与合作伙伴一起审视人工智能挑战

由柏拉图重新发布

关注： 0

赞助功能随着该技术在更多垂直部门和行业中得到更广泛的部署，人工智能 (AI) 改变业务流程、战略决策和客户体验的能力受到 IT 战略家和经济分析师的普遍称赞。

即使是曾经对批准人工智能提供最佳价值所需的投资持谨慎态度的首席执行官也开始认识到其提高运营效率并为新收入来源铺平道路的潜力。

普华永道等著名市场观察家的预测支持了他们的观点。它是 '全球人工智能研究” 预计到 15.7 年，人工智能将为全球经济贡献高达 2030 万亿美元。普华永道声称，其中 6.6 万亿美元可能来自生产力的提高，9.1 万亿美元可能来自“消费副作用”。

最近推出的几种生成式人工智能工具被认为是突围计算机科学以前是一个高度专业化和“未来主义”的分支。 2022 年英国人工智能办公室报道大约 15% 的企业至少采用了一项人工智能技术，相当于 432,000 家公司。大约 2% 的企业正在试点人工智能，10% 的企业计划在未来采用至少一种人工智能技术（分别为 62,000 家和 292,000 家企业）。

这仍然是复杂的事情

在这种人工智能热潮中，组织应该记住，人工智能仍然是一项相对年轻的技术，首次设置可能具有挑战性。此外，相关的投资回报 (ROI) 高度依赖于非常精确管理的实施过程和配置，而与传统 IT 部署相比，这些实施过程和配置在出现错误时往往不够稳健。

例如，人工智能为负责实施人工智能/机器学习计划和工作负载的 IT 团队提出了重要的测试，其中包括克服技能差距和计算限制。它们还可能涉及与已使用通用 IT 基础设施的其他企业工作负载的资源权衡。

惠普企业 (HPE) 人工智能首席技术官马特·阿姆斯特朗-巴恩斯 (Matt Armstrong-Barnes) 表示：“人工智能是一段旅程，而不是目的地，它并不是为了提高效率而准备采用或实现流程自动化。” “相反，它是关于实现长期价值，实现更好的结果，并认识到人工智能需要一种根本不同的 IT 部署方法。对于企业技术人员来说，这是一条 360 度全方位的学习曲线。”

阿姆斯特朗-巴恩斯的观点在德勤最新的“企业中AI的状态”对全球商业领袖的调查。受访者指出，人工智能在其人工智能实施项目的连续阶段中出现了一系列挑战。 37% 的受访者提到了证明人工智能商业价值的一个问题——项目可能成本高昂，而且面对对投资持谨慎态度的董事会和高管，令人信服的商业案例可能很难得到验证。

随着时间的推移，扩大这些人工智能项目可能会遇到进一步确定的障碍，例如管理人工智能相关风险（参与德勤调查的 50% 的人提到）、缺乏高管支持（也是 50%）以及缺乏维护或持续支持（再次为 50%）。

阿姆斯特朗-巴恩斯表示：“企业领导者需要相信人工智能会带来回报，这是可以理解的。” “这就是从一开始就与多年来参与经过验证的人工智能实施的技术合作伙伴合作有助于赢得这场官司的地方。它的业绩记录将为项目提案提供可信度，并有助于让高管们相信人工智能的风险与任何其他 IT 企业一样是可控的。”

虽然技术和人才固然需要，但调整公司文化、结构和工作方式以支持人工智能的广泛采用也同样重要，根据麦肯锡，具有独特的特征，有时会成为人工智能驱动变革的障碍。

麦肯锡表示，如果一家公司的客户关系经理以能够满足客户需求而自豪，他们可能会拒绝“机器”可以更好地了解客户需求的想法，而忽略人工智能工具量身定制的产品推荐。

“我经常与 HPE 同行和 HPE 客户讨论他们在人工智能部署方面遇到的一系列挑战，”Armstrong-Barnes 说道。 “一些共同的证据特征一次又一次地出现。一是低估了人工智能部署与传统 IT 实施的根本差异。组织必须以与过去实施的 IT 项目截然不同的方式部署人工智能。对于人工智能来说，数据管理和扩展有很大不同。这意味着有时必须重新学习来之不易的技术经验。”

阿姆斯特朗-巴恩斯解释说，应该避免在将人工智能试点直接部署到支持紧迫业务需求的实际用例中之前进行试验的倾向。 “先试后买的方法似乎是合理的——人工智能很复杂，而且需要投资，”他解释道，“但是对于人工智能来说，演练和测试项目并不能真正复制用户组织在实际实施中会遇到的挑战。。从‘实验室’开始的东西往往会留在实验室里。”

在采用范围的另一端，阿姆斯特朗-巴恩斯看到公司试图在任何可以应用人工智能的地方应用人工智能，即使应用程序在没有人工智能的情况下也能以最佳方式运行：“这里的要点是——仅仅因为在人工智能中你有一把巨大的锤子，你不应该把一切都视为有待破解的坚果。”

人员和基础设施不易获得

即使是最先进的人工智能系统也尚未实现完全的端到端自主——它们需要由人类专业知识进行培训和微调。这对有志于人工智能的公司来说是一个进一步的挑战：如何最好地获得必要的技能——对现有的 IT 人员进行再培训？招募具有必要人工智能知识的新团队成员？或者探索将人工智能专业知识的需求推迟给技术合作伙伴的选择？

麦肯锡报告人工智能的潜力因缺乏熟练人才而受到限制。一个典型的人工智能项目需要一个高度熟练的团队，包括数据科学家、数据工程师、机器学习工程师、产品经理和设计师——而且根本没有足够的专家来填补所有这些空缺职位。

