Menempatkan tantangan AI dalam perspektif melalui kemitraan

Fitur Bersponsor Seiring dengan semakin luasnya penggunaan teknologi di sektor dan industri vertikal, kapasitas kecerdasan buatan (AI) untuk mengubah proses bisnis, pengambilan keputusan strategis, dan pengalaman pelanggan mendapat banyak pujian dari para ahli strategi TI dan analis ekonomi.

Bahkan para pimpinan eksekutif yang sempat ragu untuk menyetujui investasi yang dibutuhkan AI untuk memberikan nilai optimal kini menyadari potensinya untuk meningkatkan efisiensi operasional dan membuka jalan bagi aliran pendapatan baru.

Perkiraan yang dibuat oleh para pengamat pasar terkemuka seperti PwC mendukung pandangan mereka. Dia 'Studi Kecerdasan Buatan Global' memperkirakan bahwa AI dapat berkontribusi hingga $15.7 triliun terhadap perekonomian global pada tahun 2030. Dari jumlah tersebut, $6.6 triliun dapat berasal dari peningkatan produktivitas dan $9.1 triliun dapat berasal dari 'efek samping konsumsi', PwC menegaskan.

Peluncuran beberapa alat AI generatif baru-baru ini dianggap sebagai a breakout menunjuk pada apa yang sebelumnya merupakan cabang ilmu komputer yang sangat terspesialisasi dan 'futuristik'. Di Inggris pada tahun 2022 Kantor Kecerdasan Buatan melaporkan bahwa sekitar 15 persen bisnis telah mengadopsi setidaknya satu teknologi AI, yang setara dengan 432,000 perusahaan. Sekitar 2 persen perusahaan sedang melakukan uji coba AI, dan 10 persen berencana untuk mengadopsi setidaknya satu teknologi AI di masa depan (masing-masing 62,000 dan 292,000 perusahaan).

Ini masih merupakan hal yang rumit

Di tengah semangat AI ini, organisasi harus ingat bahwa AI masih merupakan teknologi yang relatif muda, dan mungkin sulit untuk disiapkan untuk pertama kalinya. Terlebih lagi, laba atas investasi (ROI) terkait sangat bergantung pada prosedur dan konfigurasi implementasi yang dikelola dengan sangat tepat, yang seringkali kurang kuat dalam menghadapi kesalahan dibandingkan penerapan TI konvensional.

AI memberikan ujian yang dapat diperkirakan bagi tim TI yang bertugas menerapkan inisiatif dan beban kerja AI/Machine Learning, misalnya, yang dapat mencakup mengatasi kesenjangan keterampilan dan kendala komputasi. Hal ini mungkin juga melibatkan pertukaran sumber daya dengan beban kerja perusahaan lain yang sudah menggunakan infrastruktur TI umum.

“AI adalah sebuah perjalanan, bukan tujuan – ini bukan tentang kesiapan untuk diadopsi atau mengotomatisasi proses hanya untuk efisiensi,” kata Matt Armstrong-Barnes, Chief Technology Officer untuk Kecerdasan Buatan di Hewlett Packard Enterprise (HPE). “Sebaliknya, ini adalah tentang realisasi nilai jangka panjang, memungkinkan hasil yang lebih baik, dan menyadari bahwa AI memerlukan pendekatan yang berbeda secara mendasar dalam penerapan TI. Bagi ahli teknologi perusahaan, ini adalah kurva pembelajaran menyeluruh 360 derajat.”

Pendapat Armstrong-Barnes dibuktikan dengan pernyataan terbaru Deloitte 'Status AI di Perusahaan' survei para pemimpin bisnis global. Respondennya mengidentifikasi banyak tantangan yang muncul akibat AI pada fase-fase berturut-turut proyek implementasi AI mereka. Pembuktian nilai bisnis AI merupakan isu yang dikemukakan oleh 37 persen – proyek bisa memakan biaya besar, dan kasus bisnis yang menarik mungkin sulit untuk divalidasi jika dihadapkan pada dewan direksi dan eksekutif C-Suite yang waspada terhadap investasi.

