คุณใช้โครงสร้างพื้นฐานที่มีอยู่แล้วหรือไม่?

ทุกคนมีกลยุทธ์ AI ในขณะนี้ แต่มีน้อยมากที่มีโครงสร้างพื้นฐานที่สามารถรองรับได้จริง

ในช่วงปีที่ผ่านมา ฉันได้พูดคุยกับหลายๆ ผู้นำด้าน IT ที่ต้องเผชิญกับความกดดันในการส่งมอบประสบการณ์ที่มีพลังงาน AI พวกเขาต้องมีเครื่องมือที่มีประสิทธิภาพมากขึ้น การทำงานอัตโนมัติแบบฉลาด และการจัดการจุดสิ้นสุดแบบฉลาด และความกดดันนั้นไม่จำกัดเฉพาะพนักงานมนุษย์เท่านั้น: องค์กรต่างๆ กำลังถูกขอให้จัดเตรียมและจัดการตัวแทน AI ที่ต้องการการประมวลผล การใช้งานเดสก์ท็อป และรูปแบบการกำกับดูแลของตนเอง

หลังจากใช้เวลาหลายปีในการช่วยสร้าง Windows 365 และ Azure Virtual Desktop ที่ Microsoft ฉันได้พัฒนามุมมองที่ชัดเจนเกี่ยวกับสิ่งที่ทำให้องค์กรต่างๆ ประสบความสำเร็จในการใช้ AI หรือหยุดชะงัก มันเกือบจะมาจากสามสิ่ง: การใช้คลาวด์ คุณภาพของข้อมูล และวินัยด้านต้นทุน

คุณใช้โครงสร้างพื้นฐานที่มีอยู่แล้วหรือไม่?

คำถามแรกที่ฉันถามผู้นำ IT ทุกคนคือ: คุณใช้ความสามารถของคลาวด์ที่คุณจ่ายเงินแล้วได้ดีหรือไม่?

ส่วนใหญ่ขององค์กร ถ้าพวกเขาสามารถซื่อสัตย์กับตัวเองได้ พวกเขากำลังใช้คลาวด์ไม่เพียงพอ พวกเขาย้ายโหลดงานไปแล้ว แต่ความคิด lift-and-shift หมายความว่าพวกเขากำลังทำงานรูปแบบเก่าในบรรยากาศสมัยใหม่และพลาดคุณสมบัติในการปรับให้เหมาะสมที่มีในแพลตฟอร์มของคลาวด์

สิ่งนี้มีความสำคัญอย่างมากสำหรับ AI โหลดงานเหล่านี้ต้องใช้ทรัพยากรและเปลี่ยนแปลงอย่างรวดเร็ว พวกมันเพิ่มขึ้น พวกมันปรับขนาด และต้องการความยืดหยุ่น สภาพแวดล้อมที่ไม่ได้ถูกปรับให้เหมาะสมสำหรับการทำงานแบบคลาวด์จะล้มเหลวภายใต้ความต้องการนั้น หรือคุณจะเสียค่าใช้จ่ายมากกว่าที่จำเป็นเมื่อไม่จำเป็น

ก่อนที่จะลงทุนในความสามารถ AI ใหม่ๆ ให้พิจารณาสภาพแวดล้อมปัจจุบันของคุณและถามตัวเองว่า

• คุณใช้เครื่องเสมือนขนาดที่เหมาะสมหรือไม่ หรือคุณกำลังทำงานด้วยอินสแตนซ์ที่มีขนาดใหญ่เกินไป?
• คุณมีนโยบายการปรับขนาดอัตโนมัติที่ตั้งค่าให้เหมาะสมกับรูปแบบการทำงานของคุณหรือไม่ หรือคุณตั้งค่าไว้แล้วและลืมไป?
• คุณใช้การสำรองข้อมูลและแผนการออมหรือไม่ หรือคุณใช้ราคาตามความต้องการทั่วทั้งกระดาน?

