การพยากรณ์เมฆที่เปลี่ยนแปลง

รูปแบบที่ฉันเคยเห็นมาก่อน

ฉันทำงานมืออาชีพเมื่อเมฆกลายเป็นสิ่งหนึ่ง จากมุมมองนั้น ฉันเห็นการนำไปใช้ครั้งแรก: ความตื่นเต้น ความยืดหยุ่น ความรู้สึกว่าทุกสิ่งจะเคลื่อนที่เร็วขึ้น ซึ่งนำไปสู่การนำไปใช้อย่างมากที่ทุก ๆ โหลดงานเป็นผู้สมัครและทุก ๆ ผู้ขายมีเรื่องราวของเมฆ

การนำไปใช้ though เป็นเพียงครึ่งหนึ่งของสิ่งที่ฉันสังเกตเห็น จากนั้นฉันเห็นอีกด้านหนึ่ง: การส่งคืน Companies ที่ย้ายโหลดงานเฉพาะกลับไปขอถามว่าแอปพลิเคชันจริงๆ แล้วต้องการความยืดหยุ่นของเมฆหรือไม่ การย้ายครั้งที่สองเกิดขึ้นจากเหตุผลบางอย่าง ด้วยการเปลี่ยนแปลงทางเศรษฐกิจและการเติบโตของโหลดงาน ความสมมติฐานที่ทำให้เมฆเป็นตัวเลือกที่ชัดเจนสำหรับทุกสิ่งหยุดทำงานเมื่อองค์กรเริ่มตรวจสอบที่ระดับใหญ่

การมีชีวิตอยู่เต็มรอบครั้งหนึ่ง ฉันรู้จัก形ของมันเมื่อมันเริ่มก่อตัวอีกครั้ง ตอนนี้เมื่อฉันช่วยให้ บริษัท ต่างๆ ค้นหาสิ่งที่ AI ควรทำจริงๆ ในสภาพแวดล้อมของพวกเขา รูปแบบการนำไปใช้ / การส่งคืนขนาดใหญ่เริ่มดูคุ้นเคย

การแก้ไขเมฆ

เพื่อดูว่าทำไมรูปแบบจึงสำคัญ มันจะช่วยให้เริ่มต้นด้วยสิ่งที่เกิดขึ้นกับเมฆในเทอมของตัวเอง การย้ายไปสู่เมฆเป็นเรื่องสมเหตุสมผล มันลบความเสี่ยง ให้องค์กรความยืดหยุ่นและความเร็ว และมีเหตุผลสำหรับโหลดงานที่ไม่แน่นอนหรือเปลี่ยนแปลงอย่างรวดเร็ว มันสมเหตุสมผลเพราะว่าเป็นงานที่สร้างขึ้นสำหรับ DevOps ทีมไปเมฆก่อนเพราะเมฆถูกสร้างขึ้นสำหรับงานที่ซ้ำๆ กัน ตัวแปร หรือยากที่จะคาดเดา

แต่สิ่งที่พวกเขากำลังสร้างไม่ได้หยุดนิ่ง เมฆไม่ได้เปลี่ยนแปลง แต่โหลดงานเปลี่ยนไป เมื่อกระบวนการเติบโตและกลายเป็นคาดเดาได้ องค์กรคุ้นเคยกับค่าใช้จ่ายในการรับข้อมูลของตนเองกลับ Egress ค่าธรรมเนียม ค่าเก็บของ ค่าโอน: ค่าใช้จ่ายที่ง่ายที่จะเพิกเฉยเมื่อความยืดหยุ่นมีค่า และยากที่จะเพิกเฉยเมื่อโหลดงานมั่นคง ในปี 2024 หลังจากหลายปีที่เรียกเก็บเงินค่าข้อมูล egress AWS, Azure และ Google Cloud ทั้งหมด ยกเลิกค่าธรรมเนียมเหล่านั้นสำหรับลูกค้าที่ย้ายออกจากแพลตฟอร์มของตน ตามที่ DataCenterDynamics รายงาน

