عوامل هوش مصنوعی شما داده‌هایی تولید می‌کنند که نمی‌توانید آن‌ها را نظارت کنید

من بیش از 20 سال را در فناوری سازمانی، راه‌اندازی مراکز داده برای مؤسسات مالی بزرگ، ساخت محصولات در شرکت‌های نرم‌افزار سازمانی، کار در زیرساخت‌های ابری، DevOps و قابلیت مشاهده گذرانده‌ام.

من امواج تکنولوژی زیادی را در شرکت مشاهده کرده ام. و در تجربه من، آنهایی که سازمان‌ها را با پای صاف می‌گیرند، هرگز آن‌هایی نیستند که هیچ‌کس آمدنشان را ندیده است. آنها کسانی هستند که همه می بینند که می آیند و هنوز برای آنها آماده نشده اند.

هوش مصنوعی عاملی در حال شکل گیری است تا یکی از این امواج باشد.

مکالمه در IT سازمانی در حال حاضر تقریبا به طور کامل بر روی مدل‌هایی متمرکز شده است که کدام یک را انتخاب کنیم، چگونه بر خروجی‌های آن نظارت کنیم، آیا ROI واقعی است یا خیر.

چیزی که تقریبا به اندازه کافی مورد توجه قرار نمی گیرد این است که وقتی این عوامل شروع به کار می کنند چه اتفاقی برای زیرساخت فناوری اطلاعات شما می افتد. به طور خاص، چه اتفاقی برای داده های تله متری شما می افتد.

تحقیقات اخیر Omdia که بیش از 300 تصمیم گیرنده فناوری اطلاعات سازمانی را در سراسر آمریکای شمالی و اروپای غربی مورد بررسی قرار داده است، هر CTO را ناراحت می کند.

انفجار در حال حاضر در حال وقوع است و بسیاری از سازمان ها در حال حاضر عقب مانده اند

با آنچه در حال حاضر اتفاق می‌افتد، قبل از شروع کامل هوش مصنوعی، شروع کنید. بیش از نیمی از شرکت‌های مورد بررسی گزارش کردند که حجم داده‌های تله‌متری آن‌ها در 12 ماه گذشته بیش از سه برابر شده است، با میانگین افزایش 3.7 برابری. حجم کاری هوش مصنوعی و ML در حال حاضر تقریبا 43 درصد از این رشد را تشکیل می دهد. این یک پیش بینی آینده نیست؛ اکثر پاسخ دهندگان امروزه رشد نمایی داده ها را تجربه می کنند.

اعداد آینده نگر جایی هستند که واقعا نگران کننده می شوند. شرکت‌ها پیش‌بینی می‌کنند که طی دو سال آینده به طور میانگین 9.5 برابر افزایش داده‌های تله‌متری ناشی از بار کاری هوش مصنوعی عاملی داشته باشند. این میانگین است؛ تقریبا نیمی از پاسخ دهندگان انتظار رشد بین 6 تا 100 برابر دارند. کیر واکر، تحلیلگر ارشد تحقیقات بازار Omdia آن را به صراحت بیان می کند: "این تازه شروع منحنی رشد است. ما در ابتدای بازی هاکی هستیم."

وقتی می‌گویم بیشتر سازمان‌ها برای این کار آماده نیستند، سرمقاله نمی‌کنم. تقریبا دو سوم سازمان‌ها خود را «تا حدودی آماده» یا بدتر از حجم داده‌هایی که هوش مصنوعی تولید می‌کند توصیف می‌کنند. 22 درصد حتی پیامدهای داده ها را در نظر نگرفته اند. در همین حال، 35٪ در حال حاضر استقرار گسترده هوش مصنوعی عاملی را گزارش کرده اند. شکاف بین جاه طلبی استقرار و آمادگی زیرساخت ها کم نیست.

مشکل هزینه در حال حاضر بدتر از آن چیزی است که اکثر مردم تصور می کنند

این عددی است که وقتی برای اولین بار آن را دیدم مرا متوقف کرد: 69٪ از سازمان‌هایی که پروژه‌های هوش مصنوعی عاملی را اجرا می‌کنند گزارش می‌دهند که هزینه‌های مشاهده‌پذیری آنها اکنون از هزینه‌های محاسباتی و زیرساختی آنها بیشتر است. فناوری برای پشتیبانی از هوش مصنوعی تبدیل به بزرگترین مورد در بودجه هوش مصنوعی شده است.

میانگین هزینه مشاهده پذیری سالانه سازمانی در حدود 3.17 میلیون دلار است که نسبت به سال گذشته 28 درصد رشد داشته است. سی و پنج درصد از شرکت ها شاهد افزایش بودجه بالای 52 درصد هستند. تقریبا از هر پنج نفر، یک نفر در حال حاضر بیش از 5 میلیون دلار سالانه فقط برای مشاهده پذیری هزینه می کند. هشتاد و یک درصد به طور فعال به دنبال راه هایی برای کاهش این هزینه ها هستند.

