AI Patlaması Kararlı Bir Orta Aşamaya Ulaştı: İşletmelerin Bilmesi Gerekenler

Ortaokul hiç kimsenin en iyi dönemi olmadı – ancak hepimiz büyüme sancıları ve tümü ile birlikte onu geçmek zorunda kaldık, kendimizi daha iyi, daha olgun bir versiyona ulaştırmak için.

Şu anda yaşanan AI patlaması, uzmanların karmaşık orta olarak adlandırdığı bir şeyin içine giriyor – benimseme ve olgunluk arasında. İlk heyecan geçmiştir ve şimdi, işletmeler AI’yi gerçekten operasyonel hale getirmeye odaklanıyor. Ancak AI, zor bir dönemde olgunlaşıyor. Tahminler her yerde, işletmeler ve tüketiciler arasında şüphe yüksek ve AI balonunun genişlediğine dair konuşmalar, işletme liderlerini endişelendiriyor, korktukları patlama için bekliyorlar.

Bu kararlı anda, işletmeler sinyali gürültüden ayırmak zorunda – ya deneyselden pratik uygulamaya ya da pratik uygulamadan operasyonel evrenselliğe doğru çabalarını yönlendiriyorlarsa. Bu, kontrol edebilecekleri somut faktörlere odaklanmayı gerektirir – altyapıları ve veri hazırlıkları gibi; sonuçları ölçmek ve ölçeklendirmek için temel oluşturmak.

Altyapı-İlk Yaklaşım

Gerçek AI hazırlığı, AI iş yüklerinin sürdürülebilir dağıtımı için uygun altyapıyı gerektirir. Doğal olarak, AI, bulut hizmetleri talebini artırdı: bulut harcamalarının bu yıl %40 artması bekleniyor, altyapı bütçedeki en pahalı madde olacak ve yeni veri merkezleri her kıtada AI hesaplama talebini karşılamak için ortaya çıkıyor. Bu AI dönemeç noktasında, altyapı seçimleri varoluşsal. Altyapı, neyin güvenli, neyin mümkün ve neyin aslında işletmeye fayda sağlayacağına, kaynakları boşa harcamak yerine karar veriyor.

Sürdürülebilir altyapı, sadece maliyetler ve toplam hesaplama gücü ile tanımlanmıyor. İşletmeler, AI iş yüklerini barındırmak için nerede ve nasıl karar verirken, kaynak verimliliği, güvenlik, görünürlük ve genel performans-fiyat konularını dikkate almak zorundalar. AI altyapısı, bir defaya mahsus yatırım değil, her proje talebiyle gelişebilecek bir süreç olmalıdır.

Bu, histórik yaklaşımından bulut harcamalarına bir ayrılık. AI akımından önce, işletmeler genellikle bulut tabanlı operasyonlarını barındırmak için tek bir bulut hizmet sağlayıcısına – genellikle bir hiperskaleye – güvenirlerdi. Şimdi, AI iş yüklerinin karmaşıklığı ve çeşitliliği bu modeli zorluyor, özellikle işletmeler daha pratik kullanım durumlarına doğru ilerlerken ve alternatif bulutlar talebi karşılamak için ortaya çıkıyor.

Modern AI girişimleri, Büyük Üç’lünün iyi donatılmış olduğu önemli hesaplama gücünü gerektirir. Çatlaklar, tüm bu gücün fazla olduğu zaman ortaya çıkar. Hiperskale sözleşmeleri maliyetli olabilir, gereksiz ek özelliklerle şişirilebilir ve hassas projeler için gerekli veri güvenliği ve ikametini sağlamayabilir.

İşletmeler, bulut operasyonlarını tek bir satıcıya bağlamak yerine, farklı sağlayıcılar, GPU türleri ve kamu/özel bulut ayarları arasında kendi yığınlarını oluşturmak için alternatiflerin artan bir sınıfından yararlanabilir. Bu şekilde, ihtiyaç duymadıkları özellikler için ödeme yapmazlar ve aynı zamanda bulutlarını ihtiyaç duydukları şey için özelleştirirler.

Altyapı-ilk yaklaşım, AI olgunluğuna ulaşmak için bir temel oluşturmakla ilgili – bu, verimliliği ve faydayı maksimuma çıkaran, aynı zamanda gücü feda etmeden bir temel.

Deneyselden Uygulamaya

Geçtiğimiz birkaç yıl içinde, dünya çapındaki işletmeler AI’yi operasyonlarına nasıl entegre edeceklerini deniyorlardı. Merak ve AI heyecanıyla sürüklenenler, inovasyon sınırlarını zorladılar, verimlilik için yeni olanaklar açığa çıkardılar ve sayısız açık kaynak aracı ve modelin potansiyelini yükselttiler. Ayrıca gerçekleştikleri deneyler, “hızlı hareket et ve şeyi kır” felsefesinin her zaman en iyi yaklaşım olmadığını, özellikle AI gibi güçlü bir teknoloji söz konusu olduğunda öğrendiler.

