Onko infrastruktuurisi todella valmis AI:lle?

Kaikilla on nyt AI-strategia. Mutta vain harvoilla organisaatioilla on infrastruktuuri, joka voi tukea sitä.

Viime vuoden aikana olen puhunut kymmenien IT-johtajien kanssa, jotka ovat todellisen paineen alaisina toimittamaan AI-pohjaisia kokemuksia. Heidän odotetaan tarjoavan nopeampia tuottavuustyökaluja, älykkäitä automaatioita ja älykkäitä päätepisteen hallintaa. Ja tämä paine ulottuu ihmistyöntekijöiden ulkopuolelle: organisaatiot pyydetään nykyään valmistamaan ja hallinnoimaan AI-agenteja, joilla on omat laskentansa, omat työpöytäympäristönsä ja omat hallintamallinsa.

Vuosiin Windows 365:n ja Azure Virtual Desktopin kehittämisessä Microsoftissa olen kehittänyt selkeän käsityksen siitä, mitä erottaa organisaatioita, jotka onnistuvat AI:n käyttöönotossa, niistä, jotka jäävät jumiin. Se johtuu lähes aina kolmesta asiasta: pilviin käytön, datan laadun ja kustannuskurin.

Käytätkö jo olemassa olevia resursseja?

Ensimmäinen kysymys, jonka kysyn keneltä tahansa IT-johtajalta, on: kuinka hyvin käytät pilviominaisuuksia, joita jo maksat?

Useimmat organisaatiot, jos he ovat rehellisiä, käyttävät pilviympäristöjään merkittävästi alihaitallisesti. He ovat siirtäneet työmäärät, mutta lift-and-shift-mentaliteetti tarkoittaa, että he ajavat perinteisiä malleja modernissa ympäristössä ja puuttuvat optimointiominaisuuksista, jotka on rakennettu pilvipalveluntarjoajan alustaan.

Tämä on äärimmäisen tärkeää AI:n kannalta. Nämä työmäärät ovat resursseja vaativia ja dynaamisia. Ne kasvavat, ne skaalautuvat ja ne tarvitsevat joustavuutta. Ympäristö, joka ei ole optimoitu pilvipohjaiselle toiminnalle, romahtaa tämänkaltaisen kysynnän alle, tai se maksaa paljon enemmän kuin tarvitsee, kun se ei.

Ennen kuin investoit uusiin AI-ominaisuuksiin, tarkastele läpi nykyistä ympäristöäsi ja kysy itseltäsi näitä kysymyksiä:

• Ovatko virtuaalikoneesi oikean kokoiset, vai suoritatko ylireunaisia instansseja?
• Ovatko autoskaalauksesi säätöpolitiikat todella säädetty työmääräsi mukaan, vai onko ne asetettu ja unohdettu?
• Käytätkö varattuja instansseja ja säästösuunnitelmia, vai oletko oletusarvoisesti käytössä vaadittujen hintojen mukaan?

Pilvipalveluntarjoajat ovat panostaneet optimointityökaluihin. Käytä niitä. Ja jos hallintakerros ei tuo näitä oivalluksia esiin, se on aukko, jota kannattaa sulkea ennen kuin menee eteenpäin.

Data on perusta, ja useimpien organisaatioiden data on rikkoontunut

Toinen, ja totta puhuen kriittisempi, valmius tekijä on data. Ei abstrakti datastrategia. Todellinen datan tila tänään.

AI-järjestelmät ovat yhtä hyviä kuin data, jolla ne on koulutettu tai jota ne käyttävät. Tämä ei ole uusi oivallus, mutta käytännön seuraukset ovat edelleen aliarvostettuja useimmissa IT-organisaatioissa. Kun puhun data valmiudesta AI:lle, tarkoitan kolmea tiettyä ulottuvuutta: puhtaus, täydellisyys ja ajankohtaisuus.

Puhtaus tarkoittaa, että datan ei sisällä kopioita, epäjohdonmukaisuuksia tai virheitä, jotka voivat vahingoittaa tuloksia. Päätepisteen hallinnassa tämä voi tarkoittaa käyttäjätietueita, joissa on vanhentuneita ominaisuuksia, laiteprofiileja, jotka eivät ole päivitetty kuukausiin, tai käytäntöjä, jotka eivät heijasta nykyistä organisaatiorakennetta.

