Η Εκρηκτική Ανάπτυξη του AI έχει Φτάσει σε Một Αποφασιστικό Μεσαίο Στάδιο: Τι πρέπει να Γνωρίζουν οι Επιχειρήσεις

Το γυμνάσιο δεν ήταν ποτέ το καλύτερο για κανέναν – αλλά όλοι μας έπρεπε να το διανύσουμε, με τα-growing pains και όλα, για να φτάσουμε σε μια καλύτερη, πιο ώριμη εκδοχή του εαυτού μας.

Η τρέχουσα εκρηκτική ανάπτυξη του AI εισέρχεται σε κάτι που μοιάζει με την δική του προβληματική εφηβεία, κάτι που οι εμπειρογνώμονες ονομάζουν το ακατάστατο μέσο μεταξύ υιοθέτησης και ωριμότητας. Ο αρχικός ενθουσιασμός έχει εξαφανιστεί και τώρα, οι οργανισμοί εστιάζουν στο να κάνουν το AI πραγματικά λειτουργικό. Αλλά το AI ωριμάζει σε μια δύσκολη εποχή. Οι προβλέψεις είναι παντού, η σκεπτικισμός είναι υψηλός μεταξύ επιχειρήσεων και καταναλωτών και η συζήτηση για μια επεκτεινόμενη φούσκα AI έχει τους ηγέτες των επιχειρήσεων σε εγρήγορση, περιμένοντας το φοβερό πоп.

Σε αυτό το αποφασιστικό σημείο, οι οργανισμοί πρέπει να διακρίνουν το σήμα από τον θόρυβο – αν μεταφέρουν τις προσπάθειές τους από το πείραμα στην πρακτική εφαρμογή, ή αν κλιμακώνουν την πρακτική εφαρμογή σε λειτουργική πανταχού παρουσία. Αυτό απαιτεί να εστιάζουν σε ουσιαστικά παράγοντες που μπορούν να ελέγξουν, όπως η υποδομή και η ετοιμότητα των δεδομένων τους· να μετρούν τα αποτελέσματα· και να χτίζουν τις βάσεις για την κλιμάκωση.

Η Προσέγγιση της Υποδομής Πρώτα

Η πραγματική ετοιμότητα για το AI απαιτεί την κατάλληλη υποδομή για να υποστηρίξει τη βιώσιμη ανάπτυξη των φορτίων εργασίας του AI. Φυσικά, το AI έχει αυξήσει τη ζήτηση για υπηρεσίες cloud· η δαπάνη για cloud αναμένεται να αυξηθεί κατά 40% φέτος, με την υποδομή να αποτελεί το πιο ακριβό στοιχείο στο προϋπολογισμό, και νέα κέντρα δεδομένων αναπτύσσονται σε κάθε ήπειρο για να καλύψουν τη растущη ζήτηση για υπολογιστική ισχύ του AI. Σε αυτό το σημείο του AI, οι επιλογές υποδομής είναι υπαρξιακές. Η υποδομή ορίζει τι είναι ασφαλές, τι είναι δυνατό, και τι θα ωφελήσει πραγματικά την επιχείρηση, αντί να δημιουργεί μια απώλεια πόρων.

Η βιώσιμη υποδομή ορίζεται από περισσότερα από το κόστος και την συνολική υπολογιστική ισχύ. Όταν οι οργανισμοί καθορίζουν πού και πώς να φιλοξενήσουν τα φορτία εργασίας του AI, πρέπει να λάβουν υπόψη ζητήματα όπως η αποτελεσματικότητα των πόρων, η ασφάλεια, η ορατότητα και η συνολική απόδοση τιμής. Η υποδομή του AI δεν μπορεί να είναι μια επένδυση μια φορά και για πάντα, αλλά ένα διαδικασία σε κίνηση,能够 να εξελίσσεται με τις απαιτήσεις κάθε έργου.

Αυτή είναι μια δραστική απόκλιση από τις ιστορικές προσεγγίσεις για τη δαπάνη cloud. Πριν από την τρέχουσα εκρηκτική ανάπτυξη του AI, οι οργανισμοί συχνά εξαρτώνταν από einen seul παροχέα υπηρεσιών cloud – τυπικά έναν hyperscaler – για να φιλοξενήσουν τις cloud-βασισμένες επιχειρήσεις τους. Τώρα, η复雑η και ποικιλία των φορτίων εργασίας του AI προκλήσει αυτό το μοντέλο, ιδιαίτερα καθώς οι επιχειρήσεις προχωρούν σε πιο πρακτικές περιπτώσεις χρήσης, και εναλλακτικές λύσεις cloud αναπτύσσονται για να καλύψουν τη ζήτηση.

