[ad_1]
Sponsored Feature По мере того, как эта технология получает все более широкое распространение во всех вертикальных секторах и отраслях, способность искусственного интеллекта (ИИ) трансформировать бизнес-процессы, принятие стратегических решений и работу с клиентами получает все большее одобрение со стороны ИТ-стратегов и экономических аналитиков.
Даже руководители компаний, которые раньше с опаской относились к инвестициям, необходимым для получения оптимальной отдачи от искусственного интеллекта, теперь признают его потенциал для повышения операционной эффективности и создания новых потоков прибыли.
Прогнозы таких авторитетных исследователей рынка, как PwC, подтверждают их мнение. Согласно “Глобальному исследованию искусственного интеллекта”, в 2030 г. ИИ может принести мировой экономике до 15,7 трлн. долларов. Из них $6,6 трлн. могут быть получены за счет повышения производительности труда, а $9,1 трлн. могут быть получены за счет “эффекта со стороны потребления”, утверждает PwC.
Недавнее появление нескольких инструментов генеративного ИИ считается точкой прорыва для того, что ранее было узкоспециализированной и “футуристической” отраслью информатики. В Великобритании в 2022 году Управление по искусственному интеллекту сообщило, что около 15% предприятий внедрили хотя бы одну технологию ИИ, что соответствует 432 000 компаний. Около 2% предприятий занимаются экспериментальным внедрением ИИ, а 10% планируют внедрить хотя бы одну технологию ИИ в будущем (62 000 и 292 000 предприятий, соответственно).
Это все еще сложная вещь
На фоне такого увлечения ИИ организациям следует помнить, что ИИ – это все еще относительно молодая технология, и ее настройка в первый раз может оказаться сложной. Более того, связанная с этим окупаемость инвестиций (ROI) в значительной степени зависит от очень точно управляемых процедур внедрения и конфигураций, которые зачастую менее надежны при возникновении ошибок, чем обычные ИТ-развертывания.
ИИ ставит перед ИТ-командами, которым поручено реализовывать инициативы и рабочие нагрузки, связанные с ИИ/машинным обучением, серьезные испытания, которые, например, могут включать преодоление нехватки навыков и вычислительных ограничений. Они также могут включать в себя компромиссы в отношении ресурсов с другими рабочими нагрузками предприятия, уже использующими общую ИТ-инфраструктуру.
“ИИ – это путешествие, а не пункт назначения – речь идет не о готовности к внедрению или автоматизации процессов просто для повышения эффективности”, – говорит Мэтт Армстронг-Барнс, директор по технологиям искусственного интеллекта в компании Hewlett Packard Enterprise (HPE). “Скорее, речь идет о реализации долгосрочной ценности, обеспечении лучших результатов и признании того, что ИИ требует принципиально иного подхода к развертыванию ИТ. Для корпоративных технологов это 360-градусная кривая всестороннего обучения”.
Точка зрения Армстронга-Барнса подтверждается результатами последнего исследования Deloitte “Состояние ИИ на предприятиях”, проведенного среди руководителей глобальных компаний. Респонденты опроса выявили целый ряд проблем, с которыми сталкивается ИИ на последовательных этапах реализации проектов по внедрению ИИ. 37% респондентов указали на проблему доказательства ценности ИИ для бизнеса – проекты могут оказаться дорогостоящими, а убедительное экономическое обоснование может быть трудно подтвердить, столкнувшись с советами директоров и руководителями высшего звена, опасающимися инвестиций.
Масштабирование проектов по ИИ со временем может столкнуться с дополнительными препятствиями, такими как управление рисками, связанными с ИИ (на это указали 50% участников опроса компании Deloitte), отсутствие поддержки со стороны руководства (также 50%), отсутствие технического обслуживания или постоянной поддержки (снова 50%).
“Вполне понятно, что руководителей компаний необходимо убедить в том, что ИИ окупит себя”, – говорит Армстронг-Барнс. “Именно в этом случае работа с техническим партнером, который уже много лет участвует в проверенных внедрениях ИИ, помогает выиграть дело. Его послужной список придаст убедительность проектным предложениям и поможет убедить руководителей в том, что риски, связанные с ИИ, так же управляемы, как и в любом другом ИТ-предприятии”.
И хотя технологии и таланты, безусловно, необходимы, не менее важно привести в соответствие культуру, структуру и методы работы компании, чтобы поддержать широкое внедрение ИИ, по мнению McKinsey, причем отличительные характеристики иногда выступают в качестве барьеров на пути изменений, вызванных ИИ.
Если в компании работают менеджеры по работе с клиентами, которые гордятся тем, что внимательно относятся к потребностям клиентов, они могут отвергнуть идею о том, что “машина” может иметь лучшее представление о том, что нужно клиентам, и проигнорировать индивидуальные рекомендации продуктов, разработанные с помощью ИИ”, – предполагает McKinsey.
