Sztuczna inteligencja nie jest już futurystycznym konceptem ani narzędziem zarezerwowanym dla najbardziej zaawansowanych firm. Dla przedsiębiorstw na całym świecie sztuczna inteligencja staje się centralnym elementem transformacji biznesowej, umożliwiając inteligentniejsze podejmowanie decyzji, większą wydajność i większą przewagę konkurencyjną. Ale w jaki sposób firmy wdrażają sztuczną inteligencję i jakie przeszkody napotykają w jej skutecznym skalowaniu?
Aby odpowiedzieć na te pytania, przeprowadziliśmy ankietę dotyczącą wdrażania sztucznej inteligencji dla przedsiębiorstw w Dell Technologies, obejmującą 3800 osób decyzyjnych w kwestiach IT (ITDM) i praktyków AI z pięciu krajów. Nasze wyniki rzucają światło na obecny stan globalnego wykorzystania sztucznej inteligencji oraz na narzędzia, które pomagają firmom realizować cele biznesowe związane ze sztuczną inteligencją i osiągać wartość. Czytaj dalej, aby dowiedzieć się więcej o pięciu kluczowych spostrzeżeniach, które pojawiły się w naszych badaniach.
1.Dane są kluczem do uporządkowania kwestii związanych z AI
Sztuczna inteligencja jest tak dobra, jak dane, na których się opiera, a przedsiębiorstwa mają trudności z efektywnym zarządzaniem danymi i ich wykorzystaniem. Firmy wskazały jakość danych, dostępność, zarządzanie i bezpieczeństwo jako główne bariery techniczne we wdrażaniu sztucznej inteligencji.
Bez czystych, dobrze zorganizowanych i dostępnych danych nawet zaawansowane modele sztucznej inteligencji będą nieskuteczne. Wyzwania te sugerują, że organizacje powinny skupić się na opracowywaniu strategii, które priorytetowo traktują bezproblemową integrację danych, ulepszone środki bezpieczeństwa i skalowalne rozwiązania dla dużych zestawów danych.
2. Elastyczność jest koniecznością w przypadku rozmieszczenia obciążeń roboczych związanych ze sztuczną inteligencją
Nasze badania pokazują, że podejście wielochmurowe jest atrakcyjną opcją dla przedsiębiorstw, które chcą obsługiwać obciążenia robocze związane ze sztuczną inteligencją:
- 79% przypadków użycia sztucznej inteligencji w produkcji odbywa się poza chmurą publiczną
- 98% organizacji obliczyło całkowity koszt użytkowania (TCO) dla przypadków użycia sztucznej inteligencji w chmurze publicznej
Obciążenia robocze związane ze sztuczną inteligencją o największym wpływie są często powiązane z danymi, które utknęły w czterech ścianach. Chmura publiczna oferuje wygodę eksperymentowania, ale wiąże się z wysokimi kosztami: analiza ESG z 2024 r. wykazała, że wnioskowanie lokalne może być nawet o 75% bardziej opłacalne niż korzystanie z chmury publicznej. W przypadku skalowalnych długoterminowych inwestycji w sztuczną inteligencję rozwiązania lokalne często zapewniają lepszy zwrot z inwestycji, co większość organizacji odkryła po obliczeniu całkowitego kosztu użytkowania. Ale nie chodzi tylko o pieniądze: wdrożenia lokalne zapewniają również większe bezpieczeństwo i nadzór, co jest szczególnie pomocne w przypadku sektorów wymagających ścisłej zgodności z przepisami, takich jak finanse i opieka zdrowotna. Podkreśla to potrzebę dokładnego rozważenia całkowitego kosztu posiadania w różnych przypadkach użycia i zapewnienia obciążeniom roboczym AI odpowiedniej równowagi wydajności, bezpieczeństwa i skalowalności.
3. Zwiększ wydajność centrum przetwarzania danych, wykorzystując dostępną moc
Pomimo rozgorzałej dyskusji na temat zasilania i chłodzenia jako wąskiego gardła w zakresie wdrażania sztucznej inteligencji, nasze badanie wykazało, że przedsiębiorstwa mogą dziś przeoczyć niewykorzystaną właściwie moc i dostępne rozwiązania:
- 39% mocy centrum przetwarzania danych nie jest wykorzystywane
- 67% serwerów GPU będzie wykorzystywać bezpośrednie chłodzenie cieczą chipów. w ciągu najbliższych trzech lat
Podczas gdy operatorzy centrów przetwarzania danych martwią się wymaganiami energetycznymi skalowania sztucznej inteligencji, pozostawiają wiele mocy niewykorzystanej. Przedsiębiorstwa powinny zmaksymalizować swoją istniejącą moc energetyczną centrum przetwarzania danych przed zainwestowaniem w kosztowne modernizacje lub nową konstrukcję. Dodatkowa energia może być również uwolniona poprzez modernizację istniejącej infrastruktury z serwerów szafowych 14G do 16/17G.