Peningkatan skala proyek AI tersebut dari waktu ke waktu dapat menghadapi hambatan-hambatan yang teridentifikasi lebih lanjut, seperti pengelolaan risiko terkait AI (disebutkan oleh 50 persen peserta survei Deloitte), kurangnya dukungan dari eksekutif (juga 50 persen), dan kurangnya dukungan dari eksekutif. pemeliharaan atau dukungan berkelanjutan (50 persen lagi).

“Dapat dimengerti bahwa para pemimpin perusahaan perlu yakin bahwa AI akan memberikan hasil,” kata Armstrong-Barnes. “Di sinilah bekerja sejak awal dengan mitra teknologi yang telah terlibat dalam penerapan AI yang telah terbukti selama bertahun-tahun dapat membantu memenangkan kasus ini. Rekam jejaknya akan memberikan kredibilitas pada proposal proyek dan membantu meyakinkan para eksekutif bahwa risiko AI dapat dikelola seperti halnya usaha TI lainnya.”

Meskipun teknologi dan talenta sangat dibutuhkan, menyelaraskan budaya, struktur, dan cara kerja perusahaan untuk mendukung adopsi AI secara luas juga sama pentingnya. menurut McKinsey, dengan karakteristik khas yang terkadang menjadi hambatan terhadap perubahan yang didorong oleh AI.

'Jika sebuah perusahaan memiliki manajer hubungan yang bangga karena dapat menyesuaikan diri dengan kebutuhan pelanggan, mereka mungkin menolak anggapan bahwa “mesin” dapat memiliki gagasan yang lebih baik tentang apa yang diinginkan pelanggan dan mengabaikan rekomendasi produk yang disesuaikan dengan alat AI,' saran McKinsey.

“Saya sering berunding dengan rekan-rekan HPE dan pelanggan HPE tentang berbagai tantangan yang mereka hadapi dalam penerapan AI,” lapor Armstrong-Barnes. “Beberapa ciri bukti umum muncul berulang kali. Salah satunya adalah meremehkan perbedaan mendasar penerapan AI dengan penerapan TI tradisional. Organisasi harus menerapkan AI dengan cara yang berbeda dari proyek TI yang pernah mereka terapkan di masa lalu. Manajemen dan penskalaan data sangat berbeda untuk AI. Artinya, terkadang, pengalaman teknologi yang diperoleh dengan susah payah harus dipelajari lagi.”

Kecenderungan untuk bereksperimen dengan uji coba AI sebelum menerapkannya secara langsung ke dalam kasus penggunaan nyata yang mendukung kebutuhan bisnis yang mendesak harus dihindari, jelas Armstrong-Barnes. “Pendekatan coba-sebelum-Anda-beli tampaknya masuk akal – AI itu rumit dan haus akan investasi,” jelasnya, “Tetapi dengan AI, uji coba dan proyek pengujian tidak benar-benar meniru tantangan yang akan dihadapi oleh organisasi pengguna dalam implementasi sebenarnya. . Apa yang dimulai 'di laboratorium' cenderung bertahan di laboratorium.”

Di ujung lain dari skala adopsi, Armstrong-Barnes melihat perusahaan-perusahaan yang mencoba menerapkan AI di mana pun AI dapat diterapkan, bahkan ketika aplikasi bekerja secara optimal tanpa AI: “Yang dapat diambil adalah – hanya karena dalam AI Anda memiliki palu yang sangat besar, maka Anda tidak boleh melihat segala sesuatunya sebagai hal yang mustahil untuk dipecahkan.”

Sumber daya manusia dan infrastruktur belum tersedia

Bahkan sistem AI yang paling canggih sekalipun belum mencapai otonomi menyeluruh – sistem tersebut perlu dilatih dan disempurnakan oleh keahlian manusia. Hal ini merupakan tantangan lebih lanjut bagi perusahaan-perusahaan calon AI: bagaimana cara terbaik untuk memperoleh keterampilan yang diperlukan – melatih kembali personel TI yang ada? Rekrut anggota tim baru dengan pengetahuan AI yang diperlukan? Atau mencari opsi untuk mengalihkan kebutuhan akan keahlian AI kepada mitra teknologi?

McKinsey laporan bahwa potensi AI dibatasi oleh kurangnya talenta terampil. Proyek AI pada umumnya memerlukan tim yang sangat ahli termasuk ilmuwan data, insinyur data, insinyur ML, manajer produk, dan desainer – dan jumlah spesialis yang tersedia tidak cukup untuk mengisi semua pekerjaan yang terbuka tersebut.