ผู้ให้บริการคลาวด์ได้ลงทุนในการปรับให้เหมาะสมของเครื่องมือ ใช้มัน และถ้าเลเยอร์การจัดการของคุณไม่ได้นำเสนอข้อมูลเชิงลึกเหล่านี้ นั่นคือช่องว่างที่คุณควรปิดก่อนที่จะดำเนินการต่อ

ข้อมูลคือรากฐาน และข้อมูลขององค์กรส่วนใหญ่เสีย

ปัจจัยความพร้อมที่สอง และเป็นเรื่องที่สำคัญกว่านั้น คือข้อมูล ไม่ใช่กลยุทธ์ข้อมูลในทางทฤษฎี แต่สถานะที่แท้จริงของข้อมูลของคุณในวันนี้

ระบบ AI มีประสิทธิภาพเท่ากับข้อมูลที่ใช้ในการฝึกอบรมหรือทำงาน นั่นไม่ใช่ข้อคิดใหม่ แต่ผลกระทบเชิงปฏิบัติยังคงไม่ได้รับการประเมินในองค์กร IT ส่วนใหญ่ เมื่อฉันพูดถึงความพร้อมของข้อมูลสำหรับ AI ฉันหมายถึงสามมิติ: ความสะอาด ความสมบูรณ์ และความทันเวลา

ความสะอาดหมายถึงข้อมูลของคุณไม่มีการทำซ้ำ ความไม่สอดคล้อง หรือข้อผิดพลาดที่จะทำให้ผลลัพธ์เสียหาย สำหรับการจัดการจุดสิ้นสุด นี่อาจหมายถึงบันทึกผู้ใช้ที่มีลักษณะที่ไม่ใหม่ โปรไฟล์อุปกรณ์ที่ไม่ได้รับการอัปเดตเป็นเดือน หรือการกำหนดนโยบายที่ไม่สะท้อนถึงโครงสร้างองค์กรปัจจุบัน

ความสมบูรณ์หมายถึงคุณมีสัญญาณที่ AI ต้องการเพื่อสร้างการอนุมานที่มีความหมาย เครื่องมือแนะนำสำหรับการส่งมอบแอปพลิเคชันไม่มีประโยชน์หากการวัดอุปกรณ์ส่วนใหญ่ไม่พร้อม ระบบตรวจจับอาการผิดปกติไม่สามารถกำหนดบรรทัดฐานได้หากการบันทึกมีช่องว่าง ก่อนที่จะใช้ฟังก์ชัน AI ให้ทำการแมปกับข้อมูลที่คุณมีเทียบกับสิ่งที่ความสามารถนั้นต้องการ

ความทันเวลาเป็นมิติที่องค์กรต่างๆ มองข้ามมากที่สุด มันเกี่ยวกับข้อมูลแบบเรียลไทม์หรือใกล้เคียงกับเรียลไทม์ ข้อมูลที่ไม่ใหม่จะทำให้ได้ข้อมูลเชิงลึกที่ไม่ใหม่ และข้อมูลเชิงลึกที่ไม่ใหม่อาจแย่กว่าไม่มีข้อมูลเลย หากการขนส่งข้อมูลของคุณกำลังรวมข้อมูลทุกคืนซึ่งควรไหลอย่างต่อเนื่อง นั่นคือปัญหาเชิงโครงสร้างที่ AI ไม่สามารถแก้ไขได้

การทำความสะอาดข้อมูล การปรับปรุงการขนส่งข้อมูล และการทำงานของการวัดไม่ใช่สิ่งที่น่าสนใจสำหรับการนำเสนอที่กระดาน แต่สิ่งเหล่านี้เป็นความแตกต่างระหว่างฟังก์ชัน AI ที่ทำงานและฟังก์ชัน AI ที่ถูกทิ้งไปสามเดือนหลังจากการเปิดตัว

การควบคุมต้นทุนไม่ใช่เรื่องรอง

มิติที่สามของความพร้อมของ AI คือการเงิน และมันสมควรได้รับการพิจารณามากกว่าที่ได้รับในระหว่างการวางแผน