Οι σύγχρονες πρωτοβουλίες του AI απαιτούν σημαντική υπολογιστική ισχύ, την οποία οι Big 3 είναι καλά εξοπλισμένοι να παρέχουν. Οι ρωγμές αρχίζουν να εμφανίζονται όταν όλη αυτή η ισχύς γίνεται πολύ. Οι συμβάσεις των hyperscalers μπορούν να είναι δαπανηρές, φουσκωμένες με άχρηστα add-ons, και μπορεί να μην προσφέρουν την απαιτούμενη ασφάλεια και κατοικία δεδομένων για πολύ ευαίσθητα έργα.

Αντί να δένουν τις cloud-βασισμένες επιχειρήσεις τους σε einen seul προμηθευτή, οι επιχειρήσεις μπορούν να κεφαλαιοποιήσουν μια αυξανόμενη τάξη εναλλακτικών λύσεων για να συνθέσουν τις δικές τους στοίβες σε διαφορετικούς προμηθευτές, τύπους GPU και δημόσιες/ιδιωτικές ρυθμίσεις cloud βάσει των συγκεκριμένων αναγκών τους. Έτσι, δεν πληρώνουν για χαρακτηριστικά που δεν χρειάζονται, ενώ ταυτόχρονα προσαρμόζουν τις cloud-βασισμένες επιχειρήσεις τους για αυτά που χρειάζονται.

Μια προσέγγιση της υποδομής πρώτα για την επίτευξη της ωριμότητας του AI είναι να δημιουργήσει μια σταθερή βάση για την κλιμάκωση, η οποία μεγιστοποιεί την αποτελεσματικότητα και τη χρησιμότητα χωρίς να θυσιάζει την ισχύ.

Από το Πείραμα στην Εφαρμογή

Τις τελευταίες quelques χρόνια, οι επιχειρήσεις σε όλο τον κόσμο έχουν πειραματιστεί με το πώς να εντάξουν το AI στις επιχειρήσεις τους. Κινητοποιημένες από την περιέργεια και μια δόση ενθουσιασμού, έχουν προωθήσει τα όρια της καινοτομίας, έχουν ξεκλείδωσει νέες δυνατότητες για αποτελεσματικότητα, και έχουν υψώσει το δυναμικό πολλών ανοικτών πηγών εργαλείων και μοντέλων. Έχουν επίσης συναντήσει την πραγματικότητα, μαθαίνοντας ότι η φιλοσοφία του Silicon Valley “κινηθείτε γρήγορα και σπάστε τα πάντα” δεν είναι πάντα ο δρόμος για το AI.

Τώρα, καθώς οι επιχειρήσεις βγάζουν από τη φάση του πειράματος, η αποτυχία δεν είναι μια επιλογή. Η ακρίβεια είναι κρίσιμη. Η απόδοση δεν μπορεί να καθυστερήσει. Αν οι επιχειρήσεις θα ξαναχτίσουν τις βασικές επιχειρηματικές λειτουργίες σε ένα πλαίσιο AI, πρέπει να διπλασιάσουν τις “βαρετές” partes που παίρνουν το AI από ένα δημιουργικό πείραμα σε einen multiplicador της δύναμης, συμπεριλαμβανομένων:

• Ασφάλεια και προστασία δεδομένων: Πολλά μοντέλα AI χρησιμοποιούν ευαίσθητα προσωπικά και επιχειρηματικά δεδομένα για να λειτουργήσουν αποτελεσματικά. Οι οργανισμοί χρειάζονται την εγγύηση ότι τα δεδομένα τους φιλοξενούνται ασφαλώς, χωρίς τον κίνδυνο μη εξουσιοδοτημένης αναπαραγωγής ή “σκοτεινής AI” έκθεσης.
• Διαχείριση του κύκλου ζωής του μοντέλου: Τα μοντέλα πρέπει να είναι ακριβή, ενημερωμένα και να επανακαθοριστούν τακτικά για να υποστηρίξουν κρίσιμες επιχειρηματικές λειτουργίες.
• Συνέπεια απόδοσης: Είτε αναπτύσσουν μοντέλα για εσωτερική χρήση ή σε επιχειρήσεις που αφορούν τους πελάτες, η διασφάλιση της συνέπειας της απόδοσης είναι κρίσιμη για την αποτελεσματικότητα και την ευκολία χρήσης. Πολλά κοινά προβλήματα απόδοσης, όπως αυτά που σχετίζονται με την καθυστέρηση και την διακοπή, λύνονται στο επίπεδο της υποδομής.