“Я часто общаюсь с коллегами из HPE и клиентами HPE по поводу ряда проблем, с которыми они сталкиваются при внедрении ИИ”, – сообщает Армстронг-Барнс. “Некоторые общие характеристики всплывают снова и снова. Одна из них – недооценка того, насколько принципиально развертывание ИИ отличается от традиционных ИТ-внедрений. Организации должны внедрять ИИ в основном иначе, чем ИТ-проекты, которые они реализовывали в прошлом. Управление данными и масштабирование существенно отличаются для ИИ. Это означает, что иногда с таким трудом приобретенный технологический опыт приходится осваивать заново”.
Армстронг-Барнс объясняет, что следует избегать стремления экспериментировать с пилотными версиями ИИ, прежде чем внедрять его непосредственно в реальную ситуацию, которая поддерживает насущные потребности бизнеса. “Подход “попробуй, прежде чем купить” кажется разумным – ИИ сложен и требует инвестиций”, – поясняет он, – “Но в случае с ИИ пробные и тестовые проекты в действительности не воспроизводят проблемы, с которыми столкнутся организации-пользователи при реальном внедрении. То, что начинается “в лаборатории”, как правило, остается в лаборатории”.
На другом конце шкалы внедрения Армстронг-Барнс видит компании, которые пытаются применить ИИ везде, где только можно, даже там, где приложение оптимально работает без ИИ: “Вывод здесь такой – только потому, что в ИИ у Вас есть огромный молоток, Вы не должны рассматривать все как орех, который нужно расколоть”.
Люди и инфраструктура недоступны
Даже самые совершенные системы ИИ еще не достигли полной автономности – они нуждаются в обучении и тонкой настройке с помощью человеческих знаний. Это представляет собой еще одну проблему для компаний, стремящихся к внедрению ИИ: как лучше всего приобрести необходимые навыки – переобучить имеющийся ИТ-персонал? Набрать новых членов команды, обладающих необходимыми знаниями в области ИИ? Или изучить варианты отсрочки потребности в экспертных знаниях в области ИИ для технологических партнеров?
По данным McKinsey, потенциал ИИ сдерживается нехваткой квалифицированных кадров. Типичный проект в области ИИ требует высококвалифицированной команды, включающей специалиста по изучению данных, инженера по обработке данных, инженера по ML, менеджера по продукту и дизайнера – и просто не хватает специалистов, чтобы занять все эти свободные рабочие места.
“Мы видим, что корпоративным технологам, как правило, приходится повышать свою квалификацию в пяти основных аспектах”, – говорит Армстронг-Барнс. “В основном, они касаются опыта в области ИИ, ИТ-инфраструктуры, управления данными, управления сложностью и, в меньшей степени, вышеупомянутых культурных барьеров. Ни одна из этих проблем не является непреодолимой при правильном подходе и партнерской поддержке”.
ИИ также любит сверхмощное аппаратное обеспечение для работы. Обеспечение высокопроизводительных вычислительных платформ остается постоянной проблемой, поскольку немногие организации хотят – или могут позволить себе – делать необходимые инвестиции в свои серверные комплексы без доказанного увеличения коэффициента окупаемости инвестиций.
“При планировании внедрения ИИ на самом раннем этапе ИТ-планировщикам необходимо принять несколько ключевых решений относительно основной технологии, обеспечивающей работу ИИ”, – говорит Армстронг-Барнс. “Например, собираетесь ли Вы ее покупать, создавать – или использовать гибридный подход, включающий в себя элементы обеих технологий?”
Следующее важное решение связано с партнерскими отношениями. Армстронг-Барнс отмечает, что определяющим условием успешного внедрения ИИ является то, что никто не может справиться с этой задачей в одиночку: “Вам необходима поддержка технологических партнеров, и лучший способ установить такие партнерские отношения – это экосистема ИИ. Думайте об экосистеме ИИ как о поддерживающем консорциуме специалистов, которые, объединившись, предоставят Вам доступ к необходимым ноу-хау, данным, инструментам ИИ, технологиям и экономике для развития и практической реализации Ваших начинаний в области ИИ”.
Армстронг-Барнс добавляет: “Клиенты иногда спрашивают, как компания HPE достигла такого опыта в использовании ИИ – неужели мы предвидели его влияние много лет назад и начали подготовку задолго до рынка? На самом деле, мы предвидели влияние ИИ не годы, а десятилетия назад, уже давно создавали центры передового опыта и экосистемы ИИ, а также делали стратегические приобретения для расширения имеющегося опыта в соответствии с требованиями клиентов и возможностями роста”.
