인프라는 실제로 AI에 준비되어 있는가?

이제 모든 사람이 AI 전략을 가지고 있습니다. 그러나 실제로 이를 지원할 수 있는 인프라를 갖춘 조직은 훨씬 적습니다.

지난 1년 동안 나는 실제로 AI 기반 경험을 제공해야 하는 압력을 받는 수십 명의 IT 리더와 통화했습니다. 그들은 더 빠른 생산성 도구, 지능형 자동화, 더智能한 엔드포인트 관리를해야 합니다. 그리고 이 압력은 인간 작업자에만 국한되지 않습니다.: 조직은 이제 자신의 컴퓨팅, 데스크톱 환경, 거버넌스 모델이 필요한 AI 에이전트를 프로비저닝하고 관리해야 합니다.Microsoft에서 Windows 365와 Azure Virtual Desktop를 구축하는 데 몇 년을 보낸 후에, 나는 성공적으로 AI를 배포하는 조직과 중단되는 조직을 구분하는 것을 명확하게 알게 되었습니다. 거의 항상 세 가지 사항으로 좁혀집니다. 클라우드 활용, 데이터 품질, 비용 규율입니다.

이미 가지고 있는 것을 사용하고 있는가?

나는 모든 IT 리더에게 묻는 첫 번째 질문은 다음과 같습니다. 이미 지불하고 있는 클라우드 기능을 얼마나 잘 활용하고 있는가?

대부분의 조직이 진실하게 말한다면, 그들은 자신의 클라우드 환경을 상당히 활용하지 못하고 있습니다. 그들은 워크로드를 마이그레이션했지만, 리프트-앤-시프트 멘탈리티는 현대적인 환경에서 레거시 패턴을 실행하고 클라우드 제공자의 플랫폼에 내장된 최적화 기능을 놓치고 있습니다.

이것은 AI에 대해 엄청난 영향을 미칩니다. 이러한 워크로드는 리소스 집약적이고 동적입니다._spike, 확장 및 탄력성이 필요합니다. 클라우드 네이티브 운영을 위해 최적화되지 않은 환경은 이러한 수요 하에 무너질 것입니다. 또는 필요 이상으로 비용을 지불하게 될 것입니다.

새로운 AI 기능을 투자하기 전에 현재 환경을 внимательно 살펴보고 다음 질문을 자신에게 물어보십시오.

• 가상 머신이 올바르게 사이즈 조정이 되었는지, 아니면 과도한 인스턴스를 실행하고 있지는 않은지?
• 자동 스케일링 정책이 실제 워크로드 패턴에 맞게 조정되었는지, 아니면 설정 후忘れ去了는지?
• 예약 인스턴스와 절약 계획을 사용하고 있는지, 아니면 온디맨드 가격에 기본적으로 의존하고 있는지?

클라우드 제공업체는 최적화 도구에 투자했습니다. 이를 사용하십시오. 그리고 관리 계층이 이러한 통찰력을 제공하지 않는 경우, 이는 AI를 더욱 진행하기 전에 닫아야 할 격차입니다.

데이터는 기초이며, 대부분의 조직의 데이터는 고장났다

두 번째이자, 솔직히 말해서, 더 중요한 준비 요소는 데이터입니다. 추상적인 데이터 전략이 아니라, 실제로 오늘날의 데이터 상태입니다.

AI 시스템은 훈련에 사용되는 데이터 또는 작동하는 데이터만큼 좋습니다. 이것은 새로운 통찰력이 아니지만, 대부분의 IT 조직에서 여전히 실제적인 의미는 과소평가되고 있습니다. AI를 위한 데이터 준비를 말할 때, 나는 세 가지 특정 차원을 의미합니다. 청결, 완전성, 시기 적합성.

청결은 데이터에 중복, 불일치 또는 오류가 없다는 것을 의미합니다. 엔드포인트 관리의 경우, 이는 사용자 레코드에 구식 속성이 있거나, 몇 개월 동안 업데이트되지 않은 디바이스 프로필이 있거나, 현재 조직 구조를 반영하지 않는 정책 할당이 있을 수 있습니다.

