數(shù)字房地產(chǎn)公司Interxion的營銷和業(yè)務總監(jiān)PatrickLastennet審視了人工智能創(chuàng)新加速所面臨的障礙。其認為，從一開始就為AI部署制定強大的基礎設施戰(zhàn)略非常重要。

人們對人工智能的需求正在增長。每個行業(yè)的企業(yè)都在探索如何利用人工智能加速創(chuàng)新，并提供強大的競爭優(yōu)勢。然而，設計人工智能基礎設施是復雜且難以承受的，因此，76%的企業(yè)認為基礎設施是人工智能成功的障礙。

不過，這不是放慢進展的借口。隨著越來越多的企業(yè)積極追求或至少落后于人工智能，那些等待的企業(yè)只會更加落后。

最近一項針對8個歐洲國家IT決策者的調(diào)查發(fā)現(xiàn)，近三分之二的企業(yè)(62%)目前正在部署或測試AI，另有17%計劃在2020年使用AI。

受訪者指出，許多基礎設施障礙限制了人工智能的大規(guī)模部署，從缺乏資源，如資金、人員和物理基礎設施，到不明確的企業(yè)戰(zhàn)略沒有考慮到人工智能。

由于人工智能部署對于許多企業(yè)來說是一個緩慢的構建過程，因此在已進入部署階段的企業(yè)和尚未開始規(guī)劃的企業(yè)之間將形成巨大的技術差距。不愿投資人工智能的企業(yè)將錯失獲得競爭優(yōu)勢的機會。

這就是為什么從一開始就為AI部署制定一個強大的基礎設施戰(zhàn)略，這非常重要。以下是需要考慮的問題。

成功的障礙

通常，領先重大AI研發(fā)的公司都沒有來自IT部門的重要初始投入。結果，團隊不幸地產(chǎn)生了影子AI——在IT的雷達下創(chuàng)建的AI基礎設施，這是成功操作的挑戰(zhàn)，最終是無效的。企業(yè)可以通過制定專門針對AI優(yōu)化的基礎設施戰(zhàn)略來避免影子AI。

調(diào)查強調(diào)，不可估量的成本是首要問題(21%)。從對人員和設備的新投資需求，到人工智能設計和部署之間曲折道路上不可預見的成本，再到技術需求的快速創(chuàng)新和轉變，人工智能投資可能是巨大的，很難預測。此外，如果企業(yè)未能部署該技術，IT和AI開發(fā)之間的內(nèi)部脫節(jié)會導致低投資回報率。

缺乏內(nèi)部專家人員也是一個重大挑戰(zhàn)。企業(yè)通常需要聘請專業(yè)的開發(fā)人員，這可能成本高昂，且需要時間讓新員工學習業(yè)務，以滿足AI設計和組織目標。

IT設備的不足也阻礙了企業(yè)設想人工智能如何融入其運營。根據(jù)這項調(diào)查，許多企業(yè)擔心其目前的基礎設施沒有優(yōu)化到支持人工智能的程度，并擔心數(shù)據(jù)中心已達到滿負荷運轉。

戰(zhàn)略階段的障礙在各行業(yè)中基本相似，但具體的基礎設施決策可能因行業(yè)而異。法律或合規(guī)要求，如GDPR，以及涉及的數(shù)據(jù)類型和工作流程，都將影響AI基礎設施決策。

該研究發(fā)現(xiàn)，39%的跨行業(yè)企業(yè)使用主要的公共云——其中大多數(shù)是尋求靈活性和高速的制造商。與此同時，29%的受訪者更傾向于獲得顧問支持的內(nèi)部解決方案——通常是金融、能源和醫(yī)療保健公司，這些企業(yè)希望將其個人身份信息(PII)數(shù)據(jù)置于嚴密的安全和更好的控制之下。

成功的人工智能基礎設施的要素

由于許多企業(yè)都是從零開始，所以從一開始就制定明確的戰(zhàn)略是非常必要的，因為之后重新架構會花費大量的時間、金錢和資源。要成功地大規(guī)模啟用人工智能，企業(yè)需要檢查幾個方面。

首先，企業(yè)需要能夠確保其擁有正確的基礎架構，以支持為AI工作負載準備的數(shù)據(jù)集所需的數(shù)據(jù)采集和收集。特別是，必須注意從AI推理運行的邊緣或云設備收集數(shù)據(jù)的有效性和成本。理想情況下，這需要在全球多個地區(qū)實現(xiàn)，同時利用高速連接并確保高可用性。這意味著企業(yè)需要可提供以下優(yōu)勢的網(wǎng)絡結構支持的基礎架構：

接近AI數(shù)據(jù)：企業(yè)數(shù)據(jù)中心的5G和固定線路核心節(jié)點將來自現(xiàn)場設備、辦公室和制造設施的AI數(shù)據(jù)帶入?yún)^(qū)域互聯(lián)數(shù)據(jù)中心，以沿著多節(jié)點架構進行處理。

直接云訪問： 提供對云超規(guī)模環(huán)境的高性能訪問，以支持人工智能訓練或推理工作負載的混合部署。

地理規(guī)模：通過將其基礎設施置于位于戰(zhàn)略地理區(qū)域的多個數(shù)據(jù)中心，企業(yè)可以在全球范圍內(nèi)實現(xiàn)低成本的數(shù)據(jù)獲取和高性能的AI工作負載交付。

當企業(yè)考慮訓練人工智能/深度學習模型時，必須考慮一個數(shù)據(jù)中心合作伙伴，該合作伙伴能夠在長期內(nèi)適應支持GPU加速計算的必要電源和冷卻技術，這需要:

高機架密度：為了支持AI工作負載，企業(yè)需要從其數(shù)據(jù)中心的每個機架獲得更多的計算能力。這意味著更高的功率密度。事實上，大多數(shù)企業(yè)需要將其最大密度至少擴大三倍，以支持AI工作負載，并為未來更高的級別做好準備。

數(shù)量和規(guī)模：利用人工智能優(yōu)勢的關鍵是大規(guī)模實施。在大規(guī)模硬件(GPU)上運行的能力能夠實現(xiàn)大規(guī)模計算的效果。

通往人工智能的現(xiàn)實之路

大多數(shù)本地企業(yè)數(shù)據(jù)中心無法處理這種規(guī)模的數(shù)據(jù)。與此同時，公共云提供了阻力最小的路徑，但由于高成本或延遲問題，其并不總是大規(guī)模訓練AI模型，或將其部署到生產(chǎn)環(huán)境的最佳環(huán)境。

那么，對于那些想要設計支持AI工作負載的基礎設施的企業(yè)而言，最好的方法是什么呢?通過研究已經(jīng)從人工智能中獲得價值的企業(yè)如何選擇部署其基礎設施，可吸取重要的經(jīng)驗教訓。

Google、Amazon、Facebook和Microsoft等超大規(guī)模企業(yè)成功地利用自己的核心和邊緣基礎設施大規(guī)模部署了人工智能，這些基礎設施通常部署在高度連接的高質(zhì)量數(shù)據(jù)中心。他們在全球大量使用托管，因為他們知道托管可以支持其所需的規(guī)模、高密度和連接性。

通過利用這些人工智能領導者的知識和經(jīng)驗，企業(yè)將能夠在人工智能方面規(guī)劃自己的命運。