“Kami melihat para teknolog perusahaan pada umumnya harus meningkatkan kemampuan mereka dalam lima hal utama,” kata Armstrong-Barnes. “Pada dasarnya, hambatan-hambatan tersebut terletak pada bidang keahlian AI, infrastruktur TI, manajemen data, manajemen kompleksitas, dan pada tingkat yang lebih rendah, hambatan budaya yang disebutkan di atas. Tantangan-tantangan ini tidak dapat diatasi dengan pendekatan yang tepat dan dukungan kemitraan.”

AI juga menyukai perangkat keras yang sangat kuat untuk dijalankan. Penyediaan platform komputasi berkinerja tinggi terus menjadi tantangan yang sulit karena hanya sedikit organisasi yang ingin – atau mampu – melakukan investasi yang diperlukan pada lahan server mereka tanpa adanya peningkatan rasio ROI yang dapat dibuktikan.

“Saat merencanakan implementasi AI, pada tahap awal, perencana TI perlu membuat beberapa keputusan penting terkait teknologi pendukung inti,” kata Armstrong-Barnes. “Misalnya, apakah Anda akan membelinya, membangunnya – atau mengambil pendekatan hybrid yang mencakup kedua elemen tersebut?”

Keputusan penting berikutnya berkaitan dengan kemitraan. Armstrong-Barnes menyatakan bahwa syarat yang menentukan keberhasilan penyampaian AI adalah tidak ada seorang pun yang dapat melakukannya sendiri: “Anda memerlukan dukungan mitra teknologi, dan cara terbaik untuk membangun kemitraan tersebut adalah melalui ekosistem AI. Bayangkan ekosistem AI sebagai konsorsium keahlian yang saling mendukung, yang jika digabungkan, akan memberi Anda akses terhadap pengetahuan, data, alat AI, teknologi, dan ekonomi yang tepat untuk mengembangkan dan mengoperasionalkan upaya AI Anda.”

Armstrong-Barnes menambahkan: “Pelanggan terkadang bertanya bagaimana HPE bisa begitu berpengalaman dalam kasus penggunaan AI – apakah kita sudah memperkirakan dampaknya bertahun-tahun yang lalu dan mulai mempersiapkan diri jauh sebelum pasar? Faktanya adalah kami melihat dampak AI tidak muncul beberapa tahun lalu, melainkan beberapa dekade yang lalu, kami telah membangun pusat keunggulan dan ekosistem AI sejak lama, dan telah melakukan akuisisi strategis untuk menambah keahlian kami yang ada sejalan dengan kebutuhan pelanggan dan peluang pertumbuhan.”

Tanpa kereta, tanpa keuntungan

Salah satu peningkatan tersebut adalah Definted AI, yang menjadi bagian dari penawaran solusi HPC dan AI HPE pada tahun 2021. Perangkat lunak sumber terbuka dari Defeded AI menjawab fakta bahwa membangun dan melatih model yang dioptimalkan dalam skala besar merupakan tahap yang sulit dan penting dalam pengembangan ML – tahap yang semakin meningkat. membutuhkan ahli non-teknologi seperti analis, peneliti, dan ilmuwan untuk menghadapi tantangan HPC.

Tantangan-tantangan ini mencakup penyiapan dan pengelolaan tumpukan perangkat lunak dan infrastruktur yang sangat paralel yang mencakup penyediaan komputasi khusus, penyimpanan data, fabric komputasi, dan kartu akselerator.

“Selain itu, eksponen ML perlu memprogram, menjadwalkan, dan melatih model mereka secara efisien untuk memaksimalkan pemanfaatan infrastruktur khusus yang telah mereka siapkan,” kata Armstrong-Barnes, “yang dapat menciptakan kompleksitas dan memperlambat produktivitas.”

Tugas-tugas ini tentu saja harus dilakukan dengan tingkat kompetensi yang ketat, yang bahkan dengan dukungan tim TI internal yang berlebihan, tidak dapat dijamin dengan mudah.

Platform sumber terbuka Determined AI untuk pelatihan model ML dirancang untuk menutup kesenjangan sumber daya ini, sehingga memudahkan penyiapan, konfigurasi, pengelolaan, dan berbagi stasiun kerja atau kluster AI yang berjalan di lokasi atau di cloud. Selain dukungan premium, perangkat ini juga mencakup fitur-fitur seperti keamanan tingkat lanjut, alat pemantauan dan observasi – semuanya didukung oleh keahlian dari dalam HPE.

