ลิออร์ โคเรียต์ CEO ของ Quali – ซีรีส์สัมภาษณ์

ลิออร์ โคเรียต์ ซีอีโอของ Quali เป็นนักบริหารเทคโนโลยีและนักประกอบการมือเก๋า โดยมีประสบการณ์เกือบสองทศวรรษที่ Quali ซึ่งเขามีส่วนช่วยหล่อหลอมบริษัทตั้งแต่ฐานการวิศวกรรมและดำเนินการในระยะแรกจนกลายเป็นผู้ให้บริการระดับโลกของ Environment as a Service ที่ไม่ผูกพันบนคลาวด์สำหรับทีม DevOps, IT และแพลตฟอร์ม ตั้งแต่เข้ารับตำแหน่งซีอีโอและสมาชิกคณะกรรมการในปี 2011 เขาได้นำการขยายตัวของ Quali ไปทั่วสหรัฐอเมริกา ยุโรป เอเชีย และอิสราเอล โดยสร้างบนบทบาทก่อนหน้านี้ในฐานะ VP R&D, COO และซีอีโอ ซึ่งเขาก่อตั้งฝ่ายวิศวกรรม การขาย การสนับสนุนลูกค้า กฎหมาย การพัฒนาองค์กร และการดำเนินงานระหว่างประเทศ ประวัติของเขายังรวมถึงการก่อตั้งและนำ Intellitech Engineering ซึ่งเป็นบริษัทวิศวกรรมระบบและเครื่องกลที่ถูกซื้อขาย ซึ่งให้บริการลูกค้าทั้งภาครัฐและเอกชน นอกจากนี้เขายังมีบทบาทในการให้คำปรึกษากับ Google Launchpad Accelerator และ UC Berkeley’s Sutardja Center for Entrepreneurship & Technology โดยที่เขาทำหน้าที่ให้คำแนะนำแก่สตาร์ทอัพเกี่ยวกับกลยุทธ์ผลิตภัณฑ์ การดำเนินการตลาด การทำงานของ DevOps และการขยายขนาด

Quali พัฒนาซอฟต์แวร์สำหรับการทำงานอัตโนมัติของโครงสร้างพื้นฐานและวิศวกรรมแพลตฟอร์ม ซึ่งได้รับการออกแบบมาเพื่อช่วยให้องค์กรสามารถส่งมอบสภาพแวดล้อมคลาวด์ที่มีการควบคุมและบริการตนเองโดยไม่ทำให้ทีมพัฒนาชะงัก ทอร์ค (Torque) แพลตฟอร์มของ Quali มีระดับการบริการตนเองแบบแค็ตตาล็อกสำหรับทีมแพลตฟอร์ม ซึ่งทำให้สามารถอนุมัติแบบแผนการเข้าถึงตามบทบาท การจัดการวงจรชีวิต การคาดการณ์ต้นทุน การบังคับใช้นโยบาย และการมองเห็นแบบเรียลไทม์ข้ามสภาพแวดล้อม Quali จัดตำแหน่ง Torque ให้เป็นวิธีการมาตรฐานในการส่งมอบโครงสร้างพื้นฐานข้ามการกำหนดค่าหลายคลาวด์และไฮบริดคลาวด์ โดยมีการสนับสนุนสำหรับการใช้งานต่างๆ รวมถึงการพัฒนาซอฟต์แวร์ การทดสอบ การสาธิต การฝึกอบรม การติดตั้งแบบพิสูจน์แนวคิด การทำงานของ MLOps การทำงานของ AI แบบตัวแทน การทำงานอัตโนมัติของ CI/CD และ GPU-as-a-Service พอร์ตโฟลิโอผลิตภัณฑ์ที่กว้างขึ้นของ Quali ยังรวมถึง CloudShell ซึ่งเปลี่ยนโครงสร้างพื้นฐานให้เป็นบล็อกการสร้างที่ใช้โค้ดต่ำหรือไม่ต้องใช้โค้ดสำหรับสภาพแวดล้อมที่ซับซ้อนบนโครงสร้างพื้นฐานบนพื้นที่และคลาวด์

คุณก่อตั้งและขยายตัวบริษัทเทคโนโลยีหลายแห่งก่อนที่จะนำ Quali และอาชีพของคุณครอบคลุมระบบทางทหาร ระบบหุ่นยนต์ วิศวกรรมโครงสร้างพื้นฐาน และการทำงานอัตโนมัติของคลาวด์ ประสบการณ์เหล่านี้มีอิทธิพลต่อวิสัยทัศน์ของคุณในการสร้างแพลตฟอร์มโครงสร้างพื้นฐาน AI อย่างไร และอะไรที่ทำให้คุณเชื่อว่านี่คือช่วงเวลาที่เหมาะสมที่จะเน้นการจัดการโครงสร้างพื้นฐาน AI ที่เป็นเอกลักษณ์?

