Штучний інтелект переживає вирішальний середній період: Що підприємства повинні знати

Навчання в молодших класах школи ніколи не було найкращим періодом для жодної людини, але всі ми повинні були пройти через нього, переживши болісний процес росту, щоб досягти кращої, більш зрілої версії себе.

Поточний бум штучного інтелекту вступає у свій власний складний підлітковий період, який експерти називають заплутаним середнім періодом між впровадженням і зрілістю. Первоначальний ажіотаж已经 зник, і тепер організації зосереджуються на тому, щоб зробити штучний інтелект真正 оперативним. Але штучний інтелект дозріває у складний час. Прогнози розкидані по всіх напрямках, скептицизм високий серед бізнесу та споживачів, і розмови про розширення бульбашки штучного інтелекту тримає керівників підприємств у напрузі, чекаючи на страшний поп.

На цьому вирішальному етапі організації повинні розрізняти сигнал від шуму – чи то вони зміщують свої зусилля від експериментів до практичного застосування, чи то масштабують 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 масштабування.

Інфраструктурний підхід

Правдиве 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 зрости на 40% цього року, з інфраструктурою, що утворює найбільш дорогий пункт бюджету, і нові центри даних з’являються на кожному континенті, щоб задовольнити зростаючий попит на обчислення штучного інтелекту. На цьому етапі штучного інтелекту інфраструктурні рішення є вирішальними. Інфраструктура визначає, що безпечно, що можливо, і що насправді принесе користь бізнесу, а не створить витрат на ресурси.

Сталісна інфраструктура визначається не тільки витратами та загальною обчислювальною потужністю. Коли організації визначають, де і як розміщувати свої завантаження штучного інтелекту, їм потрібно розглядати питання ефективності ресурсів, безпеки, видимості та загальної ціни за продуктивність. Інфраструктура штучного інтелекту не може бути одноразовою інвестицією, а процесом, який розвивається разом з вимогами кожного проекту.

Це різкий відхід від історичних підходів до витрат на хмарні послуги. До поточного ажіотажу штучного інтелекту організації часто залежали від одного постачальника хмарних послуг – зазвичай гіперсเกลера – для розміщення своїх хмарних операцій. Тепер складність і різноманітність завантажень штучного інтелекту викликають цей 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 забезпечення. Тріщини починають з’являтися, коли вся ця потужність стає надто великою. Контракти гіперсเกลерів можуть бути дорогоцінними, розширеними зайвими додатками, і можуть не пропонувати необхідну безпеку даних і резиденцію для дуже чутливих 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 налаштуванням на основі своїх конкретних потреб. Таким чином, вони не платять за функції, які їм не потрібні, одночасно налаштовуючи свої хмари для того, що їм потрібно.

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

Від експериментів до застосування

За останні кілька років підприємства по всьому світу експериментували з тим, як ув’язати штучний інтелект у свої операції. Стимульовані цікавістю і не малими дозами ажіотажу, вони розширили межі інновацій, розблокували нові можливості для ефективності, і підняли потенціал безлічі відкритих інструментів і моделей. Вони також зіштовхнулися з реальністю, навчившись, 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 цього експериментального етапу, провал не є варіантом. Точність є критичною. Продуктивність не може бути слабкою. 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 технології на силу-множник, включаючи:

• Безпека даних і конфіденційність: Багато моделей штучного інтелекту використовують чутливі особисті та бізнес-дані для ефективної роботи. Організації повинні мати гарантію, що їхні дані розміщені безпечно, без ризику несанкціонованого копіювання або “темної” експозиції штучного інтелекту.
• Управління життєвим циклом моделі: Моделі повинні бути точними, актуальними та регулярно повторно навчені, щоб підтримувати критичні бізнес-функції.
• Стабільність продуктивності: При розгортанні моделей для внутрішнього використання або 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 простоями, вирішуються на рівні інфраструктури.

Наразі лише 37% організацій розгортають нові генераційні моделі щомісячно, щотижня або щоденно. Коли більше організацій переходять до етапу застосування, цей відсоток збільшиться суттєво, створюючи більший попит на обчислювальну потужність – але також інфраструктуру, адаптовану до конкретних моделей. “Легка” модель не потребує інфраструктури гіперсเกลера, але якщо вона використовує чутливу інформацію, вона може потребувати такого рівня безпеки. Саме тут вступають у гру індивідуальні хмари – і саме тому інфраструктура повинна бути основною увагою під час переходу підприємства до штучного інтелекту.

Від застосування до масштабування

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

Тиск зростає, і переваги очевидні: 81% організацій на вищому рівні зрілості штучного інтелекту повідомили про кращі фінансові результати за останній рік. Це етап, на якому застосування штучного інтелекту проходить свій найбільший стрес-тест. Вони можуть пройти тест у контрольованому середовищі, але можуть вони обробити більше даних? Функціонувати в нових регіонах? І, можливо, найважливіше питання: можуть вони 驅дити суттєві результати?

Масштабування полягає у зростанні більшим, але в деяких випадках менше – більше. Підприємства на цьому етапі повинні розглядати, чи можуть спеціалізовані моделі мови (SLM) працювати краще, ніж багатофункціональні великомасштабні моделі мови (LLM). Ініціативи штучного інтелекту є найбільш успішними, коли вони пов’язані з реальними бізнес-проблемами і можуть 驅дити вимірювані результати.

Аналогічний патерн відбувається при застосуванні і масштабуванні агентів штучного інтелекту – наступному рубежі автономного штучного інтелекту. Агенти, які виконують завдання, специфічні для певної галузі, інформовані висококонцентрованим і постійно підтримуваним набором даних, є тими, які справді роблять суттєвий вплив на підприємство. Однак спеціалізовані агенти все ще потребують суттєвої обчислювальної потужності, хоча і не такої великої, як універсальний агент. Приоритезація інфраструктури з самого початку дозволить організаціям витягнути справжню віддачу від своїх агентських ініціатив штучного інтелекту без перевитрат на хмарні бюджети.

Інновації з впливом

“Перегони” штучного інтелекту менш giốngają на перегони, ніж на реконструкцію: якщо ми перебудовуємо підприємство, ми хочемо зробити це на міцній основі – інакше стіни неминуче розвалилися. Підприємства повинні знайти час, щоб бути ретельними щодо інфраструктури, забезпечити безпеку даних,緊密но керувати життєвим циклом моделі, моніторити продуктивність, і зібрати інформацію та внести корективи. Терпіння і наполегливість є ключем до створення рішень, які справді працюють, залишаються безпечними і продуктивними.

Новизна ажіотажу штучного інтелекту може зникнути, але організації можуть пережити складний середній період штучного інтелекту, стимулюючи свої команди тим, що найважливіше: результатами.