เมื่อค่าใช้จ่ายเหล่านั้นปรากฏชัดเจน คณิตศาสตร์หยุดทำงานสำหรับส่วนแบ่งที่เพิ่มขึ้นของพอร์ตโฟลิโอ การเศรษฐกิจที่ทำให้เมฆเป็นกลยุทธ์ที่ดีพร้อมด้วยด้านลบกลายเป็นทางเลือกที่ไม่คุ้มค่าทางเศรษฐกิจสำหรับโหลดงาน AI ที่เพิ่มขึ้น บริษัท ต่างๆ คิดเงินและถามว่าแอปพลิเคชันทุกตัวต้องการสิ่งที่เมฆให้มาหรือไม่ เมื่อพวกเขาวิ่งเลขจริงๆ คำตอบสำหรับโหลดงานจำนวนมากคือไม่

คำตอบที่สะสมกลายเป็นการแก้ไขที่อุตสาหกรรมเขียนผิด มันถูกเรียกว่า “การคืนเมฆ” และมักถูกอธิบายผิด มันคือความตื่นกลัวของโหลดงาน: บริษัท ที่เติบโตที่เรียนรู้ที่จะจับคู่โหลดงานแต่ละรายการกับรูปแบบโครงสร้างพื้นฐานที่เหมาะสม มีข้อมูลสนับสนุนการอ่านแบบเลือกมากกว่าการอ่านแบบขายปลีก IDC พบว่าประมาณ 80% ขององค์กรคาดว่าจะมีการคืนบางส่วนในช่วง 12 เดือนข้างหน้า แม้ว่าจะมีน้อยกว่า 10% ที่ คืนโหลดงานทั้งหมด ตามรายงานใน CIO.com

การอ่านอย่างถูกต้องจะไม่สรุปได้ว่าเมฆเป็นข้อผิดพลาด เมฆยังคงมีคุณค่า แต่มันหยุดเป็นสากล รูปแบบที่เติบโตคือไฮบริด: เมฆที่มีจุดยืนที่ได้รับอนุญาต ระบบโครงสร้างพื้นฐานที่อุทิศให้กับทุกที่อื่น

การแก้ไขโค้งเดียวกัน เทคโนโลยีที่แตกต่าง

โค้งที่เสร็จสมบูรณ์และป้ายกำกับแล้ว รูปแบบเดียวกันเริ่มปรากฏขึ้นพร้อมกับ AI ทุก ๆ ผู้ขาย ทุก ๆ การประชุม ทุก ๆ การโทรขายตอนนี้คือเรื่องของ AI การอิ่มตัวเหมือนกับที่ฉันสังเกตเห็นเมื่อเกิดกับเมฆ การใช้จ่ายที่อยู่ภายใต้เสียงคือจริง: Gartner คาดการณ์ว่าการใช้จ่าย AI ทั่วโลกจะสูงถึง 644 พันล้านดอลลาร์สหรัฐฯ ในปี 2025 เพิ่มขึ้น 76.4% เมื่อเทียบกับปีที่แล้ว

การอิ่มตัวที่เหมือนกันบอกเป็นนัยถึงการแก้ไขที่จะมาถึง ฉันเชื่อว่าการแก้ไขที่คล้ายกันกำลังจะมาถึง ไม่ใช่เพราะ AI ไม่ดี แต่เพราะพลวัตที่สร้างการคืนเมฆใช้ได้เช่นกัน มันมาถึงเพราะองค์กรกำลังผลักดันอย่างหนักในการทำงาน AI โดยไม่รู้ว่าเรื่องราวจะจบลงอย่างไรในสภาพแวดล้อมของตนเอง ช่องว่างระหว่างการนำไปใช้และความตื่นกลัววัดได้: McKinsey พบว่า 88% ขององค์กรรายงานการใช้ AI อย่างสม่ำเสมอในฟังก์ชันอย่างน้อยหนึ่งฟังก์ชัน แต่ส่วนใหญ่ยังคงอยู่ในขั้นตอนการบิน และ เพียง 39% รายงานผลกระทบ EBIT ระดับองค์กร

ผลักดันอย่างหนักโดยไม่มีกลยุทธ์ และการแก้ไขไม่ใช่เรื่องไม่แน่นอน มันมาถึงเสมอ คุณผลักดันอย่างหนักโดยไม่มีกลยุทธ์ และในที่สุดเศรษฐกิจและความเป็นจริงในการดำเนินงานก็ทำให้เกิดการแก้ไข