“Determined AI bertujuan menghilangkan hambatan bagi perusahaan untuk membangun dan melatih model ML dalam skala dan kecepatan, guna mewujudkan nilai yang lebih besar dalam waktu yang lebih singkat, dengan Sistem Pengembangan Pembelajaran Mesin HPE yang baru,” jelas Armstrong-Barnes. “Kemampuan ini mencakup hal-hal teknis yang diperlukan untuk mengoptimalkan beban kerja AI/Machine Learning, seperti penjadwalan akselerator, toleransi kesalahan, pelatihan model paralel dan terdistribusi berkecepatan tinggi, pengoptimalan hyperparameter tingkat lanjut, dan penelusuran arsitektur saraf.

“Ditambah dengan tugas-tugas disipliner seperti kolaborasi yang dapat direproduksi dan pelacakan metrik – banyak hal yang perlu diperhatikan. Dengan bantuan dari Defeded AI, para spesialis proyek dapat fokus pada inovasi dan mempercepat waktu penyelesaiannya.”

Lebih banyak sumber daya dan regulasi HPC berperan dalam hal ini

Kekuatan HPC juga semakin banyak digunakan untuk melatih dan mengoptimalkan model AI, selain menggabungkannya dengan AI untuk menambah beban kerja seperti pemodelan dan simulasi – alat yang telah lama digunakan untuk mempercepat waktu penemuan di berbagai sektor di industri manufaktur.

Pasar HPC global diperkirakan akan mengalami pertumbuhan selama sisa tahun 2020-an. Intelijen Mordor perkiraan nilainya sebesar $56.98 miliar pada tahun 2023, dan diperkirakan akan mencapai $96.79 miliar pada tahun 2028 – CAGR sebesar 11.18 persen dibandingkan periode perkiraan.

“HPE telah lama membangun infrastruktur HPC, dan kini memiliki portofolio HPC yang mencakup Superkomputer Exascale dan platform komputasi dengan kepadatan optimal. Beberapa klaster HPC terbesar dibangun berdasarkan inovasi HPE,” kata Armstrong-Barnes. “HPE memiliki keahlian yang tak tertandingi dalam platform perangkat keras berkinerja tinggi.”

Dengan diperkenalkannya HPE GreenLake untuk Model Bahasa Besar awal tahun ini (2023), perusahaan – mulai dari startup hingga Fortune 500 – dapat melatih, menyempurnakan, dan menerapkan AI berskala besar menggunakan platform superkomputer berkelanjutan yang menggabungkan perangkat lunak AI HPE dan superkomputer tercanggih.

Tentu saja, penerapan AI merupakan sebuah tantangan bagi semua ukuran organisasi, namun ini bukan hanya tentang teknologinya, Armstrong-Barnes menyatakan: “Semua pengguna AI harus selalu mengikuti perkembangan peraturan dan kepatuhan AI yang muncul. Perundang-undangan seperti Undang-undang Hak-Hak AI AS, Undang-undang AI UE, dan proposal peraturan yang akan datang yang ditetapkan dalam Buku Putih AI Pemerintah Inggris – yang secara umum diharapkan dapat memberikan landasan bagi Kerangka Kerja AI yang siap untuk dipatuhi – merupakan contoh nyata dari hal ini.”

Bagi bisnis yang beroperasi secara internasional, hal ini tampak seperti rintangan lain yang terkait dengan birokrasi, namun Armstrong-Barnes berpendapat bahwa kepatuhan terhadap peraturan mungkin tidak sesulit yang terlihat – dengan sedikit bantuan dari ekosistem kemitraan AI yang ditunjuk dengan baik.

“Periksa apakah mitra ekosistem AI Anda juga dapat membantu Anda dalam hal kepatuhan – jika Anda sudah berada dalam lingkungan bisnis yang sangat diatur, mungkin saja Anda sudah setengah jalan mencapai kepatuhan yang ada.”

Disponsori oleh HPE.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://go.theregister.com/feed/www.theregister.com/2023/10/25/putting_ai_challenges_in_perspective/