Rakan kongsi McKinsey: Generatif AI membantu menyelesaikan pelbagai cabaran dalam migrasi awan

Rakan kongsi McKinsey & Company Bhargs Srivathsan berkata pada persidangan baru-baru ini di Singapura bahawa selagi ia digunakan dengan betul, teknologi AI generatif dijangka mengurangkan beban kerja migrasi awan sebanyak 30% hingga 50%.

Srivathsan percaya, “Kemajuan semasa hanya boleh dikatakan baru sahaja mengambil langkah pertama Apabila model bahasa besar (LLM) semakin matang, jadual waktu untuk memindahkan beban kerja ke awan awam akan terus memendekkan, dan kecekapan penggunaan. proses migrasi juga akan meningkat. selesai untuk menyemak sama ada penghijrahan itu berkesan.

Selain itu, anda juga boleh menggunakan model bahasa yang besar untuk menyiapkan kerja yang lebih berkaitan, seperti menulis bahan penerangan seperti garis panduan jawatankuasa penyemakan seni bina.

Rakan kongsi itu berkata walaupun banyak syarikat baru mula mempertimbangkan untuk menggunakan teknologi AI, 40% daripada syarikat yang dilaburkan oleh McKinsey sudah pun mengemas kini pelaburan IT mereka.

Srivathsan percaya bahawa hubungan antara AI generatif dan awan adalah "simbiosis".

“Mesti diakui bahawa tanpa mempopularkan awan awam, adalah mustahil untuk benar-benar membawa AI generatif ke dalam kehidupan Sejajar dengan itu, AI generatif juga boleh mempercepatkan migrasi awan awam dan membantu pengguna berhijrah daripada awan awam asal kepada Buka kunci pengasingan. .”

Pada pandangan Srivathsan, empat kes penggunaan teras AI generatif ialah penjanaan kandungan, penglibatan pelanggan, mencipta data sintetik dan menulis kod. Sudah tentu, menulis kod di sini bukan tentang melengkapkan pembangunan perisian dari awal. Keupayaan pengekodan AI generatif ditunjukkan terutamanya dalam mengambil alih kod warisan yang tidak diketahui oleh sesiapa pun selepas pekerja keluar, atau menukar kod asal kepada bentuk bahasa baharu.

Dia juga menekankan bahawa sebab awan awam lebih dipercayai daripada cuba membina model dalaman adalah kerana pengguna perusahaan selalunya tidak mempunyai rizab GPU yang mencukupi. Lebih-lebih lagi, kos model komersial siap pakai di pasaran juga lebih murah daripada latihan kendiri.

Srivathsan menegaskan bahawa pagar yang sepadan juga boleh disediakan untuk pengguna yang berada dalam industri terkawal, mempunyai sejumlah besar data proprietari atau bimbang tentang pelanggaran harta intelek.

Pada pendapatnya, model bahasa besar akan dijalankan terutamanya dalam persekitaran infrastruktur berskala ultra besar dalam tempoh lima atau enam tahun akan datang sehingga model tersebut matang. Dan tidak seperti yang dibayangkan oleh ramai orang, pelaksanaan AI generatif tidak semestinya memerlukan rizab kuasa pengkomputeran yang berlebihan Lagipun, terdapat beberapa kes penggunaan yang meletakkan keperluan ketat sedemikian pada kependaman.

Dalam erti kata lain, melainkan fungsi autopilot yang dijalankan pada Tesla, atau perisian yang bertanggungjawab untuk mengarahkan operasi masa nyata bengkel pembuatan, sebenarnya tidak perlu menimbun perkakasan terlalu banyak.

Selain itu, dalam kebanyakan kes tidak perlu menggunakan model tersuai atau berskala besar.

Rakan kongsi McKinsey mengulas, “Banyak syarikat berpendapat mereka perlu membeli supercar untuk menghantar pizza Sudah tentu, model yang benar-benar memenuhi keperluan selalunya kurang kompleks dan tidak begitu besar tidak perlu menggunakan model besar dengan 65 bilion parameter untuk skrip sokongan perkhidmatan pelanggan.” Tetapi dia juga memberi nasihat bahawa jika pembangun mengakses model atau data bukan hak milik yang tidak sepatutnya mereka akses, mereka mesti melakukannya di dalam dan di luar. tambahkan gerbang API di antara mereka untuk mewujudkan mekanisme "maklum masa nyata".

Atas ialah kandungan terperinci Rakan kongsi McKinsey: Generatif AI membantu menyelesaikan pelbagai cabaran dalam migrasi awan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!