AI Patlaması Kararlı Bir Orta Noktasına Ulaşmıştır: İşletmelerin Bilmesi Gerekenler

Ortaokul hiç kimsenin en iyi dönemi değildi – ancak hepimiz büyüme sancıları ile birlikte kendimizi daha iyi, daha olgun bir versiyona ulaşmak için bunu atlattık.

Şu anki AI patlaması, uzmanların “karmaşık orta” olarak adlandırdığı bir şeyin içine giriyor – yani benimseme ve olgunluk arasında bir yer. İlk heyecan geçmiştir ve şimdi, işletmeler AI’ı gerçekten operasyonel hale getirmeye odaklanıyorlar. Ancak AI, zor bir dönemde olgunlaşmaktadır. Tahminler her yerde, işletmeler ve tüketiciler arasında şüphe yüksek ve genişleyen bir AI balonundan söz edilmesi, işletme liderlerini endişelendirmekte ve korktukları “patlama”yı bekletmektedir.

Bu kararlı anda, işletmeler gürültüden sinyali ayırmak zorundadırlar – ya da deneysel çabalarından pratik uygulamaya doğru yöneliyorlar ya da pratik uygulamayı operasyonel bütünlüğe doğru ölçeklendirmeye çalışıyorlar. Bu, kontrol edebilecekleri somut faktörlere odaklanmayı gerektirir – örneğin altyapıları ve veri hazırlıkları; sonuçları ölçmek ve ölçeklendirmeye temel oluşturmak.

Altyapı-İlk Yaklaşım

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

Sürdürülebilir altyapı, yalnızca maliyetler ve toplam hesaplama gücü ile tanımlanmıyor. İşletmeler, AI iş yüklerini barındırmak için nerede ve nasıl barındıracaklarını belirlerken, kaynak verimliliği, güvenlik, görünürlük ve genel performans-fiyat oranı gibi konuları dikkate almak zorundadırlar. AI altyapısı, bir defaya mahsus bir yatırım değil, her proje talebiyle birlikte gelişebilecek bir süreç olmalıdır.

Bu, histórik olarak bulut harcamalarına yönelik yaklaşımlardan açık bir ayrılık. Şu anki AI akımından önce, işletmeler genellikle bulut tabanlı operasyonlarını barındırmak için tek bir bulut hizmetleri sağlayıcısına – genellikle bir hiperscaler – güveniyordu. Şimdi, AI iş yüklerinin karmaşıklığı ve çeşitliliği, özellikle işletmeler daha pratik kullanım durumlarına doğru ilerlerken ve alternatif bulutlar talebi karşılamak için ortaya çıkarken bu modeli zorluyor.

Modern AI girişimleri, Big 3’ün iyi bir şekilde sağlayabileceği önemli hesaplama gücüne ihtiyaç duyar. Çatlağın başladığı yer, tüm bu gücün fazla olmasıdır. Hiperscaler sözleşmeleri maliyetli olabilir, gereksiz ek özelliklerle şişirilebilir ve yüksek hassasiyetli projeler için gerekli veri güvenliği ve ikametini sunmayabilir.

Tek bir satıcıya bulut operasyonlarını bağlamak yerine, işletmeler, farklı sağlayıcılar, GPU türleri ve kamu/özel bulut kurulumları 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 özelleştirebilirler.

AI olgunluğuna ulaşmak için altyapı-ilk yaklaşım, ölçek için稳 bir temel oluşturmaktır – bu, verimliliği ve faydayı maksimize ederken gücü feda etmez.

Deneyselden Uygulamaya

Geçtiğimiz birkaç yıl içinde, dünya çapındaki işletmeler, AI’ı operasyonlarına nasıl entegre edeceklerini deneysel olarak keşfettiler. Merak ve küçük bir hype ile sürüklenenler, inovasyon sınırlarını zorladılar, verimlilik için yeni olanaklar açığa çıkardılar ve sayısız açık kaynak aracı ve modelin potansiyelini yükselttiler. Ayrıca, gerçekle karşı karşıya geldiler, AI gibi güçlü bir teknoloji söz konusu olduğunda, “hızlı hareket et ve şeyler kır” felsefesinin her zaman doğru olmadığını öğrendiler.

