Бум штучного інтелекту досягнув вирішального середнього етапу: Що підприємства повинні знати

Середня школа ніколи не була найкращим періодом для жодної людини, але всі повинні були пройти через це, з усіма болісними змінами, щоб досягти кращої, більш зрілої версії самих себе.

Поточний бум штучного інтелекту вступає в щось подібне до свого власного бурхливого підліткового віку, щось, що експерти називають заплутаним середнім етапом між впровадженням і зрілістю. Перший гіп закріпився, і тепер організації зосереджуються на тому, щоб зробити штучний інтелект дійсно операційним. Але штучний інтелект дозріває під час складного часу. Прогнози розкидані по всіх напрямках, скептицизм високо серед підприємств і споживачів, і розмови про розширення бульбашки штучного інтелекту тримає лідерів підприємств на межі, чекаючи на страшний “поп”.

На цьому вирішальному етапі організації повинні розрізняти сигнал від шуму – чи то вони змінюють свої зусилля від експериментів до практичного застосування, чи то розширюють практичне застосування до оперативної універсальності. Це вимагає зосередження на осяжних факторах, які вони можуть контролювати, таких як їх інфраструктура та готовність даних; вимірювання результатів; і створення основи для масштабу.

Інфраструктурний підхід

Істинна готовність штучного інтелекту вимагає належної інфраструктури для підтримки сталого розгортання завантажень штучного інтелекту. Природно, штучний інтелект підвищив попит на хмарні послуги: витрати на хмарні послуги повинні зростати на 40% цього року, з інфраструктурою, що утворює найбільш дорогу позицію в бюджеті, і нові центри даних з’являються на кожному континенті, щоб задовольнити зростаючий попит на обчислення штучного інтелекту. На цьому етапі інфлексії штучного інтелекту інфраструктурні вибори є екзистенційними. Інфраструктура визначає, що безпечно, що можливо, і що дійсно принесе користь бізнесу, а не створить витрату ресурсів.

Сталісна інфраструктура визначається не тільки витратами та загальною обчислювальною потужністю. Коли організації визначають, де і як розміщувати свої завантаження штучного інтелекту, вони повинні考虑 питання ефективності ресурсів, безпеки, видимості та загальної ціни за продуктивність. Інфраструктура штучного інтелекту не може бути одноразовими інвестиціями, а процесом руху, здатним еволюціонувати з вимогами кожного проекту.

Це різкий відхід від історичних підходів до витрат на хмарні послуги. До поточного буму штучного інтелекту організації часто залежали від одного постачальника хмарних послуг – зазвичай гіперскейлера – для розміщення своїх хмарних операцій. Тепер складність і різноманітність завантажень штучного інтелекту викликує цю модель, особливо коли підприємства рухаються до більш практичних випадків використання, і альтернативні хмари з’являються, щоб задовольнити попит.

Сучасні ініціативи штучного інтелекту вимагають великої обчислювальної потужності, яку велика трійка добре оснащена для надання. Тріщини починають проявлятися, коли вся ця потужність стає надто великою. Контракти гіперскейлерів можуть бути дорогою, наповненою зайвими додатками, і можуть не пропонувати необхідну безпеку даних і резиденцію для високочутливих проектів.

Замість того, щоб прикріплювати свої хмарні операції до одного постачальника, підприємства можуть скористатися зростаючим класом альтернатив, щоб скласти свої власні стеки по-різному постачальникам, типам GPU і публічним/приватним хмарним установкам на основі своїх конкретних потреб. Таким чином, вони не платять за функції, яких вони не потребують, одночасно налаштовуючи свої хмари для того, чого вони дійсно потребують.

Інфраструктурний підхід до досягнення зрілості штучного інтелекту полягає в створенні стабільної основи для масштабу, яка максимізує ефективність і корисність без жертвування потужністю.

Від експериментів до застосування

За останні кілька років підприємства по всьому світу експериментували з тим, як впишować штучний інтелект у свої операції. Стимульовані цікавістю і не малим дозою гіпу, вони розширили межі інновацій, розблокували нові можливості для ефективності та підняли потенціал безлічі відкритих інструментів і моделей. Вони також зіштовхнулися з реальністю, дізнавшись, що філософія “рухайся швидко і ламай речі” не завжди є правильним підходом, особливо коли мова йде про таку потужну технологію, як штучний інтелект.