Τώρα, μόνο 37% των οργανισμών αναπτύσσουν νέα γεννητικά μοντέλα σε μηνιαία, εβδομαδιαία ή ημερήσια βάση. Όσο περισσότερες επιχειρήσεις μετακινούνται στη φάση της εφαρμογής, αυτό το ποσοστό θα αυξηθεί δραματικά, δημιουργώντας μια μεγαλύτερη ζήτηση για υπολογιστική ισχύ – αλλά και υποδομή προσαρμοσμένη σε συγκεκριμένα μοντέλα. Ένα “ελαφρύ” μοντέλο δεν χρειάζεται μια υποδομή hyperscaler-επίπεδου, αλλά αν χρησιμοποιεί ευαίσθητα στοιχεία, μπορεί να χρειαστεί αυτό το επίπεδο ασφάλειας. Αυτό είναι όπου οι προσαρμοσμένες cloud-βασισμένες επιχειρήσεις έρχονται – και γιατί η υποδομή πρέπει να είναι η πρωταρχική σκέψη σε μια επιχειρηματική μετάβαση του AI.

Από την Εφαρμογή στην Κλιμάκωση

Για τις επιχειρήσεις που βρίσκονται πιο μπροστά στην καμπύλη ωριμότητας, η πρακτική εφαρμογή του AI είναι ήδη μέρος της καθημερινής τους. Τώρα, στοχεύουν να κλιμακώσουν αυτές τις εφαρμογές για να δημιουργήσουν ακόμη μεγαλύτερη αξία και να εξελίξουν πλήρως την επιχείρησή τους.

Η πίεση είναι μεγάλη, και τα πλεονεκτήματα είναι σαφή: 81% των οργανισμών στο υψηλότερο επίπεδο ωριμότητας του AI ανέφεραν καλύτερα οικονομικά αποτελέσματα το τελευταίο χρόνο. Αυτή είναι η φάση όπου οι εφαρμογές του AI υποβάλλονται στο μεγαλύτερο τεστ. Μπορούν να περάσουν το τεστ σε ένα περιβάλλον, αλλά μπορούν να χειριστούν περισσότερα δεδομένα; Λειτουργούν σε νέες περιοχές; Και ίσως το πιο σημαντικό ερώτημα: μπορούν να οδηγήσουν σημαντικά αποτελέσματα;

Η κλιμάκωση είναι για να μεγαλώσουν, αλλά σε ορισμένες περιπτώσεις, λιγότερο είναι περισσότερο. Οι επιχειρήσεις σε αυτή τη φάση πρέπει να σκεφτούν αν οι στοχευμένες μικρές-γλώσσες μοντέλα (SLMs) μπορεί να λειτουργήσουν καλύτερα από τα πολυχρηστικά μεγάλης-γλώσσας μοντέλα (LLMs). Οι πρωτοβουλίες του AI είναι πιο επιτυχημένες όταν συνδέονται με πραγματικά επιχειρηματικά προβλήματα και μπορούν να οδηγήσουν μετρήσιμα αποτελέσματα.

Μια παρόμοια τάση εμφανίζεται στην εφαρμογή και κλιμάκωση των πρακτικών του AI–η επόμενη πορεία της αυτόνομης AI. Τα πράκτορες που εκτελούν domain-ειδικές εργασίες, ενημερωμένοι από ένα高度 εστιασμένο, συνεχώς διατηρούμενο σύνολο δεδομένων, είναι αυτοί που έχουν πραγματική επίδραση στην επιχείρηση. Αυτοί οι πρακτικοί πράκτορες χρειάζονται ακόμη σημαντική υπολογιστική ισχύ, αν και όχι τόσο όσο ένας all-encompassing, do-it-all copilot. Η προτεραιότητα της υποδομής από την αρχή θα επιτρέψει στις επιχειρήσεις να εξάγουν πραγματικά οφέλη από τις πρωτοβουλίες του AI τους χωρίς να ξεπεράσουν τους προϋπολογισμούς cloud.

Καινοτομία με Επίδραση

Ο “αγώνας” του AI είναι λιγότερο ένας αγώνας παρά μια ανακαίνιση: αν ξαναχτίζουμε την επιχείρηση, θέλουμε να το κάνουμε σε μια σταθερή βάση – αλλιώς, τα τοίχοι θα πέσουν αναπόφευκτα. Οι επιχειρήσεις πρέπει να πάρουν τον χρόνο να σκεφτούν προσεκτικά την υποδομή, να διασφαλίσουν την ασφάλεια των δεδομένων, να διαχειριστούν στενά τον κύκλο ζωής του μοντέλου, να παρακολουθήσουν την απόδοση, και να συλλέξουν πληροφορίες και να κάνουν προσαρμογές. Η υπομονή και η επιμονή είναι κλειδιά για τη δημιουργία λύσεων που λειτουργούν πραγματικά, παραμένουν ασφαλείς και έχουν συνεπή απόδοση.

Η καινοτομία του AI μπορεί να είναι λιγότερο καινούρια, αλλά οι επιχειρήσεις μπορούν να την ξεπεράσουν τις δυσκολίες του μέσου όρου με το να ενεργοποιούν τις ομάδες τους με αυτά που έχουν περισσότερη σημασία: αποτελέσματα.