โหลดงาน AI มีราคาแพงในการทำงานมีราคาแพงในการทำงาน, มันทำงานได้ยาก และมันบานปลายเร็วกว่าที่งบประมาณสามารถติดตามได้ ฉันเห็นองค์กรที่ได้รับคุณค่าจากไพโลต์ AI ในระยะแรก และจากนั้นดูค่าใช้จ่ายพุ่งสูงขึ้นเมื่อไพโลต์เหล่านั้นเข้าสู่การผลิต เพราะไม่มีใครออกแบบแบบจำลองการกำกับดูแลต้นทุนให้พวกเขา

สิ่งนี้เป็นจริงโดยเฉพาะอย่างยิ่งในสภาพแวดล้อมเดสก์ท็อปเสมือนและจุดสิ้นสุด โดยที่ฟังก์ชัน AI เช่น การทำงานแบบฉลาด การปรับขนาดแบบคาดการณ์ล่วงหน้า และการแก้ไขอัตโนมัติสามารถสร้างความต้องการการประมวลผลที่สำคัญทั่วทั้งหลายพันเซสชันในเวลาเดียวกัน

องค์กรที่จัดการสิ่งนี้ได้ดีมีลักษณะที่เหมือนกัน:

พวกเขารักษาความมีประสิทธิภาพของโครงสร้างพื้นฐานเป็นข้อกำหนด ไม่ใช่การปรับให้เหมาะสมที่จะทำในภายหลัง พวกเขาทำงานที่ต้องทำในการปรับขนาดที่เหมาะสม การกำจัดความสูญเปล่า และการกำหนดบรรทัดฐานต้นทุนก่อนที่จะมาถึงโหลดงาน AI

พวกเขาสร้างความสามารถในการมองเห็นต้นทุนในการดำเนินงาน พวกเขารู้ว่าต้นทุนต่อผู้ใช้ ต่อเซสชัน และต่อโหลดงานคืออะไร ซึ่งหมายความว่าพวกเขาสามารถตรวจจับได้ว่าฟังก์ชัน AI กำลังขับเคลื่อนการใช้จ่ายที่ไม่คาดคิดได้เร็วพอที่จะแก้ไขได้

และที่สำคัญ พวกเข己เลือกเลเยอร์การจัดการที่นำเสนอสัญญาณต้นทุนในลักษณะที่กระตุ้นให้เกิดการดำเนินการ พวกเขาจึงไม่พบว่าต้นทุนเกินงบประมาณในบิลคลาวด์รายเดือน แต่พบผ่านแดชบอร์ดแบบเรียลไทม์ที่ทำให้การตัดสินใจเร็วขึ้น

ช่องว่างสามารถปิดได้ แต่ต้องใช้ความซื่อสัตย์ก่อน

องค์กรที่ฉันมองในแง่ดีคือองค์กรที่เต็มใจที่จะพิจารณาอย่างซื่อสัตย์ว่าพวกเขาอยู่ที่ไหน

ช่องว่างระหว่างความทะเยอทะยานของ AI และการดำเนินการเป็นเรื่องจริง แต่ไม่ใช่เรื่องถาวร และขอบเขตถัดไปมองเห็นได้แล้ว: เมื่อ AI ที่ใช้ตัวแทนย้ายจากไพโลต์ไปสู่การผลิต คำถามเกี่ยวกับความพร้อมของโครงสร้างพื้นฐานขยายออกไปนอกเหนือจากผู้ใช้มนุษย์ไปสู่ตัวแทนเอง

หมายความว่าตรวจสอบการใช้คลาวด์ก่อนที่จะขยายและลงทุนในคุณภาพข้อมูลก่อนที่จะใช้ AI บนข้อมูลนั้น นอกจากนี้ยังหมายถึงการรักษาการกำกับดูแลต้นทุนเป็นเรื่องโครงสร้าง ไม่ใช่ปัญหาในทีมการเงิน

ช่องว่างระหว่างความทะเยอทะยานของ AI และการดำเนินการเป็นเรื่องจริง, แต่ไม่ใช่เรื่องถาวร มันเป็นปัญหาด้านวิศวกรรมและด้านการดำเนินงาน และนั่นคือปัญหาที่ชุมชน IT ของเราทำได้ดี