Czy Twoja Infrastruktura Jest Naprawdę Gotowa na AI?

Do tej pory, każdy ma strategię AI. Ale znacznie mniej organizacji ma infrastrukturę, która mogłaby ją naprawdę wspierać.

W ciągu ostatniego roku, rozmawiałem z dziesiątkami liderów IT, którzy są pod dużą presją, aby dostarczyć doświadczenia oparte na AI. Oczekuje się, że będą mieli szybsze narzędzia produktywne, inteligentną automatyzację i bardziej inteligentne zarządzanie punktami końcowymi. I ta presja rozciąga się poza pracowników ludzkich: organizacje są teraz proszone o przygotowanie i zarządzanie agentami AI, którzy potrzebują własnych zasobów obliczeniowych, własnych środowisk pulpitu i własnego modelu zarządzania.

Poświęciłem lata na pomoc w budowaniu Windows 365 i Azure Virtual Desktop w firmie Microsoft, więc mam wyraźny obraz tego, co odróżnia organizacje, które z powodzeniem wdrożenie AI, od tych, które zawieszają się. Zazwyczaj sprowadza się to do trzech rzeczy: wykorzystania chmury, jakości danych i dyscypliny kosztowej.

Czy Używasz Tego, Co Już Masz?

Pierwsze pytanie, które zadaję każdemu liderowi IT, brzmi: jak dobrze wykorzystujesz możliwości chmury, za które już płacisz?

Większość organizacji, jeśli są szczerzy, znacznie niedocenia swoje środowiska chmury. Przeniosły obciążenia, ale mentalność “lift-and-shift” oznacza, że uruchamiają wzorce dziedziczone w nowoczesnym środowisku i pomijają funkcje optymalizacji wbudowane w platformę ich dostawcy chmury.

To ma ogromne znaczenie dla AI. Te obciążenia są intensywnymi i dynamicznymi. Szczytują, skalują i wymagają elastyczności. Środowisko, które nie zostało zoptymalizowane do chmurowej operacji, załamie się pod takim popytem lub będzie kosztować znacznie więcej, niż to konieczne, gdy nie.

Przed inwestowaniem w nowe możliwości AI, przyjrzyj się uważnie swojemu bieżącemu środowisku i zadaj sobie te pytania:

• Czy Twoje maszyny wirtualne są odpowiednio dopasowane, czy uruchamiasz instancje o zbyt dużych rozmiarach?
• Czy polityki automatycznego skalowania są naprawdę dostosowane do Twoich wzorców obciążeń, czy zostały ustawione i zapomniane?
• Czy używasz zarezerwowanych instancji i planów oszczędności, czy domyślnie używasz cen na żądanie we wszystkich przypadkach?

Dostawcy chmury zainwestowali w narzędzia optymalizacji. Używaj ich. A jeśli Twoja warstwa zarządzania nie udostępnia tych informacji, to jest to luka, którą warto zamknąć, zanim pójdziesz dalej.

Dane Są Podstawą, a Większość Organizacji Ma Złamane Dane

Drugim, a szczerze mówiąc, bardziej krytycznym, czynnikiem gotowości jest jakość danych. Nie strategia danych w abstrakcji. Stan Twoich danych dzisiaj.

Systemy AI są tak dobre, jak dane, na których są szkolone lub które obsługują. To nie jest nowa wiedza, ale praktyczne implikacje są nadal niedoceniane w większości organizacji IT. Gdy mówię o gotowości danych do AI, mam na myśli trzy konkretnych wymiarów: czystość, kompletność i terminowość.

Czystość oznacza, że Twoje dane nie zawierają duplikatów, nieścisłości lub błędów, które mogłyby skażać dane wyjściowe. Dla zarządzania punktami końcowymi może to oznaczać rekordy użytkowników z nieświeżymi atrybutami, profile urządzeń, które nie zostały zaktualizowane od miesięcy, lub przypisania zasad, które nie odzwierciedlają bieżącej struktury organizacyjnej.

