۳ نقطه ضعف هوش مصنوعی مولد برای عملیات ابری

هیچ کس در قدرت هوش مصنوعی شکی ندارد، اما شرکت ها باید بدانند که می تواند به استقرار برنامه های کاربردی بسیار زیاد، مشکلات مقیاس پذیری و گرانی هزینه ها نیز منجر شود.

من مزایای هوش مصنوعی مولد را درک می کنم. سابقه من در توسعه هوش مصنوعی و ادغام با شرکت ها و معماری های ابری است. با این حال، من همچنین می دانم که در جایی که فواید زیادی وجود دارد، نکات منفی نیز وجود دارد که باید به طور همزمان در نظر گرفته شوند. هوش مصنوعی مولد نیز از این قاعده مستثنی نیست و با سرعتی حرکت می کند که تعیین نحوه مدیریت موثر آن و کاهش هرگونه تأثیر منفی را ضروری می کند.

من به ۳ نقطه ضعف اصلی خود در زمینه هوش مصنوعی مولد رسیده‌ام که متخصصان ابری باید آن‌ها را درک و مدیریت کنند.

تسریع در استقرار برنامه های ابری

این بزرگترین مشکلی است که می بینم. اکنون می‌توانیم ابزارهای توسعه مبتنی بر هوش مصنوعی داشته باشیم که با استفاده از مکانیسم‌های بدون کد یا کم‌کد، برنامه‌ها را به سرعت بسازند. تعداد برنامه‌های مستقر شده (که همگی به مدیریت نیاز دارند) می‌توانند به راحتی از کنترل خارج شوند.

البته، افزایش سرعت استقرار برنامه برای مطابقت با سرعت نیازهای تجاری خوب است. برنامه های عقب افتاده در دهه ۹۰ و اوایل دهه ۲۰۰۰، کسب و کارها را محدود می کرد، و هر راهی برای بهبود آن برای تجارت خوب است، درست است؟

فقط گاهی اوقات. من یک رویکرد تقریباً بی پروا برای توسعه برنامه می بینم. کار مورد نیاز برای ساخت و استقرار این سیستم ها فقط چند روز یا گاهی چند ساعت طول می کشد. شرکت‌ها در مورد نقش جامع برنامه‌ها دقت زیادی نمی‌کنند، و بسیاری از آنها برای یک نیاز تاکتیکی ساخته شده‌اند و اغلب اضافی هستند. تیم های cloudops در تلاش هستند تا سه یا پنج برابر تعداد برنامه ها و پایگاه های داده متصل را که باید مدیریت کنند. کل این آشفتگی مقیاس نخواهد شد و هزینه زیادی دارد.

سیستم های مقیاس بندی

سیستم‌های هوش مصنوعی مولد به مقدار قابل‌توجهی از منابع محاسباتی و ذخیره‌سازی نیاز دارند، بیشتر از آنچه در حال حاضر ارائه می‌شوند. نحوه استفاده از این منابع برای ایجاد مقیاس بیشتر به سادگی روشن کردن فضای ذخیره‌سازی بیشتر و خدمات محاسباتی نیست.

برخی فکرها و برنامه‌ریزی‌ها باید برای یافتن و استقرار منابع بیشتر برای حمایت از گسترش سریع استفاده از سیستم‌های مولد مبتنی بر هوش مصنوعی انجام شود. این معمولاً بر عهده تیم‌های عملیاتی است که تعداد صحیح منابع را به روش‌های مناسبی به کار گیرند که ارزش این سیستم‌ها را از بین نبرد یا توانایی‌های آنها را محدود نکند. مبادلات در اینجا تقریباً بی پایان است.

هزینه بیش از حد

در حالی که ما مشغول نصب سیستم‌های finops برای نظارت و کنترل هزینه‌های ابری هستیم، می‌توانیم شاهد افزایشی در پول صرف شده برای پشتیبانی از سیستم‌های هوش مصنوعی مولد باشیم. در مورد آن چه کاری باید انجام دهید؟

این یک مشکل تجاری بیشتر از فنی است. شرکت‌ها باید بدانند که چگونه و چرا هزینه‌های ابری رخ می‌دهد و چه مزایای تجاری برمی‌گردد. سپس هزینه ها را می توان در بودجه های از پیش تعریف شده لحاظ کرد.

این یک دکمه داغ برای شرکت‌هایی است که محدودیت‌هایی در هزینه‌های ابری دارند. توسعه دهندگان خط کسب و کار مایلند از سیستم های هوش مصنوعی مولد، معمولاً به دلایل تجاری معتبر استفاده کنند. با این حال، همانطور که قبلا توضیح داده شد، آنها یک تن هزینه دارند و شرکت ها باید پول، توجیه تجاری یا هر دو را پیدا کنند.

در بسیاری از موارد، هوش مصنوعی مولد همان چیزی است که بچه‌های باحال این روزها از آن استفاده می‌کنند، اما اغلب از نظر هزینه قابل توجیه نیست. گاهی اوقات از هوش مصنوعی مولد برای کارهای تاکتیکی ساده استفاده می شود که با رویکردهای توسعه سنتی بهتر است. این کاربرد بیش از حد هوش مصنوعی از زمانی که هوش مصنوعی برای اولین بار وجود داشت، یک مشکل مداوم بوده است. واقعیت این است که این فناوری تنها برای برخی مشکلات تجاری قابل توجیه است. اما محبوب و پرطرفدار است — و بنابراین بیش از حد مورد استفاده قرار می گیرد.

این مسائل نیاز به تجربه بیشتر با این فناوری را در زمان بلوغ نشان می‌دهد. با این حال، این احتمالاً بر عملیات ابر تأثیر منفی خواهد گذاشت، درست زمانی که راه‌اندازی می‌شود.