Mivel a generatív MI technológiai szempontból adatokkal “táplálkozik”, így bizalmas információk forognak kockán. Végsősoron pedig az ügyfelek bizalma. Azt pedig senki nem engedheti meg magának, hogy figyelmen kívül hagyja a buktatókat.
Mint arra a CIO.com cikkében kiemeli a generatív MI-vel indított projektek hatékonyságát és sikerét az adatok minősége határozza meg. Az adatfelhasználás hatékonyságához pedig kulcsfontosságú, hogy megfelelő arányban legyenek a készségek, a költségvetés és az erőforrások.
Az adat-környezeteknek pedig mind az üzleti követelményeknek, mind a technikai igényeknek meg kell feleljenek, legyen szó privát vagy nyilvános felhőről.
Mindezek fényében az üzleti és az IT-csapatok számára egyre fontosabb, hogy együttműködjenek és összehangolják üzleti prioritásaikat az MI-használat kapcsán.
A vállalatoknak több alapvető kérdést is tisztázniuk kell, azokat pedig az üzlet minden szintjén kommunikálniuk kell. Néhány példa:
Hogyan aknázzuk ki az MI-ben rejlő lehetőségeket? Hogyan vonjuk be az alkalmazottakat és támogassuk a biztonságos hozzáférést anélkül, hogy az adatok integritása és a megfelelőség sérülne?
A kiváló minőségű adatok kezelése és az AI megfelelő méretezése felé vezető első lépés a generatív MI felhasználási módjainak meghatározása.
Nem (csak) a méret számít
Persze, az igényektől függően, a nagy nyelvi modellek (LLM) nem feltétlenül szükségesek mindenki számára, mivel ezeket hatalmas mennyiségű szövegen képzik ki, és nagyrészt általános használatra készültek. Nem biztos tehát, hogy ezek a legköltséghatékonyabb MI-modellek.
Ezzel szemben a kisebb modellek, például az iparágra vagy egy vállalatra hangolt modell sokkal alacsonyabb költségek mellett nagyobb értéket nyújthatnak, miközben pontosabb és specifikusabb információkat nyújtanak, mint az LLM-ek.
A generatív MI optimalizálása az adatkezelésen keresztül
A vállalkozásoknak minden eddiginél jobban kell csökkenteniük ezeket a kockázatokat, miközben feltérképezik az adatkezelés jobb megközelítéseit. Ezért sok vállalkozás kétirányú megközelítést alkalmaz a generatív MI kapcsán.
Az első a taktikai telepítésekkel való kísérletezés, hogy többet tudjanak meg a technológiáról és az adatfelhasználásról. Ez az úgynevezett adatelőkészítés, egy rövid távú intézkedés, amely azonosítja az adatkészleteket és meghatározza az igényeket. A folyamat során az adatokat megtisztítják, címkézik és anonimizálják. Adatvezetékeket építenek ki, hogy integrálják őket egy MI-modellbe.
Az adatelőkészítési folyamatot a generatív MI felhasználási módjaira, például tartalomkészítésre, digitális asszisztensekre és kódgenerálásra épülő hosszú távú stratégia mellett kell menedzselni.
Mindezeken túl az egyik legfontosabb döntés, amelyet az üzleti vezetők meghozhatnak, a megfelelő infrastruktúra kiválasztása az adatkezelési stratégiájuk támogatásához. A számítási követelmények, például a generatív MI-modellek típusa, a felhasználók száma és az adattárolási kapacitás befolyásolja ezt a választást.
Olyan holisztikus, végponttól végpontig terjedő megközelítést kell keresni, amely lehetővé teszi a vállalkozások számára, hogy a generatív MI-t a végponttól az adatközpontig egyszerűen elfogadják és telepítsék. A hatékony adatműveletre példa a Dell Technologies Enterprise Data Management. Ez magában foglalja a Dell Data Lakehouse for AI-t, a Dell MI-optimalizált hardverére épülő adatplatformot, valamint egy teljes körű szoftvercsomagot a vállalati adatok felfedezéséhez, lekérdezéséhez és feldolgozásához.
Az adatsilók felszámolásától kezdve az adatcsapatok önkiszolgáló hozzáférésének biztosításáig a jó minőségű adattermékek létrehozásában a Dell Data Lakehouse segíthet a vállalkozásoknak felgyorsítani az MI alkalmazásának eredményeit.
Áttörő innovációt csak az adatok értékének felszabadítása hozhat az MI-projektekben. Kapóra jönnek ilyenkor az olyan adatmegoldások, mint a Dell AI-Ready Data Platform. A Dell PowerScale pedig MI-innovációk gyorsabb előmozdításához biztosít skálázható tároló platformot.
(Kép: Dall-e)
