαβάζει κάθε εισιτήριο και κάνει μια κρίση. Με τον καιρό, η εταιρεία επικυρώνει αυτούς τους μοτίβους. Οι δρόμοι επίλυσης είναι τώρα γνωστοί. Μετατρέποντάς τους σε determinιστικές κλάδους ροής εργασίας δεν αφαιρεί το AI από τη διαδικασία, αλλά αφαιρεί την επαναλαμβανόμενη πρακτική της πληρωμής του AI για να ανακαλύψει απαντήσεις που είναι τώρα γνωστές.

Αυτό είναι ο φόρος πιθανότητας: η πρόσθετη δαπάνη, καθυστέρηση και φορτίο διακυβέρνησης της εκτέλεσης του AI ως χρόνου εκτέλεσης για εργασία που δεν απαιτεί πλέον πιθανότητα.

Τι Πρέπει Να Κάνει Η Ωρίμαση Λειτουργικών Μοντέλων

Εάν η εκτέλεση λυμένων εργασιών στο AI είναι ένας φόρος, η ώριμη κίνηση είναι να χωρίσει την εργασία ανά τύπο. Η ωριμότητα του cloud παρήγαγε υβριδική υποδομή, cloud όπου κέρδισε τη θέση του, αφιερωμένη υποδομή παντού αλλού. Προβλέπω ότι η ωριμότητα του AI θα παράγει υβριδικές λειτουργίες με την ίδια λογική.

Αυτή η διάκριση παράγει ένα σαφές κανόνα λειτουργίας. Τα συστήματα πιθανότητας είναι πολύτιμα όπου υπάρχει πραγματική αμφιβολία. Οι άνθρωποι είναι αμφίβολοι. Τα μη δομημένα δεδομένα είναι αμφίβολα. Οι διαδικασίες που δεν έχουν ακόμη πλήρως κατανοηθεί είναι αμφίβολοι. Η εικασία είναι το σωστό εργαλείο για όλα αυτά. Το άλλο μισό του κανόνα είναι εξίσου σημαντικό: τα determinιστικά συστήματα είναι όπου η κλίμακα, το κόστος, η ταχύτητα και η διακυβέρνηση έχουν σημασία. Το στρώμα πιθανότητας ανακαλύπτει και ερμηνεύει. Το στρώμα determinismu εκτελεί.

Στην πράξη, δύο σημάδια σας λένε ποια πλευρά ανήκει ένας δεδομένος φόρτος εργασίας:

1. Εάν βρείτε την ομάδα σας να βασίζεται στο AI για κάτι που έχει γίνει σταθερό, επαναληπτικό και καλά κατανοητό, αυτό είναι ένας υποψήφιος για επαναπατρισμό, καθώς πληρώνετε einen φόρο πιθανότητας σε determinιστική εργασία.
2. Εάν βρείτε τον determinιστικό κώδικά σας να γεμίζει με χειριστές εξαιρέσεων και σκέψεις μεταβλητότητας, αυτό είναι ένα σημάδι ότι μπορεί να χρειάζεστε πραγματικά το AI. Το σύνολο κανόνων προσπαθεί να προσεγγίσει την εικασία.

Στην πράξη, αυτό το όριο σχεδιάζεται ως ένα κατώφλι εμπιστοσύνης. Ένα συγκεκριμένο κατώφλι εμπιστοσύνης, δεσμεύοντας μια απόφαση όταν το μοντέλο είναι πάνω από 90% βέβαιο, ή αποτυγχάνοντας με ευγένεια κάτω από αυτό, είναι συχνά εκεί όπου αυτό το όριο σχεδιάζεται στην πράξη.

Ποιο αναδιαμορφώνει τι χρειάζεται για να κερδίσει με το AI. Οι πιο επιτυχημένες εταιρείες που υιοθετούν το AI δεν θα είναι αυτές που το χρησιμοποιούν περισσότερο, αλλά αυτές που ξέρουν πότε να το χρησιμοποιήσουν και πότε να το συμπληρώσουν.