완전성은 AI가 의미있는 추론을 내릴 수 있는 신호의 폭을 의미합니다. 디바이스 텔레메트리가 대부분 누락된 경우, 애플리케이션 전달을 위한 추천 엔진은 유용하지 않습니다. 로깅에 갭이 있는 경우, 비정상 감지 시스템은 기준을 설정할 수 없습니다. AI 기반 기능을 배포하기 전에, 어떤 데이터를 가지고 있는지 및 어떤 기능이 요구되는지에 대해 조사를 수행하십시오.

시기 적합성은 대부분의 조직에서 가장 과소평가되는 차원입니다. 실시간 또는 거의 실시간 지능을 의미합니다. 구식 데이터는 구식 통찰력을 생산하며, 구식 통찰력은 통찰력이 전혀 없는 것보다 나쁠 수 있습니다. 데이터 파이프라인이 연속적으로 흐르는 것을 배치하여 밤에 흐르는 경우, 이는 구조적인 문제입니다. AI는 이를 해결하지 않습니다.

데이터 위생, 파이프라인 현대화, 텔레메트리 기기 설치는 보드 발표에서 흥미로운 주제는 아닙니다. 그러나 이것은 작동하는 AI 기능과 3개월 후에 포기된 AI 기능之间의 차이입니다.

비용 제어는 사후 문제가 아니다

AI 준비의 세 번째 차원은 금융적이며, 계획 단계에서보다 더 많은 주의를 받아야 합니다.

AI 워크로드는 실행 비용이 많이 듭니다, 예측하기 어렵고, 예산보다 빠르게 확장합니다. 초기 AI 파일럿에서 의미있는 가치를 얻은 조직을 보았으며, 이후 비용이 생산으로 이동했을 때 비용이螺旋적으로 증가하는 것을 보았습니다. 왜냐하면誰도 그들과 함께 가는 비용 거버넌스 모델을 설계하지 않았기 때문입니다.

이것은 특히 가상 데스크톱 및 엔드포인트 환경에서 사실입니다. 여기서 AI 기능은 세션 지능, 예측 확장, 자동 복구와 같은 기능이同時에 수천 개의 세션에서 상당한 컴퓨팅需求을 생성할 수 있습니다.

이것을 잘 관리하는 조직은 몇 가지 특징을 공유합니다.

그들은 인프라 효율성을 후속 최적화로 취급하지 않습니다. 그들은 이미 올바른 사이즈 조정,浪費 제거, 비용 기준을 설정하여 AI 워크로드가 도착하기 전에 작업을 수행했습니다.

그들은 비용 가시성을 운영에 통합합니다. 그들은 사용자당, 세션당, 워크로드당 비용이 얼마인지 알고 있으므로, AI 기능이 예상치 못한 지출을驱動하고 있는 경우에 kịpzeitig으로 조정을 할 수 있습니다.

또한, 그들은 비용 신호를 적극적으로 표면화하는 관리 계층을 선택했습니다. 따라서, 그들은 월간 클라우드 청구서에서 비용 초과를 알지 못하고, 대신에 빠른 의사 결정을 가능하게 하는 실시간 대시보드에서 알게 됩니다.

격차는 닫을 수 있지만, 먼저 진실성을 요구한다

나는 진실하게 자신이 어디에 있는지 살펴볼 의지를 가진 조직에 대해 가장 낙관적입니다.

AI 야망과 실행 사이의 격차는 실제로 존재하지만, 영구적인 것은 아닙니다. 그리고 다음 전선은 이미 보입니다. 에이전트 AI가 파일럿에서 생산으로 이동함에 따라, 인프라 준비성 질문은 인간 사용자뿐만 아니라 에이전트 자체를 포함하도록 확장됩니다.

그것은 클라우드 활용을 감사하고, 데이터 품질에 투자하기 전에 의미합니다. 또한, 비용 거버넌스 모델을 재무 팀 문제가 아닌, 건축적 문제로 취급하는 것을 의미합니다.

AI 야망과 실행 사이의 격차는 실제로 존재합니다, 그러나 영구적인 것은 아닙니다. 이것은 엔지니어링 및 운영 문제입니다. 그리고 이것은 우리의 IT 커뮤니티가 해결하는 것을 즐기는 정확한 문제입니다.