อาชีพของฉันเน้นไปที่ระบบที่ซับซ้อนซึ่งต้องทำงานได้อย่างน่าเชื่อถือภายใต้สภาพแวดล้อมที่ต้องการสูง ฉันเริ่มต้นด้วยระบบหุ่นยนต์และอวกาศ โดยพัฒนาระบบอัตโนมัติและซิมูเลชันสำหรับการใช้งานทางทหาร ซึ่งความซ้ำซ้อนและความมีระเบียบเป็นข้อกำหนดในการดำเนินงาน มันสอนฉันว่าปัญหาที่ยากที่สุดเกิดขึ้นที่จุดตัดของระบบและกระบวนการหลายอย่างที่ทำงานร่วมกันอย่างต่อเนื่อง

มุมมองนั้นถูกนำไปใช้กับ Quali ในช่วงหลายปีที่ผ่านมา โครงสร้างพื้นฐานขององค์กรมีการกระจายตัวมากขึ้นข้ามชั้นต่างๆ ทุกชั้นใหม่ๆ จะแก้ปัญหาเฉพาะทางเทคนิค แต่ก็แนะนำอินเทอร์เฟซการบริหารจัดการใหม่ๆ โฟลว์การทำงานการดำเนินงานใหม่ๆ และแหล่งที่มาของความซับซ้อนที่เพิ่มขึ้น องค์กรต่างๆ กลายเป็นมืออาชีพในการสร้างโครงสร้างพื้นฐาน แต่น้อยกว่าในการควบคุมโครงสร้างพื้นฐานหลังจากที่มันถูกสร้างขึ้น

AI เพิ่มความไม่สมดุลนี้ และความท้าทายในการดำเนินงานมีแนวโน้มที่จะกำหนดว่าโครงการ AI จะไปถึงการผลิตหรือยังคงอยู่ในขั้นการทดลอง นั่นคือเหตุผลที่ฉันเชื่อว่าการจัดการโครงสร้างพื้นฐาน AI ที่เป็นเอกลักษณ์เป็นสิ่งจำเป็น ความท้าทายคือการดำเนินงานโครงสร้างพื้นฐาน AI อย่างต่อเนื่องข้ามสภาพแวดล้อมที่แตกต่างกัน ในขณะเดียวกันก็รักษาการกำกับดูแล ความมั่นคง และการควบคุมต้นทุน ในขณะเดียวกันก็เพิ่มประสิทธิภาพการใช้ทรัพยากร

AI ที่มีอำนาจอธิปไตยกลายเป็นลำดับความสำคัญสำหรับทั้งรัฐบาลและองค์กรธุรกิจ สิ่งที่ส่วนใหญ่ขององค์กรมองข้ามเกี่ยวกับอำนาจอธิปไตยคืออะไร และทำไมคุณถึงเชื่อว่าการกำกับดูแลโครงสร้างพื้นฐานกำลังจะกลายเป็นเรื่องสำคัญไม่แพ้การเป็นเจ้าของแบบจำลอง?

การอภิปรายเกี่ยวกับ AI ที่มีอำนาจอธิปไตยส่วนใหญ่มุ่งเน้นไปที่การอยู่อาศัยของข้อมูลและการเป็นเจ้าของโครงสร้างพื้นฐาน สิ่งเหล่านี้เป็นส่วนประกอบที่จำเป็น แต่พวกมันกล่าวถึงเพียงบางส่วนของความเป็นจริงในการดำเนินงาน

เมื่อองค์กรมีการใช้งาน AI ที่เป็นอิสระ ปัญหาหลักเปลี่ยนจากที่ตั้งของโครงสร้างพื้นฐานไปสู่วิธีการทำงานของระบบ AI ภายในโครงสร้างพื้นฐานนั้น ตัวแทนสมัยใหม่จัดสรรทรัพยากร ดึงข้อมูลเริ่มต้นกระบวนการทำงาน และโต้ตอบกับระบบการผลิต ทุกการกระทำต้องมีการบังคับใช้นโยบาย