มีชื่อสำหรับรูปแบบการแก้ไขแล้ว และไม่ใช่ของฉัน การคืน AI การกระทำของการย้ายงานเฉพาะออกจากระบบ AI ที่มีแนวโน้มและกลับเข้าสู่กระบวนการทำงานที่แน่นอนเมื่องานเหล่านั้นกลายเป็นเสถียรและซ้ำกัน ไม่ใช่แนวคิดที่ฉันสร้างขึ้น มันเป็นรูปแบบที่ฉันกำลังดู มันไม่ใช่ของฉัน: Gartner คาดการณ์ว่ามากกว่า 40% ของโครงการ AI จะถูกยกเลิกภายในสิ้นปี 2027 โดยอ้างถึงต้นทุนที่เพิ่มขึ้น คุณค่าทางธุรกิจที่ไม่ชัดเจน และการควบคุมความเสี่ยงที่ไม่เพียงพอ

การแก้ไข AI ดูเหมือนอะไร

เพื่อคาดการณ์การแก้ไข มันจะช่วยให้เริ่มต้นด้วยคำจำกัดความที่ชัดเจนสำหรับสองประเภทของกระบวนการทำงานที่เกี่ยวข้อง

กระบวนการทำงานที่แน่นอนเป็นไปตามกฎ มีผลลัพธ์ที่คาดเดาได้และซ้ำกัน อินพุตเดียวกันและกฎเดียวกันจะสร้างผลลัพธ์เดียวกันทุกครั้ง มันเร็ว มันคงที่ มันทำสิ่งที่ออกแบบมาให้ทำ ไม่มาก ไม่น้อย กระบวนการทำงานแบบมีแนวโน้มใช้ AI หรือการให้เหตุผลแบบโมเดลเพื่อแปลความหมายและสร้างคำตอบที่น่าจะเป็นไปได้ มันใช้ได้เมื่อกระบวนการทำงานเกี่ยวข้องกับความไม่แน่นอน ข้อมูลที่ไม่มีโครงสร้าง หรือการตัดสินใจที่ต้องใช้การอนุมาน

ด้วยคำจำกัดความที่กำหนดไว้ คำถามเรื่องเวลาตอบเอง เมื่อกระบวนการทำงานแบบมีแนวโน้มมักเป็นเครื่องมือที่เหมาะสมในช่วงแรกเมื่อกระบวนการทำงานยังไม่เข้าใจอย่างเต็มที่ มันกลายเป็นปัญหาเมื่อบริษัทต่างๆ ยังคงใช้เมื่อกระบวนการทำงานได้รับการชี้แจงแล้ว

กระบวนการทำงานที่เป็นรูปธรรมทำให้ความแตกต่างระหว่างช่วงแรกและช่วงที่สองเป็นรูปธรรม ส่วนหนึ่งของกระบวนการทำงานนั้นแท้จริงต้องการ AI ตัวอย่างเช่น การระบุบัญชีที่ถูกต้องจากบันทึกการโทรต้องใช้การอนุมานที่ระบบที่แน่นอนไม่สามารถทำได้ ส่วนอื่นๆ เช่น การแนบไฟล์เข้ากับบันทึกหรือการโพสต์แจ้งเตือนเป็นงานที่แน่นอน กฎที่แน่นอน การเรียก API โดยตรง คือผลลัพธ์เดียวกันทุกครั้ง ฉันเองก็ทำผิดพลาดนี้: ฉันกำลังสร้างการทำงานอัตโนมัติภายในที่เชื่อมต่อบันทึกการโทร ส่งต่อข้อมูลเข้าสู่ CRM ของเรา ระบุรายการงาน และส่งอัปเดตไปยัง Slack

ความล่อลวงคือการวิ่งทั้งหมดผ่าน AI และความล่อลวงนั้นมาพร้อมกับภาระที่แท้จริงและซ้ำกัน ในขณะที่มีความล่อลวงที่จะวิ่งทั้งหมดผ่าน AI และการโทร AI แต่ละครั้งจะแนะนำความล่าช้าและค่าใช้จ่ายในการใช้งานและโครงสร้างพื้นฐาน AI ต้องการการตรวจสอบ การจัดการคำสั่ง และการป้องกันเพราะโมเดลพื้นฐานถูกพัฒนาโดยเจ้าของอย่างต่อเนื่องและไม่คาดเดาได้ คุณไม่เคยรู้ว่ามันจะเริ่มทำงานแตกต่างออกไป ผลลัพธ์อาจแตกต่างกันในทางที่สร้างปัญหาในการกำกับดูแลที่ระดับใหญ่