Şimdi, işletmeler bu deneysel aşama geçtikten sonra, başarısızlık seçenek değildir. Doğru sonuçlar kritiktir. Performans gecikme yaşayamaz. İşletmeler, AI çerçevesine dayalı olarak temel işlevlerini yeniden inşa edeceklerse, AI’yi yaratıcı bir deneyden bir güç çarpanına dönüştüren “sıkıcı” kısımlara odaklanmak zorundalar – bunlar arasında:

• Veri güvenliği ve gizliliği: Çoğu AI modeli, etkili bir şekilde çalışmak için hassas kişisel ve iş verilerini kullanır. İşletmeler, verilerinin güvenli bir şekilde barındırıldığından ve yetkisiz kopyalama veya “karanlık AI” maruz kalma riski olmadan emin olmak zorundalar.
• Model yaşam döngüsü yönetimi: Modeller, kritik iş fonksiyonlarını desteklemek için doğru, güncel ve düzenli olarak yeniden eğitilmelidir.
• Performans tutarlılığı: Modelleri, iç kullanım için veya müşteri odaklı operasyonlar için dağıtmış olsanız da, tutarlı performans sağlamak kritiktir. manyetik performans sorunları, altyapı düzeyinde çözülür.

Şu anda, sadece %37’si yeni nesil modelleri aylık, haftalık veya günlük olarak dağıtıyor. Daha fazla işletme uygulamaya geçtikçe, bu oran dramatik bir şekilde artacak ve özel modellere yönelik altyapı talebini artırarak hesaplama gücüne olan talebi de artıracaktır. “Hafif” bir model, hiperskale düzeyinde bir temel gerektirmez, ancak hassas bilgiler kullanıyorsa, o düzeyde güvenlik gerektirebilir. İşte burada özel bulutlar devreye giriyor ve neden altyapının işletme AI değişiminde birincil consideration olması gerektiği.

Uygulamadan Ölçeğe

Olgunluk eğrisinde daha ileride olan işletmeler için, AI’nin pratik uygulaması zaten günlük operasyonlarının bir parçasıdır. Şimdi, bu uygulamaları daha da büyük bir değer yaratmak ve işletmeyi tam olarak geliştirmek için ölçeklendirmeyi hedefliyorlar.

Baskı yüksek ve avantajlar açık: %81’i AI olgunluğunun en yüksek seviyesindeki işletmeler, geçen yıl daha iyi mali sonuçlar bildirdi. Bu, AI uygulamalarının en büyük stres testine tabi tutulduğu aşamadır. Kapalı bir ortamda geçerlilik testini geçebilirler, ancak daha fazla veri alabilirler mi? Yeni bölgelerde çalışabilirler mi? Ve belki de en önemli soru: anlamlı sonuçlar üretebilirler mi?

Ölçek, büyümek anlamına gelir, ancak bazı durumlarda, daha az daha fazla anlamına gelebilir. Bu aşamadaki işletmeler, hedeflenen küçük dil modellerinin (SLM’ler) çok amaçlı büyük dil modellerinden (LLM’ler) daha iyi performans gösterip göstermeyeceğini düşünmelidir. AI girişimleri, gerçek iş sorunlarına bağlı olduğunda ve ölçülebilir sonuçlar üretebildiğinde en başarılı olanlar.

AI ajanlarının uygulaması ve ölçeklenmesi konusunda benzer bir model ortaya çıkıyor – özerk AI’nin bir sonraki aşaması. Belirli alanlara özgü görevleri gerçekleştiren ve tutarlı bir şekilde korunmuş bir veri kümesiyle bilgilendirilen ajanlar, gerçekten işletmede gerçek bir etkiye sahip olanlar. Özel ajanlar hala önemli hesaplama gücüne ihtiyaç duyar, ancak her şeyi yapabilen bir pilot gibi değil. Altyapıyı önceden önceliklendirmek, işletmelerin AI girişimlerinden gerçek bir getiri elde etmesini sağlayacaktır, böylece bulut bütçelerini aşmadan.

Etkiye Sahip İnovasyon

AI “yarışı” bir yarış değil, bir yenileme: işletmeyi yeniden inşa ediyorsak, sağlam bir temel üzerinde yapmak istiyoruz – aksi takdirde duvarlar kaçınılmaz olarak çökecektir. İşletmeler, altyapı hakkında düşünmek, veri koruma önlemlerini sağlamak, model yaşam döngüsünü yakından yönetmek, performansı izlemek ve içgörüler toplamak ve ayarlamalar yapmak için zaman ayırmak zorundalar. Sabır ve azim, gerçekten çalışan, güvenli kalan ve tutarlı bir şekilde performans gösteren çözümler oluşturmak için anahtardır.

AI heyecanının yeniği kayboluyor, ancak işletmeler AI’nin karmaşık orta yıllarından, ekiplerini en önemli şeylerle – sonuçlar ile canlı tutarak geçebilir.