Şimdi, işletmeler bu deneysel aşamanın dışına çıkarken, başarısızlık seçeneği yoktur. Doğru sonuçlar kritiktir. Performans geride kalemez. İşletmeler, AI çerçevesine dayalı olarak temel iş fonksiyonlarını yeniden inşa edeceklerse, AI’ı yaratıcı bir deneyselden bir çarpma faktörüne dönüştüren “sıkıcı” kısımlara odaklanmak zorundadırlar – 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 emin olmalıdır – yetkisiz kopyalama veya “karanlık AI” maruz kalma riski olmadan.
• 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 operasyonlarda dağıtmak, verimlilik ve kullanım kolaylığı için kritiktir. manyetik performans sorunları, altyapı düzeyinde çözülür.

Şu anda, yalnızca %37’lik işletmeler, yeni nesil modelleri aylık, haftalık veya günlük olarak dağıtmaktadır. Daha fazla işletme uygulamaya geçtikçe, bu oran dramatik bir şekilde artacaktır – bu, hesaplama gücüne olan talebi artıracaktır, ancak aynı zamanda modellere özel altyapıyı da gerektirecektir. “Hafif” bir model, hiperscaler düzeyinde bir temel gerektirmez, ancak hassas bilgiler kullanıyorsa, bu düzeyde güvenlik gerektirebilir. İşte bu noktada özel bulutlar devreye giriyor – ve neden altyapı, bir işletme AI değişimi sırasında ilk öncelik olmalıdır.

Uygulamadan Ölçeğe

Olgunluk eğrisinin daha ilerisindeki işletmeler için, AI’ın pratik uygulaması zaten günlük operasyonlarının bir parçasıdır. Şimdi, bu uygulamaları daha büyük değer yaratmak ve işletmeyi tam olarak geliştirmek için ölçeklendirmeye çalışıyorlar.

Basınç üzerlerinde ve avantajlar açık: %81’lik işletmeler, AI olgunluğunun en yüksek seviyesinde, geçen yıl daha iyi mali sonuçlar bildirdiler. Bu, AI uygulamalarının en büyük stres testinin gerçekleştiği aşamadır. Kapsamlı bir ortamda geçerlilik testini geçebilirler, ancak daha fazla veri alabilirler mi? Yeni bölgelerde işlev görebilirler mi? Ve belki de en önemli soru: anlamlı sonuçlar üretebilirler mi?

Ölçek, büyümekle ilgili, 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 gösterebileceğini düşünmelidir. AI girişimleri, gerçek iş sorunlarına bağlı olduğunda ve ölçülebilir sonuçlar üretebildiklerinde en başarılı olanlar.

Benzer bir model, AI ajanlarının uygulaması ve ölçeklendirilmesinde de ortaya çıkıyor – özerk AI’ın bir sonraki cephesi. Belirli görevleri gerçekleştiren, yüksek oranda odaklanmış ve tutarlı bir şekilde korunmuş bir veri kümesiyle bilgilendirilen ajanlar, gerçekten işletmede gerçek bir etkiye sahip olanlar. Bununla birlikte, özel ajanlar仍 önemli hesaplama gücüne ihtiyaç duyar, ancak tümünü kapsayan bir ortak pilot gibi değil. Altyapıyı önceden önceliklendirmek, işletmelerin AI ajanı girişimlerinden gerçek bir ROI elde etmesini sağlayacaktır, ancak bulut bütçelerini aşmadan.

Etkiye Sahip İnovasyon

AI “yarışı” bir yarış değil, bir tadilattır: işletmeyi yeniden inşa ediyorsak, sağlam bir temel üzerinde yapmak istiyoruz – aksi takdirde duvarlar kaçınılmaz olarak çökecektir. İşletmeler, altyapıyı düşünmek, veri güvenlik önlemlerini sağlamak, model yaşam döngülerini yakından yönetmek, performansı izlemek ve içgörüler toplamak ve ayarlamalar yapmak için zaman ayırmalıdır. Sabır ve azim, gerçekten çalışan, güvenli kalan ve tutarlı bir şekilde çalışan çözümler oluşturmak için anahtardır.

AI hype döngüsünün yeni olması artık kayboluyor, ancak işletmeler, AI’ın karmaşık orta yıllarından, ekiplere en önemli şeyi – sonuçları – vererek geçebilirler.