สิ่งนี้เปลี่ยนแปลงวิธีการประเมินอำนาจอธิปไตย การเป็นเจ้าของโครงสร้างพื้นฐานไม่ได้ให้การควบคุมการดำเนินงานโดยอัตโนมัติหากระบบ AI สามารถดำเนินการโดยไม่มีการกำกับดูแลที่แน่นอน องค์กรมีความจำเป็นต้องแสดงว่าใครเป็นผู้เริ่มการกระทำ นโยบายใดที่ควบคุมมัน ทรัพยากรใดที่ถูกเข้าถึง และวิธีการตัดสินใจสามารถตรวจสอบได้อย่างไร

ฉันคาดว่าการกำกับดูแลโครงสร้างพื้นฐานจะกลายเป็นสิ่งสำคัญเช่นเดียวกับการพัฒนาแบบจำลอง เนื่องจากมันให้โครงสร้างการดำเนินงานที่ช่วยให้องค์กรสามารถขยาย AI ได้อย่างรับผิดชอบ เมื่อองค์กรมีการนำแบบจำลองหลายรูปแบบ คลาวด์หลายแห่ง และกระบวนการทำงานที่มีอิสระมากขึ้น การกำกับดูแลจะกลายเป็นชั้นที่ทำให้สภาพแวดล้อมเหล่านั้นมีความปลอดภัยและรับผิดชอบทั่วทั้งโครงสร้างพื้นฐาน

ตัวแทน AI ได้รับมอบอำนาจในการจัดสรรทรัพยากร การใช้งานเวิร์กโหลด และการตัดสินใจในการดำเนินงาน มีเครื่องมือป้องกันใดบ้างที่ต้องมีก่อนที่องค์กรมั่นใจได้ว่าระบบอัตโนมัติสามารถเชื่อถือได้กับโครงสร้างพื้นฐานที่สำคัญ?

หลายองค์กรมีการใช้งานตัวแทน AI ในการผลิตแล้ว คำถามคือว่าตัวแทนเหล่านั้นปฏิบัติงานภายในขอบเขตที่กำหนดไว้อย่างชัดเจน

ข้อกำหนดแรกคือการบังคับใช้นโยบายที่แน่นอนในระดับการดำเนินงาน ตัวแทนควรสามารถดำเนินการเฉพาะที่สอดคล้องกับนโยบายโครงสร้างพื้นฐานที่กำหนดไว้ล่วงหน้า นโยบายเหล่านั้นไม่สามารถพึ่งพาแบบจำลองในการตัดสินใจว่าการกระทำนั้นเหมาะสมหรือไม่ พวกเขาต้องถูกบังคับใช้โดยอิสระจากแบบจำลองเอง

การควบคุมการเข้าถึงมีความสำคัญเช่นกัน การอนุญาตที่คงอยู่จะสร้างความเสี่ยงในการดำเนินงานที่ไม่จำเป็น การเข้าถึงควรจัดสรรสำหรับงานเฉพาะ ที่จำกัดเฉพาะทรัพยากรที่จำเป็น และถูกเพิกถอนโดยอัตโนมัติเมื่องานเสร็จสิ้น โมเดลนี้ช่วยให้องค์กรมีการทำงานอัตโนมัติได้โดยไม่ต้องขยายพื้นที่โจมตี

การกระทำทั้งหมดต้องมีประวัติการตรวจสอบที่สมบูรณ์ เมื่อระบบ AI มีความอิสระมากขึ้น องค์กรมีความจำเป็นต้องเข้าใจว่าตัวแทนใดที่กระทำการเมื่อใด นโยบายใดที่อนุญาต และการเปลี่ยนแปลงใดที่เกิดขึ้น ระดับการตรวจสอบนี้สนับสนุนการแก้ไขปัญหาทางการดำเนินงานเช่นเดียวกับการปฏิบัติตามกฎระเบียบ

ฉันเชื่อด้วยว่าโครงสร้างพื้นฐานอัตโนมัติควรดำเนินงานภายในสภาพแวดล้อมที่มีการกำกับดูแล มากกว่าโครงสร้างพื้นฐานที่ไม่มีข้อจำกัด สภาพแวดล้อมที่กำหนดไว้อย่างชัดเจนให้ขอบเขตทรัพยากรที่ชัดเจน การควบคุมวงจรชีวิต และนโยบายการดำเนินงานก่อนที่ตัวแทนจะเริ่มทำงาน โมเดลนี้ช่วยให้องค์กรมีการเพิ่มการทำงานอัตโนมัติในขณะที่ยังคงรักษาพฤติกรรมการดำเนินการที่คาดการณ์ได้เมื่อการวางระบบ AI เพิ่มขึ้น

คุณมักพูดถึงการเปลี่ยนแปลงจากอัตโนมัติแบบดั้งเดิมไปสู่สิ่งที่คุณเรียกว่า “ระนาบการควบคุมอัจฉริยะ” เมื่อโครงสร้างพื้นฐานเริ่มทำงานรอบๆ ความตั้งใจมากกว่ากฎและกระบวนการแบบคงที่ สิ่งพื้นฐานที่เปลี่ยนแปลงคืออะไร?

