Η Έκρηξη του AI Έχει Επιτύχει Ένα Αποφασιστικό Μέσο: Τι πρέπει να Γνωρίζουν οι Επιχειρήσεις

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

Η τρέχουσα έκρηξη του AI εισέρχεται σε κάτι του δικού της ερεθιστικού εφηβείου, κάτι που οι ειδικοί 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 κατά μια δύσκολη περίοδο. Οι προβλέψεις είναι παντού, η σκεπτικισμός είναι υψηλός μεταξύ των επιχειρήσεων και των καταναλωτών, και η συζήτηση για eine επεκτεινόμενη φούσκα AI έχει τους ηγέτες των επιχειρήσεων στο χείλος, περιμένοντας το φοβερό ποπ.

Σε αυτό το αποφασιστικό σημείο, οι οργανισμοί πρέπει να διακρίνουν το σήμα από το θόρυβο – είτε στρέφουν τις προσπάθειές τους από την πειραματική στην πρακτική εφαρμογή, είτε κλιμακώνουν την πρακτική εφαρμογή σε λειτουργική πανταχού παρουσία. Αυτό απαιτεί εστίαση σε ουσιαστικά παράγοντες που μπορούν να ελέγξουν, όπως η υποδομή και η ετοιμότητα των δεδομένων τους· μετρά τις αποτελέσματα· και χτίζει τις βάσεις για κλιμάκωση.

Η Προσέγγιση Υποδομής-Πρώτα

Η αληθινή ετοιμότητα του AI απαιτεί την κατάλληλη υποδομή για την βιώσιμη ανάπτυξη των φόρτων 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 αντικείμενο στο προϋπολογισμό, και νέα κέντρα δεδομένων αναπτύσσονται σε κάθε ήπειρο για να ικανοποιήσουν την αυξανόμενη ζήτηση για υπολογιστική ισχύ του AI. Σε αυτό το σημείο εκτόξευσης 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 δημιουργήσει μια απώλεια σε πόρους.

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

Είναι μια δραστική απόκλιση από τις ιστορικές προσεγγίσεις στη δαπάνη για cloud. Πριν από την τρέχουσα έκρηξη του AI, οι οργανισμοί συχνά εξαρτώνταν από einen đơnικό πάροχο υπηρεσιών cloud – συνήθως einen hyperscaler – για να φιλοξενήσουν τις cloud-основанные λειτουργίες τους. Τώρα, η πολυπλοκότητα και η ποικιλία των φόρτων εργασίας του AI προκλήθηκε αυτό το μοντέλο, ιδιαίτερα καθώς οι επιχειρήσεις προχωρούν σε πιο πρακτικές περιπτώσεις χρήσης, και εναλλακτικές cloud εμφανίζονται για να ικανοποιήσουν τη ζήτηση.

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

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

Μια προσέγγιση υποδομής-πρώτα για την επίτευξη της ωριμότητας του AI είναι για τη δημιουργία μιας σταθερής βάσης για κλιμάκωση, η οποία μεγιστοποιεί την αποτελεσματικότητα και τη χρησιμότητα χωρίς να θυσιάζει την ισχύ.

Από την Πειραματική στην Εφαρμογή

Κατά τα τελευταία χρόνια, οι επιχειρήσεις σε όλο τον κόσμο έχουν πειραματιστεί με το πώς να εντάξουν το AI στις λειτουργίες τους. Κινητοποιημένες από περιέργεια και δεν είναι μικρή δόση ενθουσιασμού, έχουν推 τις grenzen της καινοτομίας, έχουν ανοίξει νέες δυνατότητες για αποτελεσματικότητα, και έχουν υψώσει το δυναμικό των ανοιχτών πηγών εργαλείων και μοντέλων. Έχουν επίσης τρέξει headlong στην πραγματικότητα, μαθαίνοντας ότι η φιλοσοφία του Silicon Valley “κινήσου γρήγορα και σπάσε τα πάντα” δεν είναι πάντα ο τρόπος για να πας, ιδιαίτερα όταν πρόκειται για μια τεχνολογία τόσο ισχυρή όσο το AI.