“我们看到企业技术人员通常必须在五个关键方面提升他们的能力，”阿姆斯特朗-巴恩斯说。 “主要是人工智能专业知识、IT 基础设施、数据管理、复杂性管理以及上述文化障碍等领域。只要采取正确的方法和合作伙伴支持，这些挑战都不是不可克服的。”

人工智能还喜欢在超强大的硬件上运行。配置高性能计算平台仍然是一项持久的挑战，因为很少有组织愿意（或有能力）在投资回报率没有明显提高的情况下对其服务器资产进行必要的投资。

“在规划人工智能实施时，IT 规划人员需要在早期阶段就核心支持技术做出一些关键决策，”Armstrong-Barnes 说道。 “例如，你打算购买它、建造它——还是采取包含两者元素的混合方法？”

下一个重要决定与伙伴关系有关。阿姆斯特朗-巴恩斯指出，成功交付人工智能的一个决定性条件是没有人可以单独行动：“你需要技术合作伙伴的支持，而建立这些合作伙伴关系的最佳方式是通过人工智能生态系统。将人工智能生态系统视为一个支持性的专业知识联盟，这些专业知识汇集在一起，将使您能够获得正确的专业知识、数据、人工智能工具、技术和经济，以开发和实施您的人工智能事业。”

阿姆斯特朗-巴恩斯补充道：“客户有时会问慧与如何在人工智能用例方面拥有如此丰富的经验——我们是否在几年前就预见到了它的影响并开始提前做好市场准备？事实上，我们在几十年前而不是几年前就看到了人工智能的影响，长期以来一直在建立人工智能卓越中心和生态系统，并一直在进行战略收购，以根据客户需求和增长机会增强我们现有的专业知识。”

没有火车，就没有收获

此类增强功能之一是 Defined AI，它于 2021 年成为 HPE HPC 和 AI 解决方案产品的一部分。Determed AI 的开源软件解决了这样一个事实：大规模构建和训练优化模型是 ML 开发的一个严格而关键的阶段，这一阶段日益受到重视。需要分析师、研究人员和科学家等非技术人员来应对 HPC 的挑战。

这些挑战包括设置和管理高度并行的软件堆栈和基础设施，涵盖专门的计算配置、数据存储、计算结构和加速器卡。

“此外，机器学习倡导者需要有效地编程、安排和训练他们的模型，以最大限度地利用他们所建立的专业基础设施，”阿姆斯特朗-巴恩斯说，“这可能会造成复杂性并降低生产力。”

当然，这些任务必须以严格的能力水平来完成，即使有超负荷的内部 IT 团队的支持，也不容易保证这一水平。

Defined AI 的 ML 模型训练开源平台旨在弥补这一资源缺口，让您可以轻松设置、配置、管理和共享在本地或云端运行的工作站或 AI 集群。除了高级支持之外，它还包括高级安全性、监控和可观察性工具等功能，所有这些功能均由 HPE 内部的专业知识提供支持。

Armstrong-Barnes 解释道：“Determined AI 旨在消除企业大规模、快速构建和训练 ML 模型的障碍，以便利用新的 HPE 机器学习开发系统在更短的时间内实现更大的价值。” “这些功能包括优化人工智能/机器学习工作负载所需的技术含量很高的东西，例如加速器调度、容错、模型的高速并行和分布式训练、高级超参数优化和神经架构搜索。

“除了可重复的协作和指标跟踪等纪律任务之外，还有很多事情需要掌握。在 Defined AI 的帮助下，项目专家可以专注于创新并快速跟踪交付时间。”

更多 HPC 资源和监管发挥作用

HPC 的力量也越来越多地用于训练和优化 AI 模型，此外还与 AI 相结合来增加建模和仿真等工作负载，而建模和仿真是长期以来建立的工具，可加快整个制造业领域的发现时间。

全球 HPC 市场预计将在 2020 年代剩余时间内实现可观增长。魔多情报估计 56.98 年其价值为 2023 亿美元，预计到 96.79 年将达到 2028 亿美元，预测期内复合年增长率为 11.18%。

“HPE 长期以来一直致力于构建 HPC 基础设施，现在拥有包括 Exascale 超级计算机和密度优化计算平台的 HPC 产品组合。一些最大的 HPC 集群是基于 HPE 创新而构建的。”Armstrong-Barnes 说道。 “慧与在高性能硬件平台方面拥有无与伦比的专业知识。”

随着介绍适用于大型语言模型的 HPE GreenLake 今年（2023 年）早些时候，企业（从初创公司到财富 500 强）可以使用结合了 HPE 人工智能软件和最先进超级计算机的可持续超级计算平台来训练、调整和部署大规模人工智能。

显然，采用人工智能对于各种规模的组织来说都是一个挑战，但这不仅仅是技术问题，阿姆斯特朗-巴恩斯指出：“所有人工智能采用者都必须不断了解最新的人工智能法规和合规性。美国人工智能权利法案、欧盟人工智能法案等立法以及英国政府人工智能白皮书中即将提出的监管提案——通常预计将提供合规就绪的人工智能框架——都是这方面的内在例子。”

对于国际化经营的企业来说，这看起来像是繁文缛节所带来的另一个障碍，但阿姆斯特朗-巴恩斯表示，在设备齐全的人工智能合作伙伴生态系统的帮助下，监管合规可能并不像看上去那么繁重。

“检查你的人工智能生态系统合作伙伴是否也可以帮助你遵守规定——如果你已经处于严格监管的商业环境中，那么你很可能已经完成了现有遵守规定的一半。”

由慧与赞助。