Готово ли ваше инфраструктурное обеспечение для ИИ?

На данный момент, у каждого есть стратегия ИИ. Но гораздо меньше организаций имеют инфраструктуру, которая может фактически поддерживать ее.

За последний год, я говорил с десятками лидеров ИТ, которые находятся под реальным давлением, чтобы предоставить возможности, основанные на ИИ. Они должны иметь более быстрые инструменты для повышения производительности, интеллектуальную автоматизацию и более умную управление конечными точками. И это давление распространяется не только на человеческих работников: организации теперь просят предоставить и управлять агентами ИИ, которым нужны свои собственные вычислительные ресурсы, свои собственные среды рабочего стола и своя собственная модель управления.

Потратив годы на помощь в создании Windows 365 и Azure Virtual Desktop в Microsoft, я сформировал четкое представление о том, что отличает организации, которые успешно развертывают ИИ, от тех, которые застревают. Это почти всегда сводится к трем вещам: использованию облачных возможностей, качеству данных и дисциплине затрат.

Используете ли вы то, что у вас уже есть?

Первый вопрос, который я задаю любому лидеру ИТ, заключается в том, насколько хорошо они используют облачные возможности, за которые они уже платят.

Большинство организаций, если они честны, значительно недооценивают свои облачные среды. Они мигрировали рабочие нагрузки, но подход “lift-and-shift” означает, что они запускают устаревшие модели в современной среде и пропускают оптимизационные функции, встроенные в платформу их облачного провайдера.

Это имеет огромное значение для ИИ. Эти рабочие нагрузки являются ресурсоемкими и динамичными. Они скачут, масштабируются и требуют эластичности. Среда, которая не была оптимизирована для облачных операций, рухнет под таким спросом или будет стоить вам намного больше, чем необходимо, когда она не будет.

Прежде чем инвестировать в новые возможности ИИ, внимательно осмотрите свою текущую среду и задайте себе эти вопросы:

• Ваши виртуальные машины имеют правильный размер, или вы запускаете экземпляры большего размера, чем необходимо?
• Политики автоматического масштабирования настроены в соответствии с вашими моделями рабочих нагрузок, или они установлены и забыты?
• Вы используете зарезервированные экземпляры и планы экономии, или используете оплату по мере использования для всего?

Облачные провайдеры инвестировали в инструменты оптимизации. Используйте их. И если ваш слой управления не предоставляет эти сведения, это разрыв, который стоит закрыть, прежде чем вы пойдете дальше.

Данные являются основой, и данные большинства организаций сломаны

Второй, и, честно говоря, более критический, фактор готовности – это данные. Не стратегия данных в абстрактном смысле. Фактическое состояние ваших данных сегодня.

Системы ИИ такие хороши, как данные, на которых они обучены или против которых они работают. Это не новый вывод, но практические последствия все еще недооценены в большинстве организаций ИТ. Когда я говорю о готовности данных для ИИ, я имею в виду три конкретных измерения: чистоту, полноту и своевременность.

Чистота означает, что ваши данные не содержат дубликатов, несоответствий или ошибок, которые могли бы испортить выводы. Для управления конечными точками это может означать записи пользователей со старыми атрибутами, профили устройств, которые не были обновлены месяцами, или назначения политик, которые не отражают текущую структуру организации.

Полнота означает, что у вас есть ширина сигналов, которые ИИ cần для получения осмысленных выводов. Рекомендательный движок для доставки приложений не полезен, если большинство ваших телеметрических данных устройств отсутствует. Система обнаружения аномалий не может установить базовую линию, если ваши журналы имеют пробелы. Прежде чем развертывать возможности, основанные на ИИ, составьте карту того, какие данные у вас есть, и какие данные требует данная функция.

Своевременность – это измерение, которое организации недооценивают больше всего. Это о реальном времени или почти реальном времени. Устаревшие данные производят устаревшие выводы, и устаревшие выводы могут быть хуже, чем отсутствие выводов вообще. Если ваши конвейеры данных партионно обрабатываются ночью то, что должно течь непрерывно, это структурная проблема, которую ИИ не решит.

Гигиена данных, модернизация конвейеров и инструментирование телеметрии не делают интересных презентаций для совета директоров. Но они являются разницей между функциями ИИ, которые работают, и функциями ИИ, которые будут брошены через три месяца после запуска.

Контроль затрат не является после мысли

Третий измерение готовности ИИ – финансовое, и оно заслуживает больше внимания, чем оно получает на этапе планирования.

Рабочие нагрузки ИИ дороги в эксплуатации, они трудно предсказуемы, и они часто масштабируются быстрее, чем бюджеты могут следовать. Я видел организации, которые получают значительную пользу от ранних пилотных проектов ИИ, а затем наблюдают, как затраты закручиваются, когда эти пилоты переходят в производство, потому что никто не разработал модель управления затратами, чтобы пойти с ними.

Это особенно верно в виртуальных средах рабочего стола и управления конечными точками, где функции ИИ, такие как интеллект сеанса, прогнозное масштабирование и автоматическое исправление, могут генерировать значительный спрос на вычислительные ресурсы на тысячи сеансов одновременно.

Организации, которые хорошо управляют этим, имеют несколько общих характеристик:

Они рассматривают эффективность инфраструктуры как предварительное условие, а не оптимизацию, которую можно сделать позже. Они уже сделали работу по правильному размеру, устранению отходов и установлению базовых затрат до прибытия рабочих нагрузок ИИ.

Они строят видимость затрат в операции. Они знают, что их затраты на пользователя, сеанс и рабочую нагрузку, что означает, что они могут обнаружить, когда функции ИИ приводят к неожиданным расходам, достаточно рано, чтобы скорректировать курс.

И, что важно, они выбрали слой управления, который предоставляет сигналы затрат активно, поэтому они не узнают о превышении затрат в ежемесячном счете за облако, а через реальные панели, которые позволяют принимать более быстрые решения.

Провал можно закрыть, но для этого требуется честность сначала

Организации, которыми я наиболее оптимистичен, – это те, которые готовы взглянуть честно на то, где они стоят.

Провал между амбициями ИИ и выполнением реален, но он не постоянный. И следующий рубеж уже виден: когда агентный ИИ переходит от пилота к производству, вопрос о готовности инфраструктуры расширяется за пределы человеческих пользователей, чтобы включить агентов самих себя.

Это означает аудит использования облака, прежде чем расширять его, и инвестиции в качество данных, прежде чем укладывать ИИ поверх него. Это также означает рассмотрение управления затратами как архитектурной проблемы, а не проблемы команды финансистов.

Провал между амбициями ИИ и выполнением реален, но он не постоянный. Это проблема инженерии и эксплуатации, и это именно те проблемы, которые наше ИТ-сообщество преуспевает в решении.