Τώρα, καθώς οι επιχειρήσεις εξέρχονται από αυτή την πειραματική φάση, η αποτυχία δεν είναι 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 μια δημιουργική πειραματική σε einen πολλαπλασιαστή δύναμης, συμπεριλαμβανομένων:

• Ασφάλεια και ιδιωτικότητα δεδομένων: Πολλλά 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 κύκλου ζωής μοντέλου: Τα μοντέλα πρέπει να είναι ακριβή, ενημερωμένα και να επαναεκπαιδεύονται τακτικά για να υποστηρίξουν κρίσιμες επιχειρηματικές λειτουργίες.
• Συνέπεια απόδοσης: Είτε αναπτύσσουν μοντέλα για εσωτερική χρήση είτε σε λειτουργίες που αντιμετωπίζουν τους πελάτες, η διασφάλιση της συνεπούς απόδοσης είναι κρίσιμη για την αποτελεσματικότητα και την ευκολία χρήσης. Πολλά κοινά προβλήματα απόδοσης, όπως αυτά που σχετίζονται με την καθυστέρηση και την διακοπή, επιλύονται στο επίπεδο υποδομής.

Τώρα, μόνο 37% των οργανισμών αναπτύσσουν νέα γεννητικά μοντέλα σε μηνιαία, εβδομαδιαία ή ημερήσια βάση. Όσο περισσότερες οργανισμοί μετακινούνται στην φάση 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 einen hyperscaler-επίπεδο θεμέλιο, αλλά αν χρησιμοποιεί ευαίσθητες πληροφορίες, μπορεί να χρειάζεται αυτό το επίπεδο ασφάλειας. Αυτό είναι όπου έρχονται οι προσαρμοσμένες cloud – και γιατί η υποδομή πρέπει να είναι η πρωταρχική σκέψη κατά τη διάρκεια μιας επιχειρηματικής μετατόπισης του AI.

Από την Εφαρμογή στην Κλιμάκωση

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

Η πίεση είναι πάνω, 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 στρες-тест. Μπορεί να περάσουν το sniff-тест σε ένα περιεχόμενο περιβάλλον, αλλά μπορούν να καταναλώσουν περισσότερα δεδομένα; Λειτουργούν σε νέες περιοχές; Και vielleicht το πιο σημαντικό ερώτημα: μπορούν να οδηγήσουν σημαντικά αποτελέσματα;

Η κλιμάκωση είναι για το να μεγαλώσει, αλλά σε ορισμένες περιπτώσεις, λιγότερο είναι περισσότερο. Οι επιχειρήσεις σε αυτή τη φάση πρέπει να εξετάσουν αν οι στόχοι small-γλώσσας μοντέλων (SLMs) μπορεί να λειτουργήσουν καλύτερα από τα multi-στόχους large-γλώσσας μοντέλων (LLMs). Οι πρωτοβουλίες του AI είναι οι πιο επιτυχημένες όταν είναι συνδεδεμένες με πραγματικά επιχειρηματικά προβλήματα και μπορούν να οδηγήσουν μετρήσιμα αποτελέσματα.

Ένα παρόμοιο μοτίβο συμβαίνει στην εφαρμογή και κλιμάκωση των agents του AI–το επόμενο μέτωπο του αυτόνομου AI. Agents που εκτελούν domain-ειδικές εργασίες, ενημερωμένες από einen highly εστιασμένο, συνεχώς διατηρούμενο dataset είναι εκείνοι που πραγματικά έχουν επίδραση στην επιχείρηση. Όμως, οι εξειδικευμένοι agents εξακολουθούν να χρειάζονται σημαντική υπολογιστική ισχύ, αν και όχι τόσο όσο ένα all-encompassing, do-it-all copilot. Η προτεραιότητα της υποδομής από την αρχή θα επιτρέψει στις οργανώσεις να εξάγουν πραγματικά ROI από τις πρωτοβουλίες του AI τους χωρίς να σπάσουν τους προϋπολογισμούς cloud.

Ινοβασία 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 αναπόφευκτα πέφτουν. Οι επιχειρήσεις πρέπει να πάρουν τον χρόνο να είναι προσεκτικές για την υποδομή, να διασφαλίσουν τις ασφαλείς φρουρές δεδομένων, να διαχειριστούν στενά τους κύκλους ζωής των μοντέλων, να παρακολουθούν την απόδοση, και να συλλέγουν ερευνες και να κάνουν προσαρμογές. Η υπομονή και η επιμονή είναι κλειδιά για τη δημιουργία λύσεων που πραγματικά λειτουργούν, παραμένουν ασφαλείς, και έχουν συνεχή απόδοση.

Η καινοτομία του AI μπορεί να εξαφανιστεί, αλλά οι οργανισμοί μπορούν να περάσουν από τα ακατάστατα μέσα χρόνια του AI ενεργοποιώντας τις ομάδες τους με αυτά που έχουν περισσότερη σημασία: αποτελέσματα.