U proteklih nekoliko godina, rubna umjetna inteligencija (AI) brzo se transformirala iz tehnološke niše u vitalnu i stratešku potrebu. To je uglavnom zato što pomaže riješiti ili minimizirati neka od ključnih uskih grla tradicionalne umjetne inteligencije temeljene na oblaku. Među ostalim, to uključuje količinu podataka, kašnjenje, privatnost i troškove, dok tvrtkama omogućuje donošenje trenutnih odluka kako bi držale korak s modernim i sve više automatiziranim operacijama.
Kao rezultat toga, primjena rubne umjetne inteligencije više nije samo izbor tehničke arhitekture, već ona koja aktivno preoblikuje rizik, troškove, usklađenost i odgovornost za poduzeća. Tvrtke se sve više odlučuju za pohranjivanje osjetljivih informacija uglavnom na lokalnim mrežama, umjesto da se oslanjaju na pružatelje usluga u oblaku, što je dodatno potaknulo rast rubne umjetne inteligencije.
Umjesto da se pitaju treba li usvojiti rubnu umjetnu inteligenciju ili ne, ključno pitanje za većinu tvrtki je kako to učiniti bez stvaranja novih problema u vezi sa sigurnošću, troškovima i upravljanjem. Budući da je još uvijek relativno nova tehnologija, nekoliko tvrtki riskira implementaciju rubne umjetne inteligencije jednostavno kako bi se uključile u AI, a da nisu u potpunosti svjesni koje situacije mogu imati najviše koristi od nje.
“Edge AI privlači puno entuzijazma jer omogućuje donošenje autonomnih odluka u stvarnom vremenu. Međutim, stvarna opasnost je lažni osjećaj tehnološke zrelosti”, primjećuje Michaël Bikard, profesor strategije na Poslovna škola Insead. “Edge AI može dobro raditi na lokalnoj razini dok proizvodi krhke rezultate na razini sustava. Povijesno gledano, tada dolazi do kvarova. Ne zato što tehnologija zakaže, već zato što joj se vjeruje prerano, prije nego što su institucije, organizacije i upravljanje spremni.”
Kao takvo, razumijevanje posljedica implementacije rubne umjetne inteligencije najvažnije je za odlučivanje o dugoročnoj strategiji.
Zašto poduzeća prelaze s prvotno na oblak na hibridno poslovanje
Poduzeća sve više biraju hibridniji pristup umjetne inteligencije u odnosu na strategiju na prvom mjestu u oblaku, uglavnom potaknuta većim i složenijim radnim opterećenjima umjetne inteligencije. Mnoge su tvrtke također bile razočarane uštedama postignutim usvajanjem potpune strategije javnog oblaka, umjesto da su se suočile s naglim porastom operativnih troškova.
Ovi troškovi, pogoršani aplikacijama koje opterećuju podatke, uglavnom su proizašli iz premještanja velikih skupova podataka u i iz oblaka te između pružatelja usluga. Iznenadne naknade i nepredvidivi računi dodatno su opteretili IT proračune i zakomplicirali proračun i predviđanja.
Edge AI privlači puno entuzijazma jer omogućuje autonomne odluke u stvarnom vremenu. Međutim, prava opasnost je lažni osjećaj tehnološke zrelosti
Michaël Bikard, Insead
S druge strane, uz rubnu umjetnu inteligenciju, tvrtke mogu izvoditi stabilna i predvidljiva radna opterećenja na lokaciji mnogo jeftinije nego u oblaku.
Latencija je još jedna glavna briga. Edge AI često može biti bolji od oblaka kako bi smanjio kašnjenje za aplikacije koje trebaju brzu obradu u stvarnom vremenu. To između ostalog uključuje sustave operativne kontrole i lokalnu analitiku.
U visoko reguliranim industrijama kao što su financije i zdravstvo, neki se podaci mogu pohraniti samo unutar određenih jurisdikcija, što je dodatno potaknulo prelazak na rubnu umjetnu inteligenciju ili lokalna rješenja.