Нет поезда – нет прибыли
Одним из таких дополнений является Determined AI, который стал частью предложений HPE по решениям в области высокопроизводительных вычислений и искусственного интеллекта в 2021 году. Программное обеспечение с открытым исходным кодом Determined AI призвано решить проблему, связанную с тем, что построение и обучение оптимизированных моделей в масштабе – это сложный и критический этап развития МЛ, который все чаще требует от нетехнологов, таких как аналитики, исследователи и ученые, решения задач, связанных с высокопроизводительными вычислениями.
Эти задачи включают в себя настройку и управление стеком высокопараллельного программного обеспечения и инфраструктурой, которая охватывает специализированное предоставление вычислений, хранение данных, вычислительные сети и карты ускорителей.
“Кроме того, разработчикам ML необходимо эффективно программировать, планировать и обучать свои модели, чтобы максимально эффективно использовать созданную ими специализированную инфраструктуру, – говорит Армстронг-Барнс, – что может создавать сложности и замедлять производительность”.
Разумеется, эти задачи должны решаться с высоким уровнем компетентности, который, даже при поддержке перегруженных внутренних ИТ-команд, нелегко обеспечить.
Платформа с открытым исходным кодом Determined AI для обучения ML-моделей призвана устранить этот дефицит ресурсов, упрощая установку, конфигурирование, управление и совместное использование рабочих станций или кластеров ИИ, работающих как в локальной сети, так и в облаке. В дополнение к премиум-поддержке она включает такие функции, как расширенные средства безопасности, мониторинга и наблюдения – и все это при поддержке специалистов из HPE.
“Determined AI – это устранение барьеров, мешающих предприятиям создавать и обучать ML-модели в масштабе и с высокой скоростью, чтобы реализовать большую ценность за меньшее время, с помощью новой системы HPE Machine Learning Development System”, – поясняет Армстронг-Барнс. “Эти возможности включают в себя довольно технологичные вещи, необходимые для оптимизации рабочих нагрузок ИИ/машинного обучения, такие как планирование ускорителей, отказоустойчивость, высокоскоростное параллельное и распределенное обучение моделей, расширенная оптимизация гиперпараметров и поиск нейронных архитектур.
“Добавьте к этому такие дисциплинарные задачи, как воспроизводимая совместная работа и отслеживание метрик – за всем этим приходится следить. С помощью Determined AI специалисты по проектам могут сосредоточиться на инновациях и ускорить время выполнения проекта.”
Увеличение ресурсов высокопроизводительных вычислений и регулирование играют свою роль
Мощности высокопроизводительных вычислительных машин также все чаще используются для обучения и оптимизации моделей ИИ, а также в сочетании с ИИ для расширения таких рабочих нагрузок, как моделирование и симуляция – давно известные инструменты для ускорения времени открытия в различных отраслях обрабатывающей промышленности.
Мировой рынок высокопроизводительных вычислений будет уверенно расти до конца 2020-х годов. По оценкам Mordor Intelligence, его стоимость составит $56,98 млрд. в 2023 г. и достигнет $96,79 млрд. к 2028 г. – CAGR 11,18% за прогнозируемый период.
“Компания HPE уже давно занимается созданием инфраструктуры для высокопроизводительных вычислений, и сейчас ее портфолио включает суперкомпьютеры Exascale и вычислительные платформы с оптимизированной плотностью. Некоторые из крупнейших кластеров HPC построены на инновациях HPE”, – говорит Армстронг-Барнс. “HPE обладает непревзойденным опытом в области высокопроизводительных аппаратных платформ”.
С появлением в начале этого года HPE GreenLake for Large Language Models (2023) предприятия – от стартапов до Fortune 500 – могут обучать, настраивать и внедрять крупномасштабный ИИ с помощью устойчивой суперкомпьютерной платформы, объединяющей программное обеспечение HPE для ИИ и самые современные суперкомпьютеры.
Очевидно, что внедрение ИИ является сложной задачей для организаций любого размера, но дело не только в технологии, отмечает Армстронг-Барнс: “Все чаще всем, кто внедряет ИИ, приходится быть в курсе новых нормативных актов и требований, касающихся ИИ. Примерами этого могут служить такие законодательные акты, как Билль о правах ИИ в США, Закон ЕС об ИИ и предстоящие предложения по регулированию, изложенные в Белой книге по ИИ правительства Великобритании, которая, как ожидается, станет основой для создания системы ИИ, готовой к соблюдению нормативных требований”.
Для предприятий, работающих на международном уровне, это выглядит как еще одно препятствие, обмотанное бюрократией, но Армстронг-Барнс предполагает, что соблюдение нормативных требований может оказаться не таким обременительным, как может показаться – при небольшой помощи хорошо организованной партнерской экосистемы ИИ.
“Проверьте, могут ли Ваши партнеры по экосистеме ИИ также помочь Вам в обеспечении соответствия нормативным требованиям – если Вы уже работаете в условиях жесткого регулирования бизнеса, вполне возможно, что Вы уже наполовину справились с существующими требованиями”.
Спонсор – компания HPE.
[ad_2]