Täydellisyys tarkoittaa, että sinulla on leveysmerkit, joita AI tarvitsee tehdäkseen merkityksellisiä johtopäätöksiä. Suositusmoottori sovelluksen toimittamiseksi ei ole hyödyllinen, jos useimmat laitteen telemetria puuttuvat. Anomaliatunnistusjärjestelmä ei voi perustaa viitearvoa, jos lokit ovat aukkoisia. Ennen kuin otat käyttöön AI-pohjaisia ominaisuuksia, kartoita, mitä dataa sinulla on verrattuna siihen, mitä tietty ominaisuus vaatii.

Ajankohtaisuus on ulottuvuus, jota organisaatiot aliarvioivat eniten. Se on reaaliaikainen tai lähes reaaliaikainen älykkyys. Vanhentunut data tuottaa vanhentuneita oivalluksia, ja vanhentuneet oivallukset voivat olla huonompia kuin mitään oivalluksia. Jos datasi putkit on pakattu yöllä, mitä pitäisi virrata jatkuvasti, se on rakenteellinen ongelma, jota AI ei ratkaise.

Datahygienia, putkien modernisointi ja telemetrian instrumentointi eivät tee mielenkiintoisia esityksiä hallitukselle. Mutta ne ovat eroa AI-ominaisuuksien välillä, jotka toimivat ja jotka hylätään kolme kuukautta julkaisun jälkeen.

Kustannusvalvonta ei ole jälkikäteen

Kolmas AI-valmiuden ulottuvuus on taloudellinen, ja se ansaitsee enemmän huomiota suunnitteluvaiheessa.

AI-työmäärät ovat kalliita suorittaa, ne ovat vaikeita ennustaa, ja ne usein skaalautuvat nopeammin kuin budjetit voivat seurata. Olen nähnyt organisaatioita, jotka saavat merkittävää arvoa varhaisista AI-kokeiluista, ja sitten katsokoot, miten kustannukset kiitävät, kun nämä kokeilut siirtyvät tuotantoon, koska kukaan ei ole suunnitellut kustannusvalvontamallia niiden kanssa.

Tämä on erityisen totta virtuaalisen työpöydän ja päätepisteen ympäristöissä, joissa AI-ominaisuudet, kuten istunnon älykkyys, ennustava skaalautuminen ja automaattinen korjaus, voivat luoda merkittävää laskentavaatimusta tuhansille istunnoille samanaikaisesti.

Organisaatiot, jotka hallitsevat tätä hyvin, jakavat joitakin piirteitä:

He kohdellevat infrastruktuurin tehokkuutta edellytyksenä, ei optimoinnina, jota tehdään myöhemmin. He ovat jo tehneet työn oikean koon, poistaneet haittaa ja asettaneet kustannusperustan ennen kuin AI-työmäärät saapuvat.

He rakentavat kustannusnäkyvyyden toimintoihin. He tietävät, mitkä heidän käyttäjäkohtaiset, istuntokohtaiset ja työmääräkohtaiset kustannukset ovat, mikä tarkoittaa, että he voivat havaita, kun AI-ominaisuudet ajavat odottamattomia kustannuksia ajoissa oikaistaakseen.

Ja tärkeää: he ovat valinneet hallintakerroksen, joka tuo kustannusmerkit eteen, joten he eivät löydä kustannusylityksiä kuukausittaisessa pilvilaskussa, vaan reaaliaikaisissa kojussa, jotka mahdollistavat nopeammat päätökset.

Aukko on suljettavissa, mutta se vaatii rehellisyyttä ensin

Organisaatiot, joista olen optimistisimmin, ovat ne, jotka ovat valmiit ottamaan rehellisen katseen siihen, missä he ovat.

Aukko AI-ambition ja toteutus välillä on todellinen, mutta se ei ole pysyvä. Ja seuraava raja on jo näkyvissä: kun agenssien AI siirtyy koekäytöstä tuotantoon, infrastruktuurin valmiuden kysymys laajenee ihmiskäyttäjien ulkopuolelle ja kattaa itsensä agentit.

Tämä tarkoittaa pilviin käytön tarkastamista ennen sen laajentamista ja datan laadun investointia ennen kuin AI:ta lisätään sen päälle. Se tarkoittaa myös kustannusvalvonnan käsittelyä arkkitehtuurin huolenaiheena, ei rahoitusjoukkueen ongelmana.

Aukko AI-ambition ja toteutus välillä on todellinen, mutta se ei ole pysyvä. Se on insinöörien ja operaatioiden ongelma, ja ne ovat juuri ne ongelmat, joita IT-yhteisömme osaa ratkaista.