เล่นออกไปไกลพอๆ การที่จะกลายเป็นความสิ้นเปลืองที่แท้จริง ลองนึกถึงบริษัทที่ใช้ AI เพื่อวิเคราะห์ตั๋วสนับสนุน 50,000 ใบ AI ระบุเส้นทางการแก้ปัญหาที่พบบ่อยที่สุด 5 เส้นทาง ในตอนแรก AI จัดการการกำหนดเส้นทางแบบมีแนวโน้ม: อ่านตั๋วและตัดสินใจ เมื่อเวลาผ่านไป บริษัท ยืนยันรูปแบบเหล่านั้น เส้นทางการแก้ปัญหากลายเป็นที่รู้จัก การเปลี่ยนพวกมันให้เป็นสาขาการทำงานที่แน่นอนไม่เอา AI ออกจากกระบวนการ แต่จะลบการปฏิบัติที่ซ้ำซ้อนในการจ่าย AI เพื่อค้นหาคำตอบที่ทราบแล้ว

นั่นคือภาษีแบบมีแนวโน้ม: ต้นทุนเพิ่มเติม ความล่าช้า และภาระการกำกับดูแลในการทำงาน AI เป็นรันไทม์สำหรับงานที่ไม่ต้องการการให้เหตุผลแบบมีแนวโน้ม

รูปแบบการทำงานที่เติบโตแล้วดูเหมือนอะไร

หากการทำงานที่แก้ปัญหาแล้วบน AI คือภาษี การเคลื่อนไหวที่เติบโตคือการแบ่งงานตามประเภท เมฆที่เติบโตสร้างโครงสร้างพื้นฐานแบบไฮบริด: เมฆที่มีจุดยืนที่ได้รับอนุญาต ระบบโครงสร้างพื้นฐานที่อุทิศให้กับทุกที่อื่น ฉันคาดการณ์ว่า AI ที่เติบโตจะสร้างการดำเนินงานแบบไฮบริดด้วยตรรกะเดียวกัน

การแบ่งนั้นสร้างกฎการดำเนินงานที่ชัดเจน ระบบแบบมีแนวโน้มมีคุณค่าเมื่อมีความไม่แน่นอนอยู่จริงๆ มนุษย์ไม่แน่นอน ข้อมูลที่ไม่มีโครงสร้างไม่แน่นอน กระบวนการทำงานที่ยังไม่เข้าใจอย่างเต็มที่ไม่แน่นอน การอนุมานเป็นเครื่องมือที่เหมาะสมสำหรับทั้งหมดนั้น กฎที่สำคัญที่สุดคือระบบที่แน่นอนคือที่ที่ขนาด ค่าใช้จ่าย ความเร็ว และการกำกับดูแลมีความสำคัญ ระดับแบบมีแนวโน้มค้นพบและตีความ ระดับที่แน่นอนจะดำเนินการ

บนพื้น两个สัญญาณบอกคุณว่าโหลดงานใดๆ นั้นอยู่ในด้านใด:

1. หากคุณพบว่าทีมของคุณพึ่งพา AI สำหรับสิ่งที่กลายเป็นเสถียร ซ้ำกัน และเข้าใจได้ดี นั่นคือผู้สมัครที่จะคืนเงิน เนื่องจากคุณกำลังจ่ายภาษีแบบมีแนวโน้มสำหรับงานที่แน่นอน
2. หากคุณพบว่ารหัสที่แน่นอนของคุณเต็มไปด้วยตัวจัดการข้อยกเว้นและข้อพิจารณาเรื่องความแปรผัน นั่นเป็นสัญญาณที่คุณอาจต้องการ AI จริงๆ ชุดกฎพยายามที่จะประมาณการอนุมาน

ในทางปฏิบัติ พรมแดนถูกวาดเป็นขีดความมั่นใจ ขีดความมั่นใจเฉพาะ การมอบหมายตัดสินใจเมื่อโมเดลมั่นใจมากกว่า 90% หรือล้มเหลวอย่างมีเกียรติเมื่อต่ำกว่านั้น มักเป็นที่ที่พรมแดนถูกวาดในทางปฏิบัติ

ซึ่งทำให้เรื่องราวของการชนะด้วย AI เปลี่ยนไป บริษัท ที่ประสบความสำเร็จมากที่สุดในการนำ AI ไปใช้จะไม่ใช่ผู้ที่ใช้ AI มากที่สุด แต่ผู้ที่รู้ว่าเมื่อใดควรใช้ AI และเมื่อใดควรเสริมสิ่งอื่น