Kompletność oznacza, że masz szerokość sygnałów, których AI potrzebuje, aby wyciągać znaczące wnioski. Silnik rekomendacji dla dostarczania aplikacji nie jest użyteczny, jeśli większość Twoich danych telemetrycznych urządzeń jest nieobecna. System wykrywania anomalii nie może ustalić podstawy, jeśli Twoje logowanie ma luki. Przed wdrożeniem funkcji opartych na AI, sporządź mapę, jakie dane masz, a jakie wymaga dana funkcjonalność.

Terminowość to wymiar, który organizacje najbardziej niedoceniają. Chodzi o inteligencję w czasie rzeczywistym lub prawie rzeczywistym. Stare dane dają stare wglądy, a stare wglądy mogą być gorsze niż brak wglądów w ogóle. Jeśli Twoje potoki danych są przetwarzane w trybie nocnym, co powinno płynąć ciągle, to jest to problem strukturalny, którego AI nie rozwiąże.

Higiena danych, modernizacja potoków i instrumentacja telemetryczna nie tworzą interesujących prezentacji dla zarządu. Ale są to różnice między funkcjami AI, które działają, a tymi, które zostaną porzucone trzy miesiące po uruchomieniu.

Kontrola Kosztów Nie Jest Pomyślana jako Coś, Co Przychodzi Później

Trzeci wymiar gotowości AI to finanse, i zasługuje na więcej uwagi, niż mu się ją poświęca w fazie planowania.

Obciążenia AI są drogie w utrzymaniu, trudne do przewidzenia i często skalują szybciej, niż budżety mogą za nimi nadążyć. Widziałem organizacje, które uzyskały znaczącą wartość z wczesnych pilotów AI, a potem obserwowałem, jak koszty spiralizują, gdy te pilotażowe projekty przechodzą do produkcji, ponieważ nikt nie zaprojektował modelu zarządzania kosztami, który mógłby im towarzyszyć.

Szczególnie jest to prawdziwe w środowiskach pulpitu wirtualnego i punktów końcowych, gdzie funkcje AI, takie jak inteligencja sesji, predykcyjne skalowanie i automatyczne rozwiązywanie problemów, mogą generować znaczne zapotrzebowanie na obliczenia w tysiącach sesji jednocześnie.

Organizacje, które dobrze zarządzają tym, mają kilka wspólnych cech:

Traktują wydajność infrastruktury jako wymóg wstępny, a nie optymalizację, którą można wykonać później. Zrobili już pracę, aby odpowiednio dopasować, wyeliminować marnotrawstwo i ustalić podstawy kosztowe, zanim obciążenia AI się pojawią.

Budują widoczność kosztów w operacjach. Wiedzą, jakie są ich koszty na użytkownika, na sesję i na obciążenie, co oznacza, że mogą wykryć, gdy funkcje AI powodują nieoczekiwane wydatki na tyle wcześnie, aby mogli skorygować kurs.

I co ważne, wybrali warstwę zarządzania, która aktywnie ujawnia sygnały kosztowe, więc nie dowiadują się o przekroczeniach kosztów w miesięcznej fakturze za chmurę, ale za pośrednictwem pulpitów w czasie rzeczywistym, które umożliwiają szybsze decyzje.

Przerwa Między Ambicją a Realizacją AI Jest Zamykana, Ale Wymaga Najpierw Szczerości

Organizacje, które są mi najbardziej optymistyczne, to te, które są skłonne wziąć szczerą ocenę swojej sytuacji.

Przerwa między ambicją AI a realizacją jest realna, ale nie jest permanentna. I następny front jest już widoczny: gdy AI agenci przechodzą z pilotażu do produkcji, pytanie o gotowość infrastruktury rozciąga się poza użytkowników ludzkich, aby objąć samych agentów.

To oznacza audyt wykorzystania chmury przed jej rozszerzaniem i inwestowanie w jakość danych przed nałożeniem AI na nie. To również oznacza traktowanie zarządzania kosztami jako problemu architektonicznego, a nie problemu zespołu finansowego.

Przerwa między ambicją AI a realizacją jest realna, ale nie jest permanentna. To problem inżynieryjny i operacyjny, a to są właśnie te problemy, które nasza społeczność IT rozwiązuje.