生成型 AI システムの導入により、エンタープライズ クラウド アーキテクチャが変革される可能性がある

データの可用性とセキュリティから大規模な言語モデルと選択と監視に至るまで、企業が生成型人工知能を導入することは、クラウド アーキテクチャを再検討することを意味します。

したがって、多くの企業がクラウド アーキテクチャを再構築し、生成人工知能システムを開発しています。では、これらの企業はどのような変更を行う必要があるのでしょうか? 新しいベスト プラクティスは何ですか? 業界の専門家は、過去 20 年間、特に過去 2 年間、彼は企業がそのようなプラットフォームを構築するのを支援してきたと述べています。企業:

自社のユースケースを理解する

企業は、クラウド アーキテクチャにおける生成 AI の目的と目標を明確に定義する必要があります。誤ったフィードバックが見られる場合、それはビジネス システムで人工知能を生成することが何を意味するかを理解していないためです。企業は、コンテンツ生成、推奨システム、その他のアプリケーションなど、自社の目標が何であるかを理解する必要があります。

これは、企業の上級管理者が設定された目標について合意に達し、目標を達成する方法、そして最も重要なことに、成功を定義する方法を明確にする必要があることを意味します。これはプロダクション AI に特有のものではありません。そしてこれは、クラウドに構築されたすべての移行と新しいシステムの成功への一歩です。

企業がクラウド プラットフォームで開発したスマート プロジェクトの多くは、ビジネス ユース ケースをよく理解していないために失敗します。会社が開発した製品は素晴らしいですが、それは会社のビジネスに何の価値ももたらしません。このアプローチは機能しません。

データ ソースと品質が鍵です

効果的なインテリジェント モデルをトレーニングして推論するには、生成人工知能モデルのトレーニングと推論を特定するには、アクセス可能で高度なデータ ソースが必要な有効なデータ ソースが必要です。高品質で慎重に厳選されたデータ。企業は、クラウド コンピューティング ストレージ ソリューションの可用性と耐障害性を確保するために、クラウド コンピューティング ストレージ ソリューションの可用性と耐障害性も確保する必要があります。

生成機能システムは、データ指向システムともいえる、高度にインテリジェントなデータ中心システムです。データは、機能システムを駆動して結果を生み出す燃料です。ただし、データの品質は「ゴミが入ってもゴミが出てくる」状態のままです。

これを行うには、データ アクセシビリティをクラウド アーキテクチャの主要な推進要因として考慮することが役立ちます。企業は最も関連性の高いデータをトレーニング データとしてアクセスする必要があり、通常はデータを単一の物理エンティティに移行するのではなく、保存場所に保存します。そうしないと、データが冗長になり、信頼できる唯一の情報源がなくなってしまいます。 AI モデルにデータを供給する前に、データを前処理してクリーンアップする効率的なデータ管理パイプラインを検討してください。これにより、データの品質とモデルのパフォーマンスが保証されます。

生成機能を使用したクラウド アーキテクチャは 80% 成功しています。クラウド アーキテクトは、これらのシステムに高品質のデータを提供することよりも、機能を生成することに重点を置いているため、これは最も見落とされている要因です。実際、データがすべてです。

データ保護とプライバシー

データが重要であるのと同様に、そのセキュリティとプライバシーも重要です。生成 AI 処理により、一見無意味に見えるデータが機密情報を漏洩する可能性のあるデータに変換される可能性があります。

企業は、AI によって使用される機密データや AI によって生成される可能性のある新しいデータを保護するために、堅牢なデータ セキュリティ対策、暗号化、およびアクセス制御を実装する必要があります。企業は、関連するデータプライバシー規制を遵守する必要があります。これは、最後の手段として企業のアーキテクチャに何らかのセキュリティ システムをインストールするという意味ではなく、あらゆる段階でシステムにセキュリティを適用する必要があるということです。

スケーラビリティと推論リソース

企業は、さまざまなワークロードとデータ処理のニーズに対応するために、スケーラブルなクラウド リソースを計画する必要があります。ほとんどの企業は、自動スケーリングと負荷分散のソリューションを検討しています。私たちが目にするより深刻な間違いの 1 つは、拡張性は高いが非常に高価なシステムを構築することです。スケーラビリティとコストのバランスを取るのが最善ですが、これは可能ですが、優れたアーキテクチャとクラウド コストの最適化実践が必要です。

さらに、企業は推論リソースを検討する必要があります。クラウド コンピューティング業界のカンファレンスでは、多くのニュースがこのトピックを中心に展開されていることが注目されていますが、それには十分な理由があります。モデルのトレーニングと推論には、GPU または TPU を備えた適切なクラウド インスタンスを選択します。また、リソースの割り当てを最適化して、費用対効果を実現します。

モデルの選択を検討する

企業の特定のユースケースとニーズに基づいて、生成 AI アーキテクチャの例 (一般的な敵対的ネットワーク、トランスフォーマーなど) を選択します。モデルのトレーニングにクラウド サービス (AWSSageMaker など) を使用することを検討し、最適化されたソリューションを見つけてください。また、企業には多数の接続モデルがある可能性があり、これが標準になることを理解することも意味します。

企業は、企業のクラウド アーキテクチャ内のアプリケーションやサービスから AI モデルにアクセスできるようにするために、バージョン管理やコンテナ化などの堅牢なモデル展開戦略を実装する必要があります。

モニタリングとロギング

AI モデルのパフォーマンス、リソース使用率、潜在的な問題を追跡するためにモニタリングとロギング システムをセットアップすることはオプションではありません。クラウドで生成された人工知能を処理するための異常警告メカニズムと可観測性システムを確立します。

さらに、生成 AI はリソースを大量に消費する可能性があるため、クラウド リソースのコストを継続的に監視して最適化します。クラウド コスト管理ツールとプラクティスを使用するということは、クラウド コストの最適化によって導入のあらゆる側面を監視できるようになり、運用コストを最小限に抑え、アーキテクチャの効率を向上させることを意味します。ほとんどのアーキテクチャでは、チューニングと継続的な改善が必要です。

その他の考慮事項

高可用性を確保するにはフェイルオーバーと冗長性が必要であり、災害復旧計画により、システム障害が発生した場合のダウンタイムとデータ損失を最小限に抑えることができます。必要に応じて冗長性を実装します。さらに、クラウド インフラストラクチャ内の生成 AI システムのセキュリティを定期的に監査および評価します。脆弱性に対処し、コンプライアンスを維持します。

特に生成 AI システムがコンテンツを生成したり、ユーザーに影響を与える意思決定を行う場合には、人工知能の倫理的使用に関するガイドラインを確立することをお勧めします。さらに、偏見と公平性の問題にも対処する必要があります。人工知能と公平性を巡る訴訟が続いており、企業は自らの行動が正しいことを確認する必要がある。企業は、AI が生成したコンテンツがユーザーの期待を満たし、エンゲージメントを促進するために、ユーザー エクスペリエンスを継続的に評価する必要があります。

企業が生成 AI システムを使用しているかどうかに関係なく、クラウド アーキテクチャの他の側面は実質的に同じです。重要なのは、もっと重要なものがあることを認識し、クラウド アーキテクチャを改善し続けることです。

以上が生成型 AI システムの導入により、エンタープライズ クラウド アーキテクチャが変革される可能性があるの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。