Veliki, pojedinačni pružatelji usluga u oblaku također mogu doći s zaključavanjem dobavljača, dok je multicloud okruženjima sve kompliciranije za upravljanje, što također dovodi do hibridnih pristupa.
Hibridna strategija omogućuje tvrtkama korištenje javnog oblaka za obuku i ažuriranje aplikacija koje se moraju brzo skalirati, a istovremeno čuvaju velike količine, osjetljive ili stabilne podatke na lokaciji. To organizacijama omogućuje balansiranje agilnosti, troškovne učinkovitosti i operativne otpornosti, posebno u globalnom kontekstu gdje je inteligencija u stvarnom vremenu sve vrijednija.
Edge AI poslovni pokretači: Što je stvarno, a što buka
Trenutačno je većina poduzeća koja koriste rubnu umjetnu inteligenciju usvojila tehnologiju zbog praktičnih operativnih potreba. Uspješne implementacije usmjerene su na rješavanje specifičnih ograničenja koja se odnose samo na oblak, a ne na pokušaj revidiranja cijele tehnološke infrastrukture tvrtke.
Potreba za donošenjem odluka u stvarnom vremenu prvenstveno je potaknula usvajanje vrhunske umjetne inteligencije, posebno u sektorima kao što su infrastruktura, logistika, proizvodnja i transport. Ovo posebno jer kašnjenje može imati dalekosežne operativne i financijske posljedice, čijem smanjenju tehnologija može značajno pomoći.
Primjena rubne umjetne inteligencije na te sektore pomaže tvrtkama da obrađuju podatke bliže mjestu gdje su generirani, što im omogućuje da brže reagiraju tijekom vremena gubitka središnje povezanosti.
Tehnologija također pomaže organizacijama koje se bave osjetljivim podacima da ostanu zakonski i financijski usklađeni u jurisdikcijama s posebno strogim zakonima o pohrani podataka.
Za tvrtke koje rade na kritičnim operacijama, edge AI može uvelike poboljšati operativnu otpornost osiguravajući da se podaci i inteligencija distribuiraju na više lokacija. To pomaže u smanjenju ovisnosti o centraliziranim sustavima, što zauzvrat smanjuje utjecaj prekida rada.
Međutim, neki poslovni pokretači su uvelike precijenjeni kada je riječ o utjecaju na potrebu za implementacijom rubne umjetne inteligencije. Najveća od njih je kratkoročna ušteda troškova. Edge AI sigurno dugoročno može smanjiti troškove prijenosa i potrošnje podataka u oblaku.
Međutim, u početku su potrebni značajni kapitalni izdaci, uglavnom u obliku nadogradnje hardverskih uređaja. Također postoje troškovi održavanja, praćenja i ažuriranja softvera nakon implementacije. U nekim slučajevima integracija s naslijeđenim sustavima može biti sporija od očekivanog i tvrtke će možda morati angažirati i specijaliziranu radnu snagu. Edge AI sustavi također koriste značajne količine energije, što dovodi do većih računa za energiju.
Svi ovi čimbenici mogu uzrokovati veće troškove u prvih nekoliko mjeseci, što od poduzeća zahtijeva dugoročan pogled na strateške prednosti rubne umjetne inteligencije.
Još jedna ideja koja se često precjenjuje je sposobnost rubne umjetne inteligencije da isporuči bilo što poput “super-inteligencije”, pokretanjem ogromnih, kompliciranih modela kao što su jedinice za obradu grafike podatkovnog centra. Međutim, s obzirom na trenutna ograničenja računalstva i napajanja u većini slučajeva, ovaj je scenarij trenutno vrlo malo vjerojatan.
Slično tome, očekivanja da se poduzeća mogu u potpunosti prebaciti na rubnu umjetnu inteligenciju, umjesto na hibridni pristup, također su nerealna, uglavnom zbog praktičnih ograničenja implementacije, integracije i održavanja na različitim lokacijama.
