استقرار هوش مصنوعی و LLM های مولد به یک اولویت غیرقابل مذاکره برای اکثر شرکت ها تبدیل شده است. فشار رقابتی برای «ورود به بازی» بهطور استرسزایی بالاست، چه به معنای ارسال راهحلهای جدید هوش مصنوعی مکالمهای برای خدمات مشتری، استفاده از برنامهنویسهای کدنویسی، ایجاد تبلیغات خلاقانه، بهبود جریان نقدینگی، پیشبینی روندها و پتانسیلهای سود جدید، یا هر تعدادی از موارد دیگر. موارد استفاده بی شماری که به سرعت بالغ می شوند اکنون در دسترس هستند.
اما همانطور که قبلاً دیدهایم، وقتی شرکتها در حال رقابت برای فناوری تغییر دریا هستند – تحول ابر، Kubernetes و غیره را ببینید – معمولاً هیچ کمبودی برای یک انتقال صاف در مقیاس وجود ندارد. حتی اگر هوش مصنوعی و LLM مولد سرمایهگذاریهای قابلتوجهی را فقط به عنوان سهام میز میطلبد، اما شرکتها این سرمایهگذاریها را برای آیندهشان ضروری میدانند. به گفته صدها نفر از پاسخدهندگان در بررسی تابآوری و هزینههای آینده سازمان IDC در مارس 2024، آنها قصد دارند بدون توجه به شرایط اقتصادی آنها را حفظ کنند.
در حالی که شرکت ها متعهد به ابتکارات بلند مدت هوش مصنوعی هستند، به طور فزاینده ای از موانع خاص برای تحقق اهداف خود آگاه می شوند. همان نظرسنجی IDC بر چالش عملکرد مدلها و برنامههای هوش مصنوعی در مقیاس، بهویژه در محیطهای ابری تاکید کرد. در حالی که آنها در این چشم انداز پیچیده حرکت می کنند، شرکت ها فعالانه به دنبال بهترین شیوه ها و محورهای استراتژی لازم برای اجرای موفقیت آمیز بارهای کاری هوش مصنوعی مولد هستند. این شناخت رو به رشد پیچیدگی های عملیاتی بر نیاز به رویکردی دقیق تر برای پذیرش هوش مصنوعی تاکید می کند، رویکردی که می تواند فوریت نوآوری را با واقعیت های استقرار در مقیاس بزرگ متعادل کند.
بیایید چهار عامل کلیدی را که شرکتها باید در هنگام پیادهسازی – و مقیاسبندی – بار کاری هوش مصنوعی مولد در ذهن داشته باشند، بررسی کنیم.
عامل 1: فقدان توسعه دهندگان با مهارت های مورد نیاز
سازمانهایی که با هوش مصنوعی مولد در مقیاس بزرگ دست و پنجه نرم میکنند، اغلب متوجه میشوند که فقدان توسعهدهندگان با مهارتهای صحیح، مانع اصلی بین آنها و موفقیت است. از آنجایی که این هنوز یک فناوری نوظهور است، توسعه دهندگان، دانشمندان داده و مهندسان داده با تجربه و استعداد برای تکمیل پروژه های هوش مصنوعی و کسب نتایج مثبت هنوز کمبود دارند. شرکت ها معمولاً در جذب و حفظ این کارشناسان با مشکل مواجه هستند.
در عین حال، این شرکتها اغلب تیمهای هوش مصنوعی/ML و کلان دادههای خود را با وظایف عملیاتی ابری دست و پا گیر لازم برای پشتیبانی از برنامهها و مدلهای هوش مصنوعی خود میپوشانند و تمرکز را از کارهایی که این محصولات نهایی را بهبود میبخشد، ربودهاند. در یک چرخه فضیلتآمیز، این شرکتها هستند که عملیات ابری را ساده میکنند و متخصصان هوش مصنوعی و دادهها را آزاد میکنند تا بهترین کار را انجام دهند که راحتترین زمان را برای استخدام و حفظ استعدادهای برتر داشته باشند.
