At sætte AI-udfordringer i perspektiv med partnerskaber

Sponsoreret funktion Efterhånden som teknologien bliver mere udbredt på tværs af mere vertikale sektorer og industrier, bliver kapaciteten af ​​kunstig intelligens (AI) til at transformere forretningsprocesser, strategisk beslutningstagning og kundeoplevelser rost af it-strateger og økonomiske analytikere.

Selv administrerende direktører, der engang var på vagt over for at godkende den investering, AI har brug for for at levere optimal værdi, er ved at erkende dets potentiale til at forbedre driftseffektiviteten og bane vejen for nye indtægtsstrømme.

Prognoser fra ærværdige markedsobservatører som PwC understøtter deres opfattelse. dens 'Global kunstig intelligens undersøgelse' regner med, at kunstig intelligens kan bidrage med op til 15.7 billioner dollars til globale økonomier i 2030. Heraf kunne 6.6 billioner dollars komme fra øget produktivitet og 9.1 billioner dollars kunne komme fra 'forbrugsbivirkninger', hævder PwC.

Den nylige udrulning af adskillige generative AI-værktøjer anses for at være en breakout point for, hvad der tidligere havde været en højt specialiseret og 'futuristisk' gren af ​​datalogi. I Storbritannien i 2022 Office for Artificial Intelligence rapporteret at omkring 15 procent af virksomhederne havde vedtaget mindst én kunstig intelligens-teknologi, hvilket svarer til 432,000 virksomheder. Omkring 2 procent af virksomhederne piloterede AI, og 10 procent planlagde at indføre mindst én AI-teknologi fremover (henholdsvis 62,000 og 292,000 virksomheder).

Det er stadig komplekse ting

Midt i denne AI-glæde bør organisationer huske, at AI stadig er en relativt ung teknologi, og det kan være udfordrende at sætte op for første gang. Hvad mere er, er tilknyttet investeringsafkast (ROI) i høj grad afhængig af meget præcist administrerede implementeringsprocedurer og konfigurationer, der ofte er mindre robuste over for fejl end konventionelle it-implementeringer.

AI udgør estimerede tests for de it-teams, der har til opgave at implementere AI/Machine Learning-initiativer og arbejdsbelastninger, for eksempel, som kan omfatte overvindelse af kvalifikationsmangler og beregningsmæssige begrænsninger. De kan også involvere ressourceafvejninger med andre virksomhedsarbejdsbelastninger, der allerede bruger en fælles it-infrastruktur.

"AI er en rejse, ikke en destination - det handler ikke om at være klar til at blive adopteret eller at automatisere processer blot for at opnå mere effektivitet," siger Matt Armstrong-Barnes, Chief Technology Officer for kunstig intelligens hos Hewlett Packard Enterprise (HPE). "Det handler snarere om realisering af langsigtet værdi, muliggør bedre resultater og erkendelse af, at AI kræver en fundamentalt anderledes tilgang til it-implementering. For virksomhedsteknologer er det en 360-graders all-round læringskurve."

Armstrong-Barnes' pointe er bevist af Deloittes seneste 'Status for AI i virksomheden' undersøgelse af globale virksomhedsledere. Dets respondenter identificerede en bunke af udfordringer, AI opstod i successive faser af deres AI-implementeringsprojekter. At bevise AI's forretningsværdi var et problem, der blev citeret af 37 procent – ​​projekter kan vise sig dyre, og en overbevisende business case kan være svær at validere over for investeringsforsigtige bestyrelser og C-Suite-direktører.

Opskalering af disse AI-projekter over tid kan ramme yderligere identificerede forhindringer, såsom styring af AI-relaterede risici (citeret af 50 procent af dem, der deltager i Deloitte-undersøgelsen), manglende executive buy-in (også 50 procent) og mangel på vedligeholdelse eller løbende support (50 procent igen).

"Helt forståeligt, skal virksomhedsledere være overbevist om, at AI vil betale sin vej," siger Armstrong-Barnes. "Det er her, at arbejde fra starten med en teknisk partner, der har været involveret i gennemprøvede AI-implementeringer i mange år, hjælper med at vinde sagen. Dens track record vil give troværdighed til projektforslag og hjælpe med at overbevise ledere om, at AI's risici er lige så håndterbare som enhver anden IT-satsning."

Og selvom der bestemt er brug for teknologi og talent, er det lige så vigtigt at tilpasse en virksomheds kultur, struktur og arbejdsmåder for at understøtte en bred AI-adoption, ifølge McKinsey, med karakteristiske egenskaber, der nogle gange fungerer som barrierer for AI-drevet forandring.

"Hvis en virksomhed har relationsansvarlige, der er stolte af at være tilpasset kundernes behov, kan de afvise ideen om, at en "maskine" kunne have bedre ideer om, hvad kunderne vil have, og ignorere et AI-værktøjs skræddersyede produktanbefalinger," foreslår McKinsey.