การทำงานอัตโนมัติแบบดั้งเดิมจะดำเนินการตามขั้นตอนที่กำหนดไว้ล่วงหน้า ซึ่งทำงานได้ดีเมื่อโครงสร้างพื้นฐานคาดการณ์ได้ โหลดงานคงที่ และการเปลี่ยนแปลงเกิดขึ้นผ่านกระบวนการทำงานที่ควบคุมโดยมนุษย์ โครงสร้างพื้นฐาน AI ไม่ทำงานในลักษณะนั้น

โหลดงาน AI มีลักษณะที่เปลี่ยนแปลงได้เร็ว ความต้องการ GPU มีการเปลี่ยนแปลงอย่างรวดเร็ว สภาพแวดล้อมถูกสร้างและถูกทำลายบ่อยๆ และตัวแทนอาจต้องการการเข้าถึงทรัพยากรสำหรับงานเฉพาะ ระนาบการควบคุมอัจฉริยะเข้าใจวัตถุประสงค์ของสภาพแวดล้อม ใครเป็นเจ้าของ มันคิดอะไร คุณนโยบายใดใช้บังคับ และว่าสถานะการทำงานยังคงสอดคล้องกับสถานะที่ตั้งใจไว้หรือไม่

บริบทนี้เปลี่ยนแปลงการจัดการโครงสร้างพื้นฐาน ระบบสามารถตรวจจับการเปลี่ยนแปลง แนะนำการปรับให้เหมาะสม บังคับใช้นโยบาย และจัดการการตัดสินใจวงจรชีวิตต่อผลลัพธ์ที่ตั้งใจไว้ มากกว่าจากสคริปต์ที่กำหนดไว้

โครงสร้างพื้นฐาน GPU ได้กลายเป็นหนึ่งในอุปสรรคที่ใหญ่ที่สุดในการใช้งาน AI คุณเชื่อว่าอุตสาหกรรมกำลังเข้าใกล้การใช้ GPU ในลักษณะที่ไม่ถูกต้องหรือไม่ และการเปลี่ยนแปลงการดำเนินงานใดที่สามารถปรับปรุงประสิทธิภาพได้อย่างมากโดยไม่ต้องเพิ่มฮาร์ดแวร์เพิ่มเติม?

อุตสาหกรรมมักจะรับมือกับปัญหา GPU เป็นปัญหาในการจัดซื้อ ในหลายองค์กร ปัญหาระบุเป็นปัญหาเรื่องการใช้ประโยชน์

เรามองเห็นองค์กรที่มีคลัสเตอร์ GPU ที่จัดสรรไว้สำหรับความต้องการสูงสุด นั่นไม่ทำงานระหว่างการฝึกอบรม หรือยังคงเชื่อมต่อกับสภาพแวดล้อมหลังจากที่งานเสร็จสิ้นแล้ว สิ่งนี้สร้างต้นทุนสูงโดยไม่สอดคล้องกับคุณค่าทางธุรกิจ

การปรับปรุงประสิทธิภาพการใช้ GPU เริ่มต้นด้วยการควบคุมวงจรชีวิต สภาพแวดล้อมควรจัดสรรตามความต้องการ มีการจับคู่กับโหลดงาน มีการกำหนดให้กับทีมหรือโครงการ และถูกทำลายโดยอัตโนมัติเมื่องานเสร็จสิ้น องค์กรมีความจำเป็นต้องมีการมองเห็นการใช้ประโยชน์ ต้นทุนต่อโหลดงาน และวัตถุประสงค์ทางธุรกิจเบื้องหลังสภาพแวดล้อม

การเพิ่มฮาร์ดแวร์อาจยังคงจำเป็น แต่ความจุ GPU ที่ไม่ได้รับการจัดการเพียงเพิ่มปัญหาเรื่องต้นทุน

หลายองค์กรมีการดำเนินงานข้ามคลาวด์สาธารณะ คลาวด์ส่วนตัว สภาพแวดล้อมบนพื้นที่ และโครงสร้างพื้นฐานระดับขอบ คุณเห็นว่าสภาพแวดล้อม AI แบบไฮบริดกำลังพัฒนาไปอย่างไรในช่วงห้าปีข้างหน้า และความท้าทายใดที่ยังคงไม่ได้รับการแก้ไขในปัจจุบัน?

