Boom AI osiągnął decydujący etap połowy: co przedsiębiorstwa powinny wiedzieć

Żadna szkoła średnia nie była najlepszym okresem dla nikogo – ale wszyscy musieliśmy przez to przejść, z bólem i wszystkim, aby osiągnąć lepszą, bardziej dojrzałą wersję siebie.

Bieżący boom AI wkracza w swoją własną burzliwą młodość, co eksperci nazywają brudnym środkiem między przyjęciem a dojrzałością. Początkowy entuzjazm już minął, a teraz organizacje skupiają się na tym, aby AI było naprawdę operacyjne. Ale AI dojrzewa w trudnym czasie. Przewidywania są wszędzie, sceptycyzm jest wysoki wśród firm i konsumentów, a rozmowy o rozszerzającej się bańce AI sprawiają, że liderzy przedsiębiorstw są na granicy, czekając na straszny pęknięcie.

W tym decydującym momencie organizacje muszą rozróżnić sygnał od szumu – czy przestawiają swoje wysiłki z eksperymentowania na praktyczne zastosowanie, czy skalują praktyczne zastosowanie do operacyjnej wszechobecności. Wymaga to koncentrowania się na wymiernych czynnikach, które mogą kontrolować, takich jak ich infrastruktura i gotowość danych; mierzenia wyników; oraz tworzenia podstawy do skali.

Podejście oparte na infrastrukturze

Prawdziwa gotowość do AI wymaga odpowiedniej infrastruktury do zrównoważonego wdrożenia obciążeń AI. Naturalnie, AI zwiększył popyt na usługi chmurowe: wydatki na chmurę mają zwiększyć się o 40% w tym roku, z infrastrukturą stanowiącą najdroższy punkt w budżecie, a nowe centra danych powstają na każdym kontynencie, aby pomieścić rosnący popyt na obliczenia AI. W tym punkcie infleksyjnym AI wybory infrastrukturalne są egzystencjalne. Infrastruktura definiuje, co jest bezpieczne, co jest możliwe i co naprawdę przyniesie korzyści firmie, zamiast tworzyć odciążenie zasobów.

Zrównoważona infrastruktura jest definiowana przez więcej niż tylko koszty i całkowitą moc obliczeniową. Podczas określania, gdzie i jak hostować swoje obciążenia AI, organizacje muszą brać pod uwagę kwestie efektywności zasobów, bezpieczeństwa, widoczności i ogólnej ceny za wydajność. Infrastruktura AI nie może być jednorazową inwestycją, ale procesem w ruchu, który może ewoluować wraz z wymaganiami każdego projektu.

To jest wyraźne odejście od historycznych podejść do wydatków na chmurę. Przed obecnym pędem AI organizacje często polegały na jednym dostawcy usług chmurowych – zwykle na hyperscalerze – do hostowania swoich operacji opartych na chmurze. Teraz złożoność i różnorodność obciążeń AI wyzwala ten model, zwłaszcza gdy przedsiębiorstwa przechodzą do bardziej praktycznych przypadków użycia, a alternatywne chmury pojawiają się, aby spełnić popyt.

Współczesne inicjatywy AI wymagają dużej mocy obliczeniowej, którą duży trzy są dobrze wyposażone, aby zapewnić. Pęknięcia zaczynają się pokazywać, gdy cała ta moc staje się zbyt duża. Umowy z hyperscalerem mogą być drogie, nadmierne z niepotrzebnymi dodatkami i mogą nie oferować wymaganej bezpieczeństwa danych i rezydencji dla projektów o wysokiej wrażliwości.

Zamiast wiązać swoje operacje chmurowe z jednym dostawcą, przedsiębiorstwa mogą skorzystać z rosnącej klasy alternatyw, aby złożyć własne stosy na różnych dostawcach, typach GPU i publicznych/prywatnych ustawieniach chmury, opartych na ich konkretnych potrzebach. W ten sposób nie płacą za funkcje, których nie potrzebują, jednocześnie dostosowując swoje chmury do tego, czego potrzebują.

Podejście oparte na infrastrukturze do osiągnięcia dojrzałości AI polega na tworzeniu stabilnej podstawy do skali, która maksymalizuje wydajność i użyteczność, nie poświęcając mocy.

Od eksperymentowania do zastosowania

W ciągu ostatnich kilku lat firmy na całym świecie eksperymentowały z tym, jak wprowadzić AI do swoich operacji. Prowadzone przez ciekawość i nie małą dawkę entuzjazmu, przesunęły granice innowacji, odblokowały nowe możliwości efektywności i podniosły potencjał niezliczonych narzędzi i modeli open-source. Przerwały także w rzeczywistość, ucząc się, że filozofia Doliny Krzemowej „poruszaj się szybko i łamaj rzeczy” nie zawsze jest sposobem, zwłaszcza gdy chodzi o tak potężną technologię, jak AI.