Patrząc w przyszłość, rozpowszechnianie się innowacji, takich jak chłodzenie cieczą bezpośrednio do chipa, będzie kluczowym czynnikiem w pokonywaniu ograniczeń związanych z zasilaniem i wydajnością procesorów graficznych, przy jednoczesnym obniżeniu kosztów chłodzenia centrum przetwarzania danych i zwiększeniu skalowalności wdrożeń sztucznej inteligencji w przedsiębiorstwie.
4. Przewaga dla rozwiązań open source i potrzeba wsparcia w wdrażaniu lokalnych obciążeń roboczych związanych ze sztuczną inteligencją
Organizacje dążą do większej przejrzystości i elastyczności w swoich ekosystemach sztucznej inteligencji. Podobnie dostawcy, którzy oferują kompleksowe rozwiązania:
- Oczekuje się, że w ciągu najbliższych 12 miesięcy 63% przypadków wykorzystania sztucznej inteligencji będzie opierać się na modelach open source
- 77% organizacji oczekuje od dostawców infrastruktury wsparcia i kompetencji obejmujących wszystkie etapy wdrażania AI
- 83% organizacji oczekuje od dostawców komputerów AI PC wsparcia i kompetencji obejmujących wszystkie etapy wdrażania AI
Ta zmiana w kierunku struktur open source podkreśla zapotrzebowanie na konfigurowalne, przejrzyste i opłacalne rozwiązania. Otwarte ekosystemy zapewniają szerokie możliwości wykraczające poza to, co może zapewnić pojedynczy dostawca. Aby sprostać ich konkretnym potrzebom, osoby decyzyjne w kwestiach IT poszukują dostawców kompleksowych rozwiązań AI, które mogą pomóc im w pełnej integracji sztucznej inteligencji w całej infrastrukturze IT.
5. Małe modele działające na urządzeniu zapewniają inny poziom elastyczności w przypadku zastosowań sztucznej inteligencji
Komputery AI PC to atrakcyjna opcja demokratyzacji dostępu do sztucznej inteligencji, zwłaszcza dzięki wykorzystaniu małych modeli językowych (SLM):
- 35% organizacji planuje przetestować SLM (małe modele językowe) na komputerach AI PC w ciągu najbliższych 12 miesięcy
W przeciwieństwie do swoich większych odpowiedników, SLM są bardziej opłacalne i energooszczędne, wymagają mniejszej mocy obliczeniowej, a jednocześnie są wystarczające do wielu zastosowań, takich jak asystenci kodowania.
Co to może oznaczać dla firm? SLM umożliwiają przetwarzanie sztucznej inteligencji w czasie rzeczywistym na urządzeniu, co nie tylko zmniejsza opóźnienia, ale także poprawia wydajność i minimalizuje wpływ na środowisko. Wdrożenie komputerów AI PC w przedsiębiorstwie może jeszcze bardziej zwiększyć dostępność rozwiązań AI dla zespołów dowolnej wielkości, umożliwiając pracownikom korzystanie z zaawansowanych narzędzi do współpracy i automatyzacji.
Pokonaj drogę do AI z pewnością siebie
Co to oznacza dla dzisiejszych przedsiębiorstw? Na podstawie naszych ustaleń kluczowe czynniki przyspieszające wdrażanie sztucznej inteligencji to:
- Ocena całkowitego kosztu posiadania w celu optymalizacji kombinacji wdrożeń w chmurze, środowisku lokalnym i na brzegu sieci w zależności od przypadku użycia
- Poprawa jakości danych, dostępu do nich i zarządzania nimi
- Lepsze wykorzystanie istniejącej mocy obliczeniowej centrum przetwarzania danych do obsługi obciążeń roboczych związanych ze sztuczną inteligencją
- Wykorzystanie modeli i struktur open source do współpracy i innowacji
- Uruchamianie SLM na komputerach AI PC w celu zwiększenia wydajności i dostępności
Sztuczna inteligencja stała się niezbędna, a nie opcjonalna, do zwiększania przewagi konkurencyjnej i doskonałości operacyjnej w dzisiejszym środowisku biznesowym. Chociaż ma potencjał do wprowadzenia szeroko zakrojonych usprawnień i przełomowych innowacji, sukces organizacji będzie zależał od wyborów, które podejmie teraz.
Chcesz zrobić następny krok? W Dell Technologies pomagamy w tworzeniu strategii AI dostosowanej do potrzeb Twojej firmy. Skontaktuj się z nami, aby dowiedzieć się więcej o naszych rozwiązaniach AI i o tym, jak mogą one pomóc Twojemu zespołowi osiągnąć więcej.