فاکتور 2: هزینه های بالا
هوش مصنوعی ارزان نیست و شاید بیش از هر متغیر دیگری، این صورتحسابهای غیرمجاز مانع از دستیابی بسیاری از شرکتها به پایداری و بازدهی سالم در پروژههای هوش مصنوعی مولد شوند. همانطور که سازمانها هوش مصنوعی/ML و برنامههای کاربردی مرتبط با دادههای سنگین را مقیاسبندی میکنند، هزینههای ابری مرتبط با محیطهای آزمایشی، مدلسازی، آزمایش و تولید آنها دست به دست میشوند مگر اینکه شرکتها شیوههای کارآمدتری را معرفی کنند.
به عنوان مثال، تیمهای موفق از تهیه خودکار، اندازه نمونه و بهینهسازی قیمت و بینشهای هزینه در زمان واقعی برای تحت کنترل نگه داشتن هزینههای هوش مصنوعی استفاده میکنند. شرکت ها می خواهند مطمئن باشند که متخصصان FinOps را با کسانی که روی پروژه های هوش مصنوعی کار می کنند، هماهنگ می کنند. مشاهده دقیق هزینه و تجزیه و تحلیل باید به خوبی درک شود تا از کارایی منابع اطمینان حاصل شود.
عامل 3: مسائل زیرساختی
زیرساختی که قادر به پشتیبانی از قابلیت اطمینان و عملکرد تقاضای بار کاری هوش مصنوعی نیست، جاهطلبیهای هوش مصنوعی بسیاری از شرکتها را مختل کرده است.
با از بین بردن مسائل زیرساختی رایج، شرکتها میتوانند برای تعیین زیرساخت صحیح برای نیازهای خود تلاش کنند – خواه این زیرساخت اولیه، ابر ترکیبی، ابر عمومی یا ترکیبی باشد. مدلهای بزرگ هوش مصنوعی همچنین به قدرت محاسباتی عمده، از جمله منابع GPU پرهزینه نیاز دارند، که در صورت استفاده یا پیکربندی نادرست، به راحتی میتواند منجر به ناکارآمدی هزینه و عملکرد هنگفت شود.
فناوریهای ابری مانند Kubernetes به طور مشابه به مدیریت، پیکربندی و نظارت دقیق توسط متخصصان نیاز دارند تا بر پیچیدگی و مقیاس خود بدون هزینههای بالون غلبه کنند. تیمهای DevOps بیتجربه اغلب برای پشتیبانی از پروژههای AI/ML و کلان دادهها به فرآیندهای دستی تکیه میکنند و از روشهایی استفاده میکنند که نمیتوانند مقیاسپذیر باشند و در عین حال فرصتهای بهینهسازی عمده را روی میز باقی میگذارند. تکنیکها و ابزارهای بهینهسازی زیرساخت ابری خودکار میتوانند این مسائل مربوط به هزینه و عملکرد را برطرف کنند، بهویژه زمانی که با رویکردهای خاص AI/ML مانند MLO ها که پیچیدگی این استقرارها را خودکار میکنند، جفت شوند.
فاکتور 4: تیم های داخلی خارج از هماهنگی
برای رهبران سازمانی غیرمعمول نیست که برای دستیابی به اهداف خود، به تیم های هوش مصنوعی مولد یک چک سفید ارائه دهند. آنها اجازه عبور از محدودیت های بودجه و نادیده گرفتن فرآیندهای تجاری تثبیت شده را خواهند داد، به این امید که راه حل های فعال هوش مصنوعی را به بازار تسریع کنند. در عمل، این رویکرد دردسرهای بزرگی را برای هر ذینفع و عملکردی که هوش مصنوعی به آن دست میدهد، از DevOps گرفته تا FinOps، مدیران محصول، امور مالی و غیره ایجاد میکند. ایجاد هماهنگی داخلی از طریق فرآیندهای متفکرانه انجام می شود، نه فقدان یک.
بهینه سازی ابری بهینه سازی هوش مصنوعی است
با مطالعه عوامل کلیدی که تلاشهای هوش مصنوعی مولد شرکتها را محدود میکنند، نیاز به هزینهکردن و استفاده مؤثرتر از ابر به عنوان یک خط مستقیم ظاهر میشود. با استفاده از ابزارها و شیوههای تثبیتشده برای معرفی اتوماسیون ابری، مدیریت کارآمد و بهینهسازی هزینه و افزودن کنترلهای معادل مرتبط با هوش مصنوعی/ML و دادههای بزرگ، شرکتها میتوانند دردسرهای رو به رشد خود را در هنگام استقرار موفقیتآمیز بارهای کاری هوش مصنوعی در مقیاس کاهش دهند.