Teraz, gdy przedsiębiorstwa wychodzą z tej fazy eksperymentowania, niepowodzenie nie jest opcją. Dokładność jest krytyczna. Wydajność nie może zwalniać. Jeśli przedsiębiorstwa mają odbudować podstawowe funkcje biznesowe na ramach AI, muszą podwoić wysiłki w „nudnych” częściach, które przenoszą AI z kreatywnego eksperymentu do mnożnika siły, w tym:

• Bezpieczeństwo danych i prywatność: Wiele modeli AI używa wrażliwych danych osobowych i biznesowych, aby działać skutecznie. Organizacje potrzebują pewności, że ich dane są hostowane bezpiecznie, bez ryzyka nieautoryzowanego powielenia lub „ciemnej” ekspozycji AI.
• Zarządzanie cyklem życia modelu: Modele muszą być dokładne, aktualne i regularnie przeszkolone, aby wspierać krytyczne funkcje biznesowe.
• Spójność wydajności: Niezależnie od wdrożenia modeli do użytku wewnętrznego lub w operacjach skierowanych do klientów, zapewnienie spójnej wydajności jest kluczowe dla efektywności i łatwości użycia. Wiele typowych problemów z wydajnością, takich jak te związane z opóźnieniami i przestojami, jest rozwiązywanych na poziomie infrastruktury.

Obecnie tylko 37% organizacji wdraża nowe generatywne modele na miesiąc, tydzień lub dziennie. Gdy więcej organizacji przechodzi do fazy zastosowania, ten procent znacznie wzrośnie, tworząc większy popyt na moc obliczeniową – ale także infrastrukturę dopasowaną do konkretnych modeli. „Lekki” model nie potrzebuje podstawy hyperscalera, ale jeśli używa wrażliwych informacji, może potrzebować tego stopnia bezpieczeństwa. To jest miejsce, w którym pojawiają się chmury niestandardowe – i dlaczego infrastruktura powinna być głównym punktem uwagi w trakcie przesunięcia AI w przedsiębiorstwie.

Od zastosowania do skali

Dla firm, które są dalej za krzywą dojrzałości, praktyczne zastosowanie AI jest już częścią ich codziennego życia. Teraz starają się one skalować te zastosowania, aby stworzyć jeszcze większą wartość i w pełni rozwinąć swoje przedsiębiorstwo.

Ciśnienie jest wysokie, a korzyści są wyraźne: 81% organizacji na najwyższym poziomie dojrzałości AI zgłosiło lepsze wyniki finansowe w zeszłym roku. To jest faza, w której aplikacje AI przechodzą największy test stresowy. Mogą one przejść test w odizolowanym środowisku, ale czy mogą przyjąć więcej danych? Działaj w nowych regionach? A może najważniejsze pytanie: czy mogą napędzać znaczące wyniki?

Skala to nie tylko rozwój, ale w niektórych przypadkach mniej jest więcej. Firmy na tym etapie powinny rozważyć, czy ukierunkowane małe modele językowe (SLM) mogą działać lepiej niż wielofunkcyjne duże modele językowe (LLM). Inicjatywy AI są najbardziej udane, gdy są powiązane z rzeczywistymi problemami biznesowymi i mogą napędzać mierzone wyniki.

Podobny wzorzec występuje w zastosowaniu i skali agentów AI – następnej granicy autonomicznego AI. Agenci, którzy wykonują zadania specyficzne dla domeny, poinformowani przez wysoko ukierunkowany, stale utrzymywany zestaw danych, są tymi, które naprawdę mają wpływ na przedsiębiorstwo. Jednak specjalizowani agenci nadal potrzebują znacznej mocy obliczeniowej, choć nie tak dużej jak wszechobejmujący, uniwersalny pilot. Priorytetowanie infrastruktury od samego początku pozwoli organizacjom wyodrębnić rzeczywistą stopę zwrotu z inicjatyw AI bez przekraczania budżetów chmurowych.

Innowacje z wpływem

Wyścig AI jest mniej wyścigiem niż przebudową: jeśli odbudowujemy przedsiębiorstwo, chcemy to zrobić na solidnej podstawie – w przeciwnym razie ściany nieuchronnie runą. Przedsiębiorstwa muszą zająć się infrastrukturą, zapewnić zabezpieczenia danych, ściśle zarządzać cyklem życia modelu, monitorować wydajność i zbierać informacje, oraz dostosowywać. Cierpliwość i wytrwałość są kluczem do tworzenia rozwiązań, które naprawdę działają, pozostają bezpieczne i działają spójnie.

Nowość cyklu hossy AI może już niknąć, ale organizacje mogą przetrwać burzliwe lata środka AI, energizując swoje zespoły tym, co jest najważniejsze: wynikami.