Aby si podniky udržali konkurencieschopnosť, lepšie porozumeli svojim zákazníkom a zvýšili svoju efektivitu, snažia sa dnes rýchlo zavádzať umelú inteligenciu (AI). Napriek rastúcemu nadšeniu z potenciálu umelej inteligencie sa však mnohé iniciatívy nakoniec ťažko rozbiehajú. Hlavným vinníkom je absencia platformy na spoluprácu podporovanej robustnou hybridnou cloudovou infraštruktúrou. Bez hybridného cloudu ako základu stratégie AI je úspech nemožný.

Ukazuje sa však, že prísľub AI je ťažké ignorovať. Nové nástroje s podporou AI pomáhajú podnikom fungovať efektívnejšie tým, že automatizujú bežné úlohy. Poskytujú tiež presnejšie poznatky z dát, ktoré môžu zmeniť zákaznícku skúsenosť a odhaliť priestor na úsporu nákladov a nové príležitosti. Vzhľadom na to, že v súčasnosti toľko popredných spoločností propaguje svoje schopnosti v oblasti AI, takmer každý CIO alebo riaditeľ IT pociťuje tlak, aby prijal AI, inak riskuje, že zaostane za konkurenciou.

V skutočnosti však majú podniky problém dostať projekty AI z pilotnej fázy do produkčného prostredia. Súvisiace náklady a zložitosť zahlcujú tímy dátových analytikov, ktorým chýba potrebná prevádzková vyspelosť. Okrem toho infraštruktúra nedokáže vyhovieť vysokým nárokom úloh AI a postup spomaľuje aj izolácia vývojárov, dátových inžinierov a pracovníkov IT prevádzky.

Dôvera postavená na vysvetliteľnosti modelu
V oblasti umelej inteligencie je najdôležitejšia dôvera. Kľúčovým faktorom pri vytváraní dôvery sa stáva myšlienka vysvetliteľnosti modelu, ktorá rieši obavy súvisiace s veľkými modelmi strojového učenia fungujúcimi ako „čierna skrinka“. Mnoho podnikov potom váha s nasadením AI kvôli pochopiteľnej skepse ohľadom dôveryhodnosti výstupov z modelov. Ako sa môžete spoľahnúť, že odporúčania umelej inteligencie presne odrážajú realitu? Práve to je obzvlášť znepokojujúce pre odvetvia, ako sú napríklad zdravotníctvo a finančné služby, ktoré sa snažia vyhnúť riziku.

Vysvetliteľnosť modelu nie je len o pochopení jeho vnútorného fungovania, ale aj o zabezpečení, že bol model vytrénovaný na overených, proprietárnych a kontextových dátach. Najcennejšími dátami pre podnikové použitie pritom zostávajú proprietárne dáta spravované v starších systémoch a v privátnych dátových centrách. Modely trénované na vyčistených, overených a obohatených proprietárnych dátových zdrojoch môžu vzbudiť dôveru, že všetky výstupy AI pochádzajú z reálnych a pravdivých dát, ktoré sú jedinečné pre vašu organizáciu.

Napríklad tréningom chatbotov zákazníckeho servisu na základe dôkladných prepisov skutočných hovorov so zákazníkmi urobených za niekoľko rokov zaistíte, že ich odpovede budú zodpovedať skutočným konverzáciám so zákazníkmi a nebudú napodobňovať online dialógy. Rovnako tak v generatívnej službe pre automatizáciu Ansible Lightspeed sú modely trénované na skutočných funkčných playbookoch pre Ansible, takže výstupy nie sú formulované len teoreticky, ale vychádzajú z praxe a sú plne použiteľné.

Overené dáta prúdia do modelov hybridnými kanálmi. Pokiaľ teda implementácia AI podporuje rozhodovanie, poskytuje odporúčania alebo dokonca automaticky generuje kód, budete schopní vysvetliť, na základe akých faktorov a dát bol model vytrénovaný. Táto transparentnosť vytvára oprávnenú dôveru a spoľah na implementovanú AI.

Veľký problém tohto prístupu spočíva v tom, že mnoho organizácií, najmä tých, ktoré podliehajú prísnej regulácii, sa zdráha mať proprietárne dáta v cloude. V niektorých prípadoch to ani kvôli právnym a regulačným požiadavkám jednoducho nie je možné. Preto je nutné uchovávať dáta lokálne.

Flexibilita vďaka škálovateľným zdrojom
Narážame aj na ďalší veľký problém – vývoj a tréning modelov umelej inteligencie spotrebúva obrovské množstvo výpočtových cyklov, ktoré ďaleko presahuje kapacitu tradičných dátových centier. Premenlivá povaha práce v oblasti dátovej vedy tiež vyžaduje flexibilné škálovanie infraštruktúry podľa aktuálnej potreby, čo znamená, že sa nemôžeme zaobísť bez výpočtového výkonu a škálovateľnosti, akú ponúka len verejný cloud.

Ale bez správneho riadenia sa môžu náklady na verejný cloud ľahko vymknúť kontrole. Tímy dátových vedcov potrebujú flexibilný prístup k verejným cloudovým zdrojom, ktoré budú rozširovať ich základňu v podobe privátneho cloudu. Nákladovo najefektívnejšie a najagilnejšie tréningové prostredie tak poskytuje hybridný model, pretože eliminuje nevyužitú kapacitu. Hybridný cloud umožňuje využitie verejného cloudu iba v prípade, že je to potrebné kvôli dočasným požiadavkám, a zároveň podporuje lokálne umiestnenie dát.

Ďalšia výhoda hybridného prístupu sa týka prístupu k udržateľnosti, sociálnej zodpovednosti a riadenia (Environmental, Social and Governance, ESG). Vzhľadom na to, že spotrebitelia a zákazníci sú stále viac motivovaní otázkami okolo ESG, presúvajú svoju kúpnu silu k organizáciám, ktoré na tieto aspekty dbajú. Podniky preto môžu hybridné cloudové štruktúry považovať za vyvážený prístup k riadeniu nákladov a ekologickej udržateľnosti. Organizácie môžu optimalizovať zdroje na základe konkrétnych požiadaviek projektu a zaistiť, aby iniciatívy v oblasti umelej inteligencie zostali nákladovo efektívne a šetrné k životnému prostrediu. Flexibilita hybridného cloudu umožňuje dynamické prideľovanie zdrojov, čo zabraňuje zbytočným výdavkom a znižuje celkovú uhlíkovú stopu spojenú s trénovaním modelov AI.

Cesta k dokonalému využitiu umelej inteligencie zahŕňa aj nájdenie krehkej rovnováhy. Éra AI vyžaduje nielen technickú zdatnosť, ale aj strategickú prezieravosť pri správe proprietárnych dát, zabezpečenie súladu s právnymi predpismi a optimalizáciu zdrojov. Hybridný cloud sa v tomto ohľade javí ako nosný prvok, ktorý ponúka ucelené riešenie, spájajúce potenciál umelej inteligencie s požiadavkami moderného riadenia podniku. Vzhľadom na to, že sa prostredie AI neustále vyvíja, nie je prijatie hybridnej cloudovej stratégie len voľbou, ale skôr nevyhnutnou podmienkou úspechu.