I en ny rapport från Enterprise Strategy Group (ESG) understryks vikten av att organisationer överväger att utforma en teknisk infrastruktur som stödjer artificiell intelligens (AI) och maskininlärning (ML) för att maximera nyttan av dessa.
Dagens företags- och IT-ledare inser att system för AI och ML idag är avgörande för affärsframgång. AI och ML är nya nycklar för att lyckas få konkurrensfördelar, från att bygga närmare kundrelationer till att optimera operativa processer.
Den enkla delen är att identifiera möjligheten, utmaningen ligger i att utforma och implementera en infrastruktur som stödjer implementation av AI och ML. Utan ett strategiskt tillvägagångssätt för att distribuera och hantera infrastruktur för AI- och ML-initiativ kan företag hindras av komplexiteten som kommer med en mer komplex infrastrukturmiljö med olika system för olika applikationer. Nyckeln är att förstå de grundläggande kraven för en datamiljö som stöder AI- och ML-initiativ över hela företaget, och sedan sätta rätt infrastrukturlösningar på plats.
ESG:s rapport innehåller resultat från en undersökning av 325 IT-anställda som är involverade i infrastrukturen förknippad med AI-initiativ. Den innehåller även insikter om de prioriteringar och affärsmål som organisationer har för sina AI- och ML-initiativ.
”När organisationer når framgång med AI/ML-initiativ ökar de ofta snabbt investeringar och utökar projekt för att inrikta sig på flera mål. Detta gör i många fall i att infrastrukturen skalas upp snabbt, vilket resulterar i en massiv och ofta splittrad infrastrukturmiljö”, varnar ESG.
Fyra nycklar för att lyckas med designen av din infrastruktur
ESG-undersökningen visade att rätt design av organisationens infrastrukturmiljö är den största bidragande faktorn till framgång med AI- och ML-implementeringar. För att lyckas med sin design bör organisationer komma ihåg följande punkter:
- Maximera infrastrukturens prestanda — AI- och ML-miljöer kan snabbt skalas i både prestanda och kapacitet. Att maximera utnyttjandet är nyckeln till att hålla kostnaderna under kontroll.
- Hybrid- och multimoln-kapacitet — Infrastrukturmiljöer kräver vanligtvis storskalig datakapacitet och sträcker sig ofta över flera platser. Infrastruktur som kan förenkla hanteringen av flera platser skapar värde.
- Datahantering och säkerhet — 100 procent av deltagarna i ESG-studien identifierade att åtminstone en del av datan i deras datapipeline var känslig data. Detta innebär att säkerhet och styrning måste vara högsta prioritet för alla AI- och ML-miljöer.
- Hög tillgänglighet — Den insamlade datan ger affärsnytta och för organisationer med AI och ML ses denna data ofta som kritisk för verksamheten. Därför måste datan alltid finnas tillgänglig.
I slutändan börjar alla AI-behov med en affärsutmaning eller möjlighet, konstaterar ESG. Datavetare omvandlar sedan användsningsfallet till ett datavetenskapligt problem och designar en lösning. Därefter tar IT-avdelningen över arbetet för att rent tekniskt bygga den färdiga lösningen.
”För att träna AI-modellen krävers vanligtvis mycket stora mängder data ”, säger ESG. ”Dessa stora datamängder måste flyttas in och ut ur olika system samtidigt som de överensstämmer med organisationens datastyrning och säkerställer tillgänglighet. Utan rätt infrastruktur blir denna uppgift mycket svår och resulterar i att organisationer förlorar dyrbar tid och pengar.”
Vill du veta mer? Läs ESG:s e-bok, “The Four Infrastructure Essentials for AI/ML Data Pipeline and Data Lake Environments.”