สภาพแวดล้อม AI แบบไฮบริดจะกลายเป็นรูปแบบมาตรฐานขององค์กร องค์กรจะใช้คลาวด์สาธารณะเพื่อความยืดหยุ่น ใช้โครงสร้างพื้นฐานภายในองค์กรเพื่อการควบคุมและบริหารต้นทุน และใช้ระบบ edge เมื่อข้อกำหนดด้านเวลาแฝง ตำแหน่งข้อมูล หรือการปฏิบัติงานต้องการ

ความท้าทายที่ยังไม่แก้คือความสม่ำเสมอ องค์กรส่วนใหญ่ทำงานข้ามผู้ขาย คลาวด์ เครื่องมืออัตโนมัติ และชนิดโครงสร้างพื้นฐานหลายแบบอยู่แล้ว AI เพิ่มคลัสเตอร์ GPU สภาพแวดล้อมให้บริการโมเดล ขั้นตอนปรับแต่ง และเวิร์กโหลดแบบเอเจนต์เข้าไปอีก

ในห้าปีข้างหน้า องค์กรชั้นนำจะสร้างมาตรฐานการปฏิบัติงานเดียวสำหรับทุกสภาพแวดล้อม พวกเขาต้องจัดสรรทรัพยากร บังคับใช้นโยบาย ระบุต้นทุน ตรวจสอบย้อนหลัง และจัดการวงจรชีวิตได้อย่างสม่ำเสมอ ไม่ว่าเวิร์กโหลดจะทำงานที่ใด

DevOps เปลี่ยนการส่งมอบซอฟต์แวร์ตลอดทศวรรษที่ผ่านมา โครงสร้างพื้นฐาน AI ต้องมีรูปแบบการปฏิบัติงานใหม่ทั้งหมด หรือเป็นวิวัฒนาการตามธรรมชาติของ DevOps และวิศวกรรมแพลตฟอร์ม?

โครงสร้างพื้นฐาน AI ขยายแนวทาง DevOps แต่ยังเพิ่มข้อกำหนดที่การปฏิบัติ DevOps แบบเดิมไม่ได้ออกแบบมารองรับ

DevOps ปรับปรุงการส่งมอบซอฟต์แวร์ด้วยการทำให้ขั้นตอนเป็นมาตรฐาน ทำงานซ้ำให้เป็นอัตโนมัติ และช่วยให้ทีมเข้าถึงทรัพยากรได้เร็วขึ้น โครงสร้างพื้นฐาน AI ต้องการวินัยเดียวกัน แต่เวิร์กโหลดใช้ทรัพยากรมากกว่า คาดการณ์ยากกว่า และพึ่งพาโครงสร้างพื้นฐานเฉพาะทางมากกว่า

วิศวกรรมแพลตฟอร์มจึงเป็นหัวใจสำคัญ ทีมต้องเข้าถึงสภาพแวดล้อมที่ผ่านการตรวจสอบแล้วได้ด้วยตนเองภายใต้การกำกับดูแล แทนการยื่นคำขอหรือกำหนดค่าทีละงาน รูปแบบนี้ยังคงให้คุณค่ากับความเร็วและระบบอัตโนมัติ แต่ต้องวางการกำกับดูแล การควบคุมต้นทุน และบริบทของโครงสร้างพื้นฐานไว้ตั้งแต่ต้น

การดำเนินงานแบบไม่ต้องสัมผัสเป็นเป้าหมายของการจัดการโครงสร้างพื้นฐานมานาน เราใกล้โครงสร้างพื้นฐานที่เป็นอิสระอย่างแท้จริงเพียงใด และอุปสรรคทางเทคนิคกับองค์กรใดที่ยังขวางอยู่?