"Jeg taler ofte med HPE-peers og HPE-kunder om rækken af ​​udfordringer, de støder på med AI-implementering," rapporterer Armstrong-Barnes. "Nogle almindelige beviskarakteristika dukker op igen og igen. Den ene er en undervurdering af, hvor fundamentalt forskellige AI-implementeringer er fra traditionelle it-implementeringer. Organisationer skal implementere AI på en primært anden måde end de it-projekter, de tidligere har implementeret. Datastyring og skalering er væsentligt forskellige for AI. Det betyder, at nogle gange skal hårdt vundet teknologierfaring læres på ny."

Tilbøjeligheden til at eksperimentere med AI-piloter, før den implementeres direkte i en reel use-case, der understøtter et presserende forretningsbehov, bør undgås, forklarer Armstrong-Barnes. "Prøv-før-du-køber-tilgangen virker rimelig - AI er kompleks og investeringshungrende," forklarer han, "Men med AI replikerer dry runs og testprojekter ikke rigtigt de udfordringer, brugerorganisationer vil støde på med en faktisk implementering . Det, der starter 'i laboratoriet', har en tendens til at blive i laboratoriet."

I den anden ende af adoptionsskalaen ser Armstrong-Barnes virksomheder, der forsøger at anvende AI overalt, hvor den kan anvendes, selv hvor en applikation fungerer optimalt uden AI: "Her er take-away - bare fordi du i AI har en massiv hammer, du skal da ikke se alt som en nød, der skal knækkes.”

Mennesker og infrastruktur er ikke let tilgængelig

Selv de mest avancerede AI-systemer har endnu ikke opnået total ende-til-ende-autonomi - de skal trænes og finjusteres af menneskelig ekspertise. Dette repræsenterer en yderligere udfordring for AI-aspirerende virksomheder: hvordan tilegner man sig bedst de nødvendige færdigheder – omskole eksisterende it-personale? Rekruttere nye teammedlemmer med den nødvendige AI viden? Eller udforske muligheder for at udskyde behovet for AI-ekspertise til teknologipartnere?

McKinsey rapporter at AI's potentiale bliver begrænset af mangel på kvalificeret talent. Et typisk AI-projekt kræver et yderst dygtigt team, herunder en dataforsker, dataingeniør, ML-ingeniør, produktchef og designer – og der er simpelthen ikke nok specialister til rådighed til at besætte alle de ledige job.

"Vi ser, at virksomhedsteknologer generelt er nødt til at opgradere deres evner i fem vigtige henseender," siger Armstrong-Barnes. "Principielt ligger de inden for områderne AI-ekspertise, IT-infrastruktur, datastyring, kompleksitetsstyring og i mindre grad de førnævnte kulturelle barrierer. Ingen af ​​disse udfordringer er uoverkommelige givet den rigtige tilgang og partnerskabsstøtte."

AI kan også godt lide superkraftig hardware at køre på. Provisionering af højtydende computerplatforme fortsætter som en vedvarende udfordring, fordi få organisationer ønsker – eller har råd til – at foretage de nødvendige investeringer i deres serverejendomme uden en påviselig stigning i ROI-forhold.

"Når de planlægger AI-implementeringer, skal it-planlæggere på et meget tidligt tidspunkt træffe nogle vigtige beslutninger vedrørende den kerneaktiverende teknologi," siger Armstrong-Barnes. "Vil du for eksempel købe det, bygge det - eller tage en hybrid tilgang, der omfatter elementer af begge dele?"

Den næste vigtige beslutning vedrører partnerskaber. En afgørende betingelse for succesfuld AI-levering er, at ingen kan klare det alene, påpeger Armstrong-Barnes: "Du har brug for støtte fra teknologipartnere, og den bedste måde at etablere disse partnerskaber på er gennem et AI-økosystem. Tænk på et AI-økosystem som et støttende konsortium af ekspertise, der sammen, vil give dig adgang til den rigtige knowhow, data, AI-værktøjer, teknologi og økonomi til at udvikle og operationalisere dine AI-bestræbelser."

Armstrong-Barnes tilføjer: "Kunder spørger nogle gange, hvordan HPE blev så erfaren i AI use-cases - forudså vi dens virkning for år tilbage og begyndte at forberede os langt før markedet? Faktum er, at vi så AI's indvirkning komme ikke for mange år, men for årtier siden, har etableret AI-centre for excellence og økosystemer i lang tid og har foretaget strategiske opkøb for at øge vores eksisterende ekspertise i overensstemmelse med kundernes krav og vækstmuligheder."

