インフラストラクチャは実際にAIに適しているか？

今や、誰でもAI戦略を持っている。しかし、実際にそれをサポートできるインフラストラクチャを持っている組織は少ない。

過去1年間で、AI駆動のエクスペリエンスを提供するために本物のプレッシャーを受けている数十のITリーダーと話をした。彼らは、より速い生産性ツール、インテリジェントな自動化、スマートなエンドポイント管理を期待されている。さらに、そのプレッシャーは人間の労働者を超えて広がっている。:組織は、独自のコンピューティング、デスクトップ環境、ガバナンスモデルを必要とするAIエージェントをプロビジョニングし、管理するように求められている。。

マイクロソフトでWindows 365とAzure Virtual Desktopを構築するのに役立った経験から、AIを成功裏に展開する組織と、停滞する組織を区別する要因を明確に理解している。ほとんどの場合、3つの要因が重要となる。クラウド利用、データ品質、コスト管理である。

あなたはすでに持っているものを使用していますか?

私がITリーダーに最初に質問するのは、すでに支払っているクラウド機能をどれだけ活用しているかである。

ほとんどの組織は、クラウド環境を大きく未利用している。ワークロードを移行したが、リフトアンドシフトの考え方により、モダンな環境でレガシーパターンを実行しており、クラウドプロバイダーのプラットフォームに組み込まれた最適化機能を逃している。

これはAIにとって非常に重要である。AIワークロードはリソースを大量に消費し、ダイナミックである。スパイクし、スケールし、エラスティシティが必要である。クラウドネイティブ操作に最適化されていない環境は、そのような需要に耐えられないか、必要以上に高額なコストがかかる。

新しいAI機能に投資する前に、現在の環境を徹底的に調べ、次の質問を自分に問いかけることである。

• 仮想マシンは適切なサイズか、または過大なインスタンスを実行しているか?
• オートスケーリングポリシーは実際にワークロードパターンに合わせて調整されているか、設定して忘れているか?
• 予約インスタンスと節約プランを使用しているか、またはオンデマンド料金に従っているか?

クラウドプロバイダーは最適化ツールに投資している。使用する。管理レイヤーがこれらの洞察を提示していない場合は、AIをさらに進める前にそれを解決する価値がある。

データは基盤であり、ほとんどの組織のデータは壊れている

2番目に、そして実際にはより重要な、準備要因はデータである。抽象的なデータ戦略ではなく、現在のデータの実際の状態である。

AIシステムは、トレーニングされたデータや対象データの質だけが良いのである。新しい洞察ではないが、実践的な影響はまだ多くのIT組織で軽視されている。AIのデータ準備について話すとき、私は3つの具体的な次元を意味する。クリーンさ、完全性、タイムリーさである。

クリーンさとは、データに重複、不一致、エラーがないことを意味する。エンドポイント管理の場合、これは古い属性を持つユーザーレコード、更新されていないデバイスプロファイル、または現在の組織構造を反映していないポリシー割り当てを意味するかもしれない。

完全性とは、AIが有意義な推論を行うために必要なシグナルの幅を持っていることを意味する。アプリケーションデリバリーのためのレコメンデーションエンジンは、ほとんどのデバイステレメトリが欠けている場合は役に立たない。アノマリーディテクションシステムは、ログにギャップがある場合はベースラインを確立できない。AI駆動の機能を展開する前に、持っているデータと特定の機能が必要とするデータをマッピングすることである。

タイムリーさは、組織が最も軽視する次元である。リアルタイムまたはニアリアルタイムのインテリジェンスについてである。古いデータは古い洞察を生み出し、古い洞察は洞察がないことよりも悪い場合がある。データパイプラインが連続的に流れるべきものを一晩にバッチ処理している場合、それはAIが解決しない構造的な問題である。

データの清掃、パイプラインの近代化、テレメトリの計装は、ボードプレゼンテーションとしては魅力的なものではない。ただし、機能するAI機能と放棄されるAI機能の違いである。

コスト管理は後回しではありません

AIの準備要因の3番目は財務面であり、計画段階でより多くの注意を払う価値がある。

AIワークロードは実行コストが高く、予測が難しく、予算が跟随するよりもスケールすることが多い。AIの初期パイロットから有意義な価値を得た組織を見てきたが、パイロットが本稼働に移行したときにコストが急増し、誰もコスト管理モデルを設計していないためである。

これは、特に仮想デスクトップやエンドポイント環境で、セッションインテリジェンス、予測スケーリング、自動修復などのAI機能が同時に大量のコンピューティング需要を生み出す場合に特に当てはまる。

コストをうまく管理する組織は、いくつかの特徴を共有している。

インフラストラクチャの効率性を前提条件として扱う。AIワークロードが到着する前に、正しいサイズ、無駄を排除し、コストベースラインを確立している。

コストの可視性を運用に組み込む。ユーザーあたり、セッションあたり、ワークロードあたりのコストを知っているため、AI機能が予期せぬ支出を生み出すときに早期にコースを修正できる。

また、コストシグナルを能動的に提示する管理レイヤーを選択している。月次のクラウド請求書でコスト超過を知るのではなく、迅速な決定を可能にするリアルタイムダッシュボードで知ることができる。

ギャップは埋められるが、最初に正直さが必要である

最も楽観的な組織は、自分たちの立場を正直に評価するものである。

AIの野心と実行のギャップは実在するが、永久ではない。次のフロンティアはすでに視野に入っている。エージェントAIがパイロットから本稼働に移行するにつれて、インフラストラクチャの準備度の質問は人間のユーザーを超えてエージェント自体を包含する。

これは、クラウドの利用を拡大する前に監査し、AIを重ねる前にデータの品質に投資することを意味する。さらに、コスト管理を財務チームの問題ではなく、建築上の懸念として扱うことを意味する。

AIの野心と実行のギャップは実在するが、永久ではない。エンジニアリングと運用上の問題であり、ITコミュニティが解決するのが得意な問題である。