Kako edge AI mijenja sigurnost, upravljanje i vlasništvo
Kako rubna umjetna inteligencija postaje sve više ugrađena u hibridne poslovne tehnološke strategije, upravljanje rizicima, sigurnost poduzeća i upravljanje također se mijenjaju, udaljavajući se od centralizirane IT kontrole. Ta područja sada oblikuju lokalni operativni timovi koji donose sve autonomnije odluke, uzimajući u obzir uvjete kritične fizičke infrastrukture u stvarnom vremenu.
Sve veća upotreba umjetne inteligencije također bi mogla povećati zabrinutost za sigurnost, budući da proširuje organizacijske površine za napad putem višestrukih distribuiranih uređaja i infrastrukture. Zatim ih je potrebno jednako zaštititi, nadzirati i ažurirati, slijedeći skup standardnih smjernica, unatoč tome što svaka od njih predstavlja vlastita jedinstvena ograničenja.
Sustavi umjetne inteligencije mogu raditi iznimno dobro u uvjetima sličnim njihovim podacima o obuci, ali naglo otkazuju u rijetkim, ekstremnim ili novim scenarijima – upravo situacijama koje su najvažnije u kritičnoj infrastrukturi
Florian Stahl, Mannheim Business School
“Sustavi umjetne inteligencije mogu raditi izuzetno dobro u uvjetima sličnim njihovim podacima o obuci, ali naglo otkazuju u rijetkim, ekstremnim ili novim scenarijima – upravo situacijama koje su najvažnije u kritičnoj infrastrukturi”, primjećuje Florian Stahl, voditelj kvantitativnog marketinga i potrošačke analitike u Mannheim Business School.
Upravljanje zakrpama također može predstavljati više problema s rubnom umjetnom inteligencijom, s tisućama krajnjih točaka i ranjivosti koje uzrokuju potencijalna kašnjenja i nedosljednosti u održavanju.
Budući da je rubna umjetna inteligencija usmjerena isključivo na lokalne implementacije, može se pojaviti više pitanja u vezi s kontrolom verzija, nadzorom i revizijom. To znači da će tvrtke možda trebati održavati dublju i redovitiju evidenciju o unosu podataka, procesima donošenja odluka i operativnim čimbenicima. Visoko regulirane industrije mogu posebno zahtijevati tragove dokaza i tražiti veću odgovornost, što može utjecati na reputaciju tvrtke i licence.
“Sustavi umjetne inteligencije u stvarnom vremenu, posebno oni koji se temelje na strojnom učenju, često rade kao ‘crne kutije’, što otežava objašnjenje ili reviziju odluka kada dođe do kvarova. Ovaj nedostatak transparentnosti je problematičan u infrastrukturama gdje su odgovornost i analiza nakon incidenta ključni”, dodaje Stahl.
Budući da autonomne odluke koje se donose lokalno mogu imati vrlo stvarne financijske, sigurnosne i usklađene posljedice, tvrtke bi mogle biti primorane puno ozbiljnije shvatiti odgovornost ako odluče koristiti rubnu umjetnu inteligenciju.
Više rukovodstvo će također možda trebati prilagoditi centralizirane organizacijske i upravljačke modele strategiji distribuiranijeg obavještavanja, a sve to uz održavanje niskih troškova.
Ovi čimbenici doveli su do toga da je rubna umjetna inteligencija postala strukturna promjena jednako kao i tehnička, utječući na to kako i gdje se donose odluke, kako se procjenjuje rizik i ukupnu odgovornost.
Što bi vođe trebale razmotriti prije implementacije edge AI
S obzirom na značajna početna ulaganja koja zahtijevaju većina rubnih modela umjetne inteligencije, čelnici bi trebali dati prednost dugoročnom strateškom učinku, a ne pompi najnovije tehnologije. To znači da je pri ocjenjivanju spremnosti tvrtke, osim vremena, najvažniji opseg predviđenog modela rubne umjetne inteligencije.