Intet tog, ingen gevinst

En sådan forstærkning er Determined AI, som blev en del af HPE's HPC- og AI-løsningstilbud i 2021. Determined AI's open source-software adresserer det faktum, at opbygning og træning af optimerede modeller i stor skala er et krævende og kritisk trin i ML-udviklingen – en, der i stigende grad kræver, at ikke-teknologer som analytikere, forskere og videnskabsmænd påtager sig HPC's udfordringer.

Disse udfordringer omfatter opsætning og styring af en meget parallel softwarestak og infrastruktur, der spænder over specialiseret databehandling, datalagring, databehandlingsstof og acceleratorkort.

"Derudover skal ML-eksponenter programmere, planlægge og træne deres modeller effektivt for at maksimere udnyttelsen af ​​den specialiserede infrastruktur, de har sat op," siger Armstrong-Barnes, "som kan skabe kompleksitet og bremse produktiviteten."

Disse opgaver skal naturligvis udføres med et strengt kompetenceniveau, som, selv med støtte fra overanstrengte interne it-teams, ikke er let at sikre.

Determined AI's open source-platform til ML-modeltræning er designet til at lukke dette ressourcegab, hvilket gør det nemt at opsætte, konfigurere, administrere og dele arbejdsstationer eller AI-klynger, der kører på stedet eller i skyen. Og ud over premium support inkluderer den funktioner såsom avanceret sikkerhed, overvågning og observerbarhedsværktøjer – alt sammen understøttet af ekspertise fra HPE.

"Determined AI handler om at fjerne barrierer for virksomheder til at bygge og træne ML-modeller i skala og hastighed for at realisere større værdi på kortere tid med det nye HPE Machine Learning Development System," forklarer Armstrong-Barnes. "Disse muligheder inkluderer ret tekniske ting, der er nødvendige for at optimere AI/Machine Learning-arbejdsbelastninger, såsom acceleratorplanlægning, fejltolerance, højhastigheds parallel og distribueret træning af modeller, avanceret hyperparameteroptimering og neural arkitektursøgning.

"Føj dertil disciplinære opgaver som reproducerbart samarbejde og metric tracking - det er meget at holde styr på. Med Determined AI's hjælp kan projektspecialister fokusere på innovation og fremskynde deres leveringstid."

Flere HPC-ressourcer og regulering spiller deres rolle

Kraften fra HPC bliver også i stigende grad brugt til at træne og optimere AI-modeller, ud over at kombinere med AI for at øge arbejdsbelastninger såsom modellering og simulering – veletablerede værktøjer til at fremskynde tid til opdagelse i sektorer på tværs af fremstillingsindustrien.

Det globale HPC-marked er indstillet på en skøn vækst i resten af ​​2020'erne. Mordor intelligens skøn dens værdi til $56.98 milliarder i 2023, og forventer, at den vil nå $96.79 milliarder i 2028 – en CAGR på 11.18 procent over prognoseperioden.

"HPE har bygget HPC-infrastruktur i lang tid og har nu en HPC-portefølje, der inkluderer Exascale Supercomputere og tæthedsoptimerede computerplatforme. Nogle af de største HPC-klynger er bygget på HPE-innovation,” siger Armstrong-Barnes. "HPE har uovertruffen ekspertise inden for højtydende hardwareplatforme."

Med introduktionen af HPE GreenLake til store sprogmodeller tidligere i år (2023) kan virksomheder – fra startups til Fortune 500 – træne, tune og implementere storstilet AI ved hjælp af en bæredygtig supercomputing-platform, der kombinerer HPEs AI-software og de mest avancerede supercomputere.

Det er klart, at det er en udfordring for organisationer i alle størrelser at adoptere AI, men det handler ikke kun om teknologien, påpeger Armstrong-Barnes: "I stigende grad bliver alle AI-adoptere nødt til at holde sig ajour med nye AI-regler og -overholdelser. Lovgivning som US AI Bill of Rights, EU AI Act og de kommende lovgivningsmæssige forslag i den britiske regerings AI White Paper – der generelt forventes at informere et compliance-klar AI Framework – er immanente eksempler på dette.”

For virksomheder, der opererer internationalt, ligner dette endnu en forhindring pakket ind i bureaukrati, men Armstrong-Barnes antyder, at overholdelse af lovgivningen måske ikke er så besværlig, som de kan se ud – med lidt hjælp fra et velindrettet AI-partnerskabsøkosystem.

"Tjek, om dine AI-økosystempartnere også kan hjælpe dig med overholdelse - hvis du allerede er i et stærkt reguleret forretningsmiljø, kan det godt være, at du allerede er halvvejs med eksisterende observationer."

Sponsoreret af HPE.

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
• Kilde: https://go.theregister.com/feed/www.theregister.com/2023/10/25/putting_ai_challenges_in_perspective/