Zorientujte se v prostředí umělé inteligence a vsaďte na hybridní přístup

Aby si udržely konkurenceschopnost, lépe porozuměly svým zákazníkům a zvýšily svoji efektivitu, usilují dnes podniky o rychlé zavedení umělé inteligence (AI). Ale i přes stále rostoucí nadšení z potenciálu AI se mnoho iniciativ nakonec jen těžko prosadí. Hlavním viníkem je absence platformy pro spolupráci podporované robustní infrastrukturou hybridního cloudu. Bez hybridního cloudu jako základu vaší strategie pro AI není možné dosáhnout úspěchu.

Ukazuje se ale, že přísliby umělé inteligence je těžké ignorovat. Nové nástroje s AI pomáhají podnikům pracovat efektivněji díky automatizaci běžných úkolů. Poskytují také přesnější poznatky z dat, které mohou změnit zákaznickou zkušenost a odhalit prostor pro úspory nákladů i nové příležitosti. S tím, jak se dnes tolik předních společností chlubí svými schopnostmi v oblasti AI, téměř každý ředitel IT cítí tlak, že se musí AI věnovat, jinak riskuje, že zaostane za konkurencí.

Ve skutečnosti však podniky mají problémy s převedením AI projektů z pilotní fáze do produkčního prostředí. Související náklady a složitost zahlcují týmy pro datovou analýzu, které nemají potřebnou provozní vyspělost. Infrastruktura navíc nedokáže vyhovět vysokým nárokům úloh řešených umělou inteligencí, a postup zpomaluje i vzájemná izolace vývojářů, datových inženýrů a pracovníků v provozu IT.

Důvěra postavená na vysvětlitelnosti modelu

V oblasti umělé inteligence je nejdůležitější důvěra. Klíčovým faktorem při vytváření důvěry se stává myšlenka vysvětlitelnosti modelu, která řeší obavy související s velkými modely strojového učení fungujícími jako „černá skříňka“. Mnoho podniků pak váhá s nasazením AI kvůli pochopitelné skepsi ohledně důvěryhodnosti výstupů z modelů. Jak se můžete spolehnout, že doporučení umělé inteligence přesně odrážejí realitu? Právě to je obzvláště znepokojující pro odvětví, jako jsou třeba zdravotnictví a finanční služby, která se snaží vyhnout riziku.

Vysvětlitelnost modelu není jen o pochopení jeho vnitřního fungování, ale také o zajištění, že byl model vytrénován na ověřených, proprietárních a kontextových datech. Nejcennějšími daty pro podnikové použití přitom zůstávají proprietární data spravovaná ve starších systémech a v privátních datových centrech. Modely trénované na vyčištěných, ověřených a obohacených proprietárních datových zdrojích mohou vzbudit důvěru, že veškeré výstupy AI pocházejí z reálných a pravdivých dat, která jsou jedinečná pro vaši organizaci.

Například tréninkem chatbotů zákaznického servisu na základě důkladných přepisů skutečných hovorů se zákazníky pořízených za několik let zajistíte, že jejich odpovědi budou odpovídat skutečným konverzacím se zákazníky a nebudou napodobovat online dialogy. Stejně tak v generativní službě pro automatizaci Ansible Lightspeed jsou modely trénovány na skutečných funkčních playboocích pro Ansible, takže výstupy nejsou formulovány jen teoreticky, ale vycházejí z praxe a jsou plně použitelné.

Ověřená data proudí do modelů hybridními kanály. Pokud tedy implementace AI podporuje rozhodování, poskytuje doporučení nebo dokonce automaticky generuje kód, budete schopni vysvětlit, na základě jakých faktorů a dat byl model vytrénován. Tato transparentnost vytváří oprávněnou důvěru a spoleh na implementovanou AI.

Velký problém tohoto přístupu spočívá v tom, že mnoho organizací, zejména těch, které podléhají přísné regulaci, se zdráhá mít proprietární data v cloudu. V některých případech to ani kvůli právním a regulačním požadavkům prostě není možné. Proto je nutné uchovávat data lokálně.

Flexibilita díky škálovatelným zdrojům

Narážíme také na další velký problém – vývoj a trénink modelů umělé inteligence spotřebovává obrovské množství výpočetních cyklů, které dalece přesahuje kapacitu tradičních datových center. Proměnlivá povaha práce v oblasti datové vědy také vyžaduje flexibilní škálování infrastruktury podle aktuální potřeby, což znamená, že se nemůžeme obejít bez výpočetního výkonu a škálovatelnosti, jakou nabízí jen veřejný cloud.

Ale bez správného řízení se mohou náklady na veřejný cloud snadno vymknout kontrole. Týmy datových vědců potřebují flexibilní přístup k veřejným cloudovým zdrojům, které budou rozšiřovat jejich základnu v podobě privátního cloudu. Nákladově nejefektivnější a nejagilnější tréninkové prostředí tak poskytuje hybridní model, protože eliminuje nevyužitou kapacitu. Hybridní cloud umožňuje využití veřejného cloudu pouze v případě, že je to nutné kvůli dočasným požadavkům, a zároveň podporuje lokální umístění dat.

Další výhoda hybridního přístupu se týká přístupu k udržitelnosti, sociální odpovědnosti a řízení (Environmental, Social and Governance, ESG). Vzhledem k tomu, že jsou spotřebitelé a zákazníci stále více motivováni otázkami kolem ESG, přesouvají svou kupní sílu k organizacím, které na tato hlediska dbají. Podniky proto mohou hybridní cloudové struktury považovat za vyvážený přístup k řízení nákladů a ekologické udržitelnosti. Organizace mohou optimalizovat zdroje na základě konkrétních požadavků projektu a zajistit, aby iniciativy v oblasti umělé inteligence zůstaly nákladově efektivní i šetrné k životnímu prostředí. Flexibilita hybridního cloudu umožňuje dynamické přidělování zdrojů, což zabraňuje zbytečným výdajům a snižuje celkovou uhlíkovou stopu spojenou s trénováním modelů AI.

Cesta k dokonalému využití umělé inteligence zahrnuje i nalezení křehké rovnováhy. Éra AI vyžaduje nejen technickou zdatnost, ale také strategickou prozíravost při správě proprietárních dat, zajištění souladu s právními předpisy a optimalizaci zdrojů. Hybridní cloud se v tomto ohledu jeví jako nosný prvek, který nabízí ucelené řešení, spojující potenciál umělé inteligence s požadavky moderního řízení podniku. Vzhledem k tomu, že se prostředí AI neustále vyvíjí, není přijetí hybridní cloudové strategie jen volbou, ale spíše nezbytnou podmínkou úspěchu.

Erica Langhi, Senior Solutions Architect pro region EMEA ve společnosti Red Hat