Najveći čimbenik koji treba razmotriti je koji će procesi ili sustavi najvjerojatnije imati koristi od korištenja rubne umjetne inteligencije prvi, a koji mogu pričekati još nekoliko mjeseci. U idealnom slučaju, tvrtke bi trebale dati prioritet svim procesima u kojima su latencija, operativni rizik i lokalizacija podataka najvažniji. Radeći to, organizacije mogu rasporediti troškove dok testiraju nove implementacije na relativno niži način.
“Važno je da bi organizacije trebale procijeniti implementacije AI-ja ne samo kroz metriku učinkovitosti, već i kroz pokazatelje učinka prilagođene riziku, prepoznajući da su marginalni dobici učinkovitosti rijetko opravdani ako uvode nerazmjerne sistemske ili etičke rizike”, savjetuje Stahl.
Sljedeće pitanje je: mjeriti ili ne mjeriti? U nekoliko je slučajeva pilot implementacija rubne umjetne inteligencije ili dovoljna kratkoročno, ne daje očekivane rezultate ili naglašava mnoge skrivene troškove i operativne probleme.
U tim slučajevima, donositelji odluka trebaju procijeniti isplati li se preuzeti rizik za povećanje, što će zahtijevati više ulaganja, specijaliziranih vještina i radne snage.
Međutim, znati kada ne koristiti edge AI, a kada bi to moglo uzrokovati više štete nego koristi, jednako je važno za tvrtke. To je prvenstveno u slučajevima kada je količina podataka još uvijek mala, latencija nije presudna ili tvrtka nema sredstva za odgovarajuće rukovanje s nekoliko distribuiranih krajnjih točaka.
“Edge AI ne bi se trebao koristiti u sektorima gdje su slučajevi upotrebe široki, ulozi visoki, a posljedice pogrešaka slabo shvaćene”, navodi Bikard iz Inseada. “Ta kombinacija obično signalizira vremenski problem, a ne tehnološki. U otvorenim, visoko međusobno povezanim okruženjima, čak i male pogreške mogu se nizati prije nego što organizacije imaju vremena za odgovor.”
U takvim je slučajevima primjena strateške suzdržanosti mnogo važnija za dugoročnu vrijednost.
Od odabira tehnologije do organizacijske promjene
U konačnici, implementacija rubnih AI modela trebala bi biti primarno usmjerena na isporuku dugoročne, strateške vrijednosti, a ne na odluke temeljene na trendovima. To je osobito istinito ako kašnjenje i analiza podataka u stvarnom vremenu predstavljaju stvarne rizike. Poduzeća moraju uzeti u obzir da će upotreba rubne umjetne inteligencije vjerojatno preoblikovati sve, od strukture troškova i donošenja odluka do autonomije i rizika, i pripremiti se u skladu s tim.
“Postoje stvarne potencijalne koristi od upotrebe umjetne inteligencije za prediktivno održavanje, ali te koristi rijetko dolaze samo od tehnologije. Da bi se umjetna inteligencija isplatila, okolna organizacija – njezini poticaji, kultura, strukture i vještine – također se mora prilagoditi. Predviđanja stvaraju vrijednost samo ako su ljudi ovlašteni djelovati u skladu s njima”, zaključuje Bikard.
Poduzeća koja rubnu umjetnu inteligenciju tretiraju kao cjelokupni operativni pomak, a ne kao neovisnu značajku koja će se pričvrstiti na naslijeđene sustave, neizbježno će je dugoročno moći bolje iskoristiti.
WhatsApp se nastoji pridružiti Appleu u pravnim izazovima protiv naloga za šifriranje kućnog ureda
Veliki tehnološki sanovi o stavljanju podataka u svemir u svemir
Ne, Grok 2.5 nije bio otvoreni. Evo kako možete reći
Što je LARP (igranje uloga uživo)?
ITU, iown daljnja suradnja na mreži sljedećeg gena