و عواقب عدم مدیریت این فقط مالی نیست. پنجاه و نه درصد از سازمان ها قبلا حداقل یک استقرار هوش مصنوعی عاملی را خاتمه داده یا به تعویق انداخته اند زیرا هزینه های نظارت بسیار زیاد بود. اینها پروژه‌های آزمایشی نیستند که در حال توقف هستند. زمانی که هزینه‌های مشاهده‌پذیری ناپایدار می‌شوند، سازمان‌ها عوامل هوش مصنوعی را که مسئول نظارت بر امنیت سایبری، رعایت و کشف تقلب هستند، متوقف می‌کنند. 27% و 26% از پاسخ دهندگان دقیقا آن مناطق در معرض را به عنوان پیامدهای مستقیم استقرار متوقف یا لغو شده ذکر کردند.

به معنای آن در عمل فکر کنید. یک شرکت تصمیم می گیرد که توانایی نظارت بر یک عامل هوش مصنوعی که تشخیص تقلب را انجام می دهد را ندارد، بنابراین تعطیل می شود. این یک مشکل فناوری نیست. این یک شکست مدیریت ریسک است.

فرض زیرساختی که اکنون شکسته شده است

زیرساخت مشاهده پذیری که امروزه اکثر شرکت ها به آن متکی هستند برای دوره ای متفاوت ساخته شده است: حجم داده های قابل پیش بینی، هزینه های قابل مدیریت، پلت فرم های متمرکز. هوش مصنوعی عاملی هر سه این فرض را به طور همزمان زیر پا می گذارد.

مسئله اساسی معماری است. بیشتر پلتفرم‌های مشاهده‌پذیری برای جذب همه چیز و سپس مرتب کردن آن ساخته شده‌اند. این مدل زمانی کار می کند که حجم داده ها نسبتا پایدار باشد. زمانی که با افزایش 9.5 برابری تله متری ناشی از سیستم های هوش مصنوعی خودمختار که دائما در حال استدلال، عمل و تولید سیگنال هستند، کار نمی کند. برای این مشکل نمی‌توانید فضای ذخیره‌سازی بیشتر و ظرفیت پشتیبان بیشتری را صرف کنید. ریاضی کار نمی کند، و بودجه از آن دوام نمی آورد.

چیزی که سازمان‌های پیش رو متوجه شده‌اند این است که شما به یک لایه هوشمند بین منابع تله‌متری و پلت‌فرم‌های مشاهده‌پذیری خود نیاز دارید، لایه‌ای که داده‌ها را قبل از اینکه به یک پس‌زمینه پرهزینه راه‌اندازی، فیلتر، غنی‌سازی و مدیریت کند. این مفهوم جدیدی از نظر زیرساخت نیست، اما فوریت پیرامون آن جدید است.

تحقیقات Omdia نشان داد که شرکت‌هایی که دارای خط لوله تله متری هستند 50 درصد بیشتر برای رشد داده‌های 6 برابری یا بیشتر آماده می‌شوند و شرکت‌هایی که به‌طور بالغ توسعه یافته‌اند، 80 درصد بیشتر از چالش‌های هزینه عملیاتی که هنوز سازمان‌ها را در مراحل اولیه محدود می‌کنند اجتناب کرده‌اند.

خط لوله یک راه حل نیست. این بنیاد معماری است که سرمایه‌گذاری مستمر مشاهده‌پذیری را در مقیاس هوش مصنوعی عملی می‌کند. همانطور که تورستن ولک، تحلیلگر اصلی Omdia می گوید: "مقیاس پذیری واقعا مسئله اساسی برای همه چیز است، برای امنیت، هزینه، برای اجرای پروژه ها. من هیچ نقطه ای برای کاهش بازده یا هیچ روند نزولی آهسته در رشد حجم داده نمی بینم."

پنجره عمل تنگ‌تر از آن چیزی است که بسیاری فکر می‌کنند

نود و هفت درصد از سازمان ها راه حل خط لوله تله متری را یا اجرا کرده اند یا به طور فعال در حال بررسی هستند و 70 درصد در حال حاضر در چرخه های ارزیابی فعال هستند. این بازار کند حرکت نمی کند.

یکی از جزئیات تحقیقات Omdia که فکر می‌کنم نادیده گرفته می‌شود: تقریبا از هر چهار پاسخ‌دهنده یک نفر می‌گوید که روابط فروشنده موجود عامل مهمی در تصمیم خرید آنها نیست. این یک محیط رقابتی بازتر از آن چیزی است که اکثر مردم تصور می کنند. قابلیت‌هایی که خریداران می‌گویند بیشتر از همه می‌خواهند مسیریابی چند مقصد، کاهش داده و نمونه‌برداری، و مسیریابی مبتنی بر محتوا است. همه آنها به جای توسعه سکوهای مشاهده پذیر فعلی، به معماری خط لوله اول اشاره دارند.

داده ها نشان دهنده یک نقطه تصمیم گیری هستند، نه یک هشدار. سازمان‌هایی که مشکل زیرساخت را قبل از تبدیل شدن به یک بحران بودجه حل می‌کنند، آن‌هایی هستند که هوش مصنوعی عاملی را بر اساس شرایط خود مقیاس می‌دهند. کسانی که این کار را نمی کنند، بین نظارت بر استقرار هوش مصنوعی خود و پرداخت هزینه برای آنها انتخاب می کنند.

این انتخابی نیست که هر سازمانی باید انجام دهد.

ما بهترین فضای ذخیره سازی ابری را بررسی و رتبه بندی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit