企业实际上很难将 AI模型集成到公司的整体技术架构中

科技2020-08-22 07:02:13
导读

这是公司尝试采用AI失败的一个常见故事。他们与有前途的技术供应商紧密合作。他们通过概念验证投入时间,金钱和精力,以取得圆满成功,并证明人工智能的使用将如何改善其业务。然后,一切都停止了-公司发现自己陷入了困境,他们出色的概念证明被封存,而他们的团队却受挫。

用什么来解释失望的结局?好吧,实际上很难将AI模型集成到公司的整体技术架构中。这样做需要将新技术正确地嵌入到更大的IT系统和基础架构中-如果您无法将一流的AI连接到现有系统,那么一流的AI将无济于事。但是,尽管公司将时间和资源投入到自己对AI模型的思考中,但他们经常这样做,却没有考虑如何使其真正与他们拥有的系统一起工作。

此处缺少的组件是AI操作-或简称为“ AIOps”。这是一种实践,涉及构建,集成,测试,发布,部署和管理系统,以将AI模型的结果转化为最终用户所需的见解。从根本上讲,AIOps归结为不仅拥有合适的硬件和软件,还拥有合适的团队:具有将AI集成到现有公司流程和系统中的技能和知识的开发人员和工程师。它是从旨在集成软件开发和软件运营的软件工程和实践演变而来的,它是将AI引擎的工作转换为真实业务产品并以大规模,可靠的规模实现AI的关键。

从正确的环境开始

在许多由AI驱动的业务中,只有一小部分代码专门用于AI功能-实际上,实际的AI模型只是大型系统中的一小部分,而用户如何与之交互与模型本身一样重要。要释放AI的价值,您需要从设计良好的生产环境(代码与用户见面的真实世界环境中的开发人员名称)开始。从一开始就考虑这种设计将帮助您管理项目,从探究是否可以开发AI解决方案并将其集成到客户端的IT环境中,再到算法在客户端操作系统中的集成和部署。您需要一种软硬件可以无缝协同工作的设置,以便企业可以依靠它来运行其实时日常商业运营。

良好的产品环境必须成功满足三个条件:

可靠性。目前,人工智能技术充满了技术问题。例如,当输入错误和格式错误的数据时,由AI驱动的系统和模型将停止运行。此外,当他们必须摄取大量数据时,它们的运行速度必然会降低。这些问题充其量会减慢整个系统的运行速度,最坏的是会使系统崩溃。

避免数据瓶颈对于创建可靠的环境非常重要。精心考虑的处理和存储体系结构可以解决吞吐量和延迟问题。此外,期望是关键。一个优秀的AIOps团队将考虑防止环境崩溃的方法,并为出现问题的情况制定应急计划。

灵活性强。业务目标以及整个系统中的支持流程和流程会不断变化。同时,一切都需要在系统级别像发条一样运行,以使AI模型能够发挥其应有的优势:数据导入必须根据某些固定规则定期进行,报告机制必须不断更新,陈旧数据必须避免经常刷新。

为了满足不断变化的业务需求,生产环境需要足够灵活,以快速,流畅地进行系统重新配置和数据同步,而又不影响运行效率。想一想如何通过将可分解的块分解为可管理的块(例如可随后添加,替换或移除的LEGO块)来最佳地构建灵活的体系结构。

可扩展性和可扩展性。当业务扩展时,基础架构中的“管道”不可避免地必须适应。这可能涉及扩大现有功能并扩展到新的能力。但是,不可避免的事实是,不同的IT系统通常具有不同的性能,可伸缩性和可扩展性特征。结果:尝试跨越系统边界时可能会出现许多问题。

在嵌入升级的AI模型的同时能够保持“一切照旧”的状态对于业务扩展至关重要。成功与否很大程度上取决于团队使用新提出的解决方案不断调整,修补和测试现有系统的能力,并通过旧系统与新系统的功能达到平衡。

优秀的系统来自优秀的团队

因此,问题不是您是否需要AIOps团队,而是哪种AIOps团队对您的业务最有意义。对于大多数企业而言,他们与AIOps团队一起做出的最重要的决定是他们要内部构建还是将其外包。两者都有优点,但是这是折衷的样子:

自己动手做。从好的方面来说,创建自己的团队来构建和维护生产环境使您可以完全控制整个设置。由于必须与外部供应商合作,它还可以节省大量潜在的管理和合同麻烦。这既适用于可能希望使AIOps团队垂直化的大型公司,也适用于想要扩展其IT团队的能力以直接处理生产环境的中小型企业。

免责声明:本文由用户上传,如有侵权请联系删除!