Тепер, коли підприємства виходять з цієї експериментальної фази, провал не є варіантом. Точність є критичною. Продуктивність не повинна відставати. Якщо підприємства будуть перебудовувати основні бізнес-функції на основі штучного інтелекту, їм потрібно подвоїти зусилля щодо “нудних” частин, які перетворюють штучний інтелект з творчої експериментальної установки на множник сили, включаючи:

• Безпека даних і приватність: Багато моделей штучного інтелекту використовують чутливі особисті та бізнес-дані для ефективної роботи. Організації потребують гарантію, що їхні дані розміщені безпечно, без ризику незаконного копіювання або “темного штучного інтелекту” витоку.
• Управління життєвим циклом моделі: Моделі повинні бути точними, актуальними та регулярно переобучуватися, щоб підтримувати критичні бізнес-функції.
• Стабільність продуктивності: Чи то розгортання моделей для внутрішнього використання, чи в клієнтських операціях, забезпечення стабільної продуктивності є критичним для ефективності та зручності використання. Багато загальних проблем продуктивності, таких як ті, що пов’язані з затримкою та простою, вирішуються на рівні інфраструктури.

Зараз тільки 37% організацій розгортають нові генеративні моделі щомісяця, щотижня чи щоденно. Коли більше організацій переходять до фази застосування, цей відсоток збільшиться драматично, створивши більший попит на обчислювальну потужність – але також інфраструктуру, адаптовану до конкретних моделей. “Легка” модель не потребує фундаменту гіперскейлера, але якщо вона використовує чутливу інформацію, вона може потребувати такого рівня безпеки. Це місце, де настанови хмар приходять – і чому інфраструктура повинна бути основною проблемою під час зміни підприємства штучного інтелекту.

Від застосування до масштабу

Для підприємств, які далі знаходяться на кривій зрілості, практичне застосування штучного інтелекту вже є частиною їх щоденної діяльності. Тепер вони спрямовані на розширення цих застосунків, щоб створити ще більшу цінність і повністю еволюціонувати своє підприємство.

Тиск є на місці, і переваги є очевидними: 81% організацій на найвищому рівні зрілості штучного інтелекту повідомили про кращі фінансові результати за останній рік. Це фаза, на якій застосування штучного інтелекту піддається найбільшому стрес-тесту. Вони можуть пройти тест у контрольованому середовищі, але можуть вони спожити більше даних? Функціонувати в нових регіонах? І, можливо, найважливіше питання: можуть вони забезпечити значимі результати?

Масштабування полягає в тому, щоб ставати більшим, але в деяких випадках менше – більше. Підприємства на цій фазі повинні розглянути, чи можуть спеціалізовані маленькі мовні моделі (SLM) виконувати краще, ніж багаторазові великі мовні моделі (LLM). Ініціативи штучного інтелекту є найбільш успішними, коли вони пов’язані з реальними бізнес-проблемами і можуть забезпечити вимірювані результати.

Аналогічний шаблон відбувається при застосуванні і масштабуванні агентів штучного інтелекту – наступному рубежі автономного штучного інтелекту. Агенти, які виконують завдання, специфічні для області, інформовані висококонцентрованим, постійно підтримуваним набором даних, є тими, які дійсно роблять вплив на підприємство. Це сказав, спеціалізовані агенти все ще потребують суттєвої обчислювальної потужності, хоча не такої великої, як універсальний копілот. Пріоритизація інфраструктури з самого початку дозволить організаціям витягнути реальну віддачу від своїх агентських ініціатив штучного інтелекту без перевитрат хмарного бюджету.

Інновації з впливом

“Перегони” штучного інтелекту менш схожі на перегони, ніж на реконструкцію: якщо ми перебудовуємо підприємство, ми хочемо зробити це на твердій основі – інакше стіни неминуче падатимуть. Підприємства повинні знайти час, щоб бути ретельними щодо інфраструктури, забезпечити заходи безпеки даних,緊ко керувати життєвим циклом моделі, контролювати продуктивність та зібрати інформацію і зробити корективи. Терпіння і наполегливість є ключем до створення рішень, які дійсно працюють, залишаються безпечними і забезпечують стабільну продуктивність.

Новизна гіп-циклу штучного інтелекту може зникати, але організації можуть пережити середній бурхливий період штучного інтелекту, надихаючи свої команди тим, що найважливіше: результатами.