เราใกล้กว่าที่คนส่วนใหญ่คิด แต่ข้อจำกัดอยู่ที่การกำกับดูแลมากกว่าระบบอัตโนมัติ ตัวแทน AI จัดสรรสภาพแวดล้อม นำเวิร์กโหลดขึ้นระบบ ตรวจสอบความผิดปกติ และแนะนำการแก้ไขได้แล้ว ความท้าทายคือทำให้ทุกการกระทำอยู่ภายในขอบเขตนโยบายที่กำหนดชัดเจน

องค์กรยังต้องมั่นใจว่าระบบอัตโนมัติอธิบายได้ว่าทำอะไร ทำไมจึงทำ และทำภายใต้นโยบายใด การตรวจสอบย้อนกลับระดับนี้ยังขาดในหลายสภาพแวดล้อม โครงสร้างพื้นฐานอัตโนมัติจะกลายเป็นกระแสหลักเมื่อการกำกับดูแล การตรวจสอบ และการบังคับใช้นโยบายถูกสร้างไว้ในชั้นปฏิบัติการตั้งแต่ต้น

เมื่อเวิร์กโหลด AI มีความผันผวนและใช้ทรัพยากรมากขึ้น ต้นทุนเกินงบกลายเป็นข้อกังวลสำคัญ องค์กรมักผิดพลาดอย่างไรเมื่อขยายโครงสร้างพื้นฐาน AI และควรหลีกเลี่ยงอย่างไร?

หลายองค์กรมุ่งซื้อกำลังประมวลผลเพิ่มก่อนเข้าใจว่ากำลังใช้โครงสร้างพื้นฐานที่มีอยู่ได้มีประสิทธิภาพเพียงใด

เราพบสภาพแวดล้อมที่ยังทำงานหลังโครงการจบ ทรัพยากร GPU ถูกจองไว้สำหรับเวิร์กโหลดที่ไม่เคยทำงาน และขาดมุมมองว่าทีมหรือแอปใดเป็นตัวผลักต้นทุน เวิร์กโหลด AI ขยายความสูญเปล่าเหล่านี้เพราะความต้องการเปลี่ยนเร็วและ GPU มีราคาแพง

วิธีแก้เริ่มจากการกำกับดูแล ทุกสภาพแวดล้อมควรมีเจ้าของ วัตถุประสงค์ทางธุรกิจ วงจรชีวิต และโปรไฟล์ต้นทุนตั้งแต่วินาทีที่ถูกจัดสรร เมื่อผสานการจัดสรรตามนโยบาย การยุติอัตโนมัติ และการมองเห็นการใช้ทรัพยากรอย่างต่อเนื่อง ค่าใช้จ่ายจะคาดการณ์และอธิบายได้ง่ายขึ้น

มองไปข้างหน้า อะไรจะแยกองค์กรที่นำ AI ไปปฏิบัติในระดับใหญ่ได้สำเร็จออกจากองค์กรที่ประสบปัญหา และแนวโน้มโครงสร้างพื้นฐานใดที่ผู้นำเทคโนโลยีควรจับตาตั้งแต่ตอนนี้?

องค์กรที่สำเร็จจะมองโครงสร้างพื้นฐาน AI เป็นความสามารถด้านการปฏิบัติงาน ไม่ใช่ชุดเทคโนโลยี โมเดลจะดีขึ้นและฮาร์ดแวร์จะทรงพลังขึ้นต่อไป แต่การทำให้สภาพแวดล้อมเหล่านี้ทำงานอย่างสม่ำเสมอข้ามหลายทีมและแพลตฟอร์มจะยังเป็นโจทย์ที่ยากกว่า

แนวโน้มหนึ่งที่ควรได้รับความสนใจมากขึ้นคือ “ความฉลาดของโครงสร้างพื้นฐาน” แพลตฟอร์มเริ่มเข้าใจบริบทของสิ่งที่จัดการ ใครเป็นเจ้าของ สภาพแวดล้อมรองรับงานใด มีต้นทุนเท่าใด สอดคล้องกับนโยบายหรือไม่ และควรปรับให้เหมาะสมหรือยุติเมื่อใด บริบทนี้จะยิ่งมีค่าเมื่อองค์กรนำตัวแทน AI และโครงสร้างพื้นฐานหลากหลายชนิดมาใช้มากขึ้น

ผมคาดว่าการกำกับดูแลจะกลายเป็นข้อได้เปรียบในการแข่งขัน องค์กรที่จัดสรรโครงสร้างพื้นฐานได้เร็วพร้อมรักษาการมองเห็น การบังคับใช้นโยบาย การควบคุมต้นทุน และการตรวจสอบย้อนหลัง จะพาโครงการ AI จากการทดลองสู่การผลิตได้เร็วกว่าองค์กรที่ยังพึ่งพารูปแบบปฏิบัติการที่แตกเป็นส่วน

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม Quali เพื่อเรียนรู้เพิ่มเติม