Chmura i AI – czy to się zawsze opłaca?

Jak wynika z raportu „Unlocking Europe’s AI Potential in the Digital Decade”, opracowanego przez Strand Partners na zlecenie AWS, liczba firm wdrażających rozwiązania sztucznej inteligencji wzrosła w Polsce w 2023 r. o 22 proc. w stosunku do 2022 r. 94 proc. rodzimych przedsiębiorstw, które wdrożyły technologie AI, przyznaje, że zwiększyło dzięki temu swoje przychody, a 88 proc. – że przyczyniło się to do wzrostu ich innowacyjności.

Jeśli Polska będzie w stanie utrzymać ten poziom cyfryzacji do 2030 r., może to przynieść polskiej gospodarce 576 mld zł – czytamy w raporcie.

Zobacz również:

W poszukiwaniu narzędzi pomocnych w optymalizacji kosztów związanych z rozwojem AI organizacje często sięgają po chmurę. Co do zasady, skalowalność zasobów w chmurze pozwala elastycznie modyfikować ich dostępną ilość, zapewniając zawsze gotowe i spójne środowisko programistyczne oraz możliwość wdrażania narzędzi AI w chmurze hybrydowej lub środowisku wielochmurowym. Tym samym nie trzeba instalować, konfigurować i utrzymywać dodatkowej infrastruktury przy zmieniających się potrzebach.

– Wykorzystanie chmury obliczeniowej demokratyzuje dostęp do AI pozwalając każdej firmie, niezależnie od wielkości, na rozpoczęcie przygody ze sztuczną inteligencją. Za pośrednictwem usług chmurowych można taniej testować nowe pomysły, prototypować narzędzia IT i szybciej wprowadzać innowacje do użytku – ocenia Wojciech Furmankiewicz.

Trzeba jednak pamiętać, że chmura generuje również koszty – szczególnie w kontekście zaawansowanych wdrożeń AI o dużym stopniu złożoności. – Wysokorozwinięte modele sztucznej inteligencji trenowane są na ogromnych zbiorach danych rosnących w wykładniczym tempie. Do szkolenia wymagają zastosowania potężnej mocy procesorów graficznych oraz ciągłej aktualizacji; w przeciwnym razie mogą dawać niemiarodajne, a nawet fałszywe wyniki – przypomina przedstawiciel Red Hata.

Wyszkolenie algorytmów sztucznej inteligencji w większości przypadków może wiązać się z koniecznością modernizacji architektury IT. Dane „treningowe” trzeba też właściwie przechowywać i zarządzać nimi, z uwzględnieniem aspektów dotyczących bezpieczeństwa i zgodności z przepisami wewnętrznymi firmy czy regulacjami prawnymi. Przepisy i regulacje prawne stają się coraz bardziej rygorystyczne, a organizacje – chcąc świadomie zarządzać gromadzonymi danymi – muszą mieć pewność, czy rozwiązania chmurowe zapewniają im odpowiedni poziom suwerenności danych.

Z tego powodu firma, która zamierza wykorzystywać AI kompleksowo, powinna rozważyć inwestycję w rozwój własnej infrastruktury IT.

– Rozbudowa lokalnego środowiska nie zawsze musi wiązać się z dużymi początkowymi nakładami finansowymi. Można je skutecznie zmniejszać, na przykład decydując się na dzierżawę maszyn czy wynajmując odpowiednią przestrzeń w serwerowni. Jednocześnie dzięki temu, że ponoszone koszty są stałe i przewidywalne, zarzadzanie budżetem IT staje się znacznie prostsze – wskazuje Furmankiewicz.

W tym kontekście zaletą własnego centrum danych jest też bezpieczeństwo danych do trenowania modeli. Składowanie i przetwarzanie ich w środowisku odizolowanym jest odpowiedzią na wymagania regulatorów, a przy tym zwiększa odporność zasobów na cyber-ataki.

Zgłoś naruszenie/Błąd