Un nou ghid de implementare, bazat pe cercetările realizate de Vertiv și STL Partners, ajută organizațiile să identifice tipurile de aplicații AI și să stabilească unde ar trebui amplasată infrastructura necesară pentru susținerea acestora.
Astfel, Vertiv Holdings Co. (NYSE: VRT), lider global în infrastructura digitală critică, și Deloitte Center for Integrated Research au anunțat o colaborare menită să sprijine companiile în depășirea uneia dintre principalele provocări asociate trecerii de la faza de testare a soluțiilor AI la utilizarea acestora în producție: identificarea mediului optim pentru rularea sarcinilor de lucru AI și evaluarea capacității infrastructurii fizice disponibile de a le susține.
Noul ghid Vertiv Designing Infrastructure for Enterprise AI, elaborat de Vertiv împreună cu STL Partners, companie de cercetare specializată în infrastructură digitală, oferă liderilor de business, IT și celor responsabili de administrarea infrastructurii fizice un cadru de analiză bazat pe caracteristicile sarcinilor de lucru, pentru a fundamenta aceste decizii înainte de stabilirea unui plan de infrastructură. Pornind de la obiectivul de business urmărit și de la specificul sarcinii de lucru AI, organizațiile pot evalua locul optim de implementare, cerințele de infrastructură și gradul de pregătire a facilităților existente. Ulterior, fiecare sarcină de lucru poate fi asociată unui model adecvat de infrastructură fizică și unui proiect de referință, care să servească drept bază pentru planificarea ulterioară și validarea tehnică.
Cercetarea care stă la baza ghidului evidențiază un aspect esențial pe măsură ce organizațiile trec la utilizarea continuă a aplicațiilor AI în producție: gradul de pregătire a infrastructurii poate determina atât locul în care pot fi implementate sarcinile de lucru, cât și rapiditatea cu care acestea pot deveni operaționale. Disponibilitatea energiei electrice, capacitatea de răcire, conectivitatea și capacitatea operațională pot influența decisiv posibilitatea de a susține o anumită sarcină de lucru într-o facilitate existentă sau necesitatea adoptării unui alt model de implementare.
Ghidul transpune aceste considerente într-un proces structurat în patru etape: (1) definirea obiectivului de business și a sarcinii de lucru AI, (2) evaluarea dimensiunii, performanței și cerințelor operaționale ale acesteia, (3) identificarea celui mai potrivit loc de implementare și (4) corelarea sarcinii de lucru și a locației alese cu un model de infrastructură fizică și un proiect de referință.
„Următoarea etapă în evoluția inteligenței artificiale la nivelul companiilor va fi determinată nu doar de modele și de capacitatea de calcul, ci și de abilitatea organizațiilor de a asigura alimentarea cu energie, răcirea, conectivitatea și mediul operațional necesare fiecărei sarcini de lucru”, a declarat Giordano Albertazzi, CEO al Vertiv. „Pornind de la cerințele specifice ale sarcinilor de lucru, companiile pot lua mai devreme deciziile privind infrastructura, pot identifica din timp constrângerile și pot construi un parcurs mai solid și mai realist de la ambițiile legate de AI la utilizarea efectivă a acesteia în producție.”
„Aspectele economice și cerințele operaționale ale inteligenței artificiale se schimbă odată cu trecerea sarcinilor de lucru în producție”, a adăugat Nicholas Merizzi, Principal în cadrul Deloitte Consulting LLP și coordonator al inițiativei Silicon2Service în SUA. „Organizațiile trebuie să analizeze împreună valoarea de business, guvernanța, responsabilitățile operaționale și infrastructura. Integrarea acestor aspecte încă din etapele inițiale de planificare le oferă liderilor o bază mai solidă pentru a decide unde ar trebui să ruleze sarcinile de lucru AI și cum pot fi susținute acestea pe termen lung.”
Procesul propus pornește de la premisa că utilizarea inteligenței artificiale în companii presupune un portofoliu divers de sarcini de lucru, nu o singură decizie privind infrastructura. Sarcinile de lucru exploratorii pot rămâne în cloud, în timp ce aplicațiile utilizate continuu sau cele esențiale pentru activitatea companiei pot beneficia de o infrastructură hibridă ori de capacități administrate direct de organizație. În schimb, sarcinile de lucru care necesită timpi de răspuns mai reduși, un nivel mai ridicat de control, proximitatea datelor sau performanțe specifice ale modelelor AI pot necesita rularea la marginea rețelei (edge) sau într-un alt mediu controlat.
Această abordare adaptată fiecărei sarcini de lucru permite utilizarea complementară a cloudului public, a centrelor de date de colocare, a infrastructurii deținute de companii, a mediilor hibride și a infrastructurii edge. În loc să promoveze sau să descurajeze utilizarea cloudului în mod general, ghidul oferă o metodologie unitară pentru identificarea mediului operațional potrivit fiecărei sarcini de lucru AI.
Cercetarea clasifică sarcinile de lucru AI utilizate în companii în șase arhetipuri, care acoperă dezvoltarea modelelor, reantrenarea acestora și patru categorii de utilizare în producție. Aceste arhetipuri ajută organizațiile să identifice sarcini de lucru cu cerințe similare de performanță, operare și infrastructură, oferind astfel o bază mai coerentă pentru planificare. Fiecare sarcină de lucru poate fi apoi asociată unuia dintre cele patru modele de infrastructură fizică: Edge AI Cluster, Small AI Cluster, Large AI Cluster și High-Density AI Cluster.
Cele patru modele constituie un punct de plecare pentru deciziile privind alimentarea cu energie, răcirea, sistemele de control, conectivitatea, reziliența, suportul operațional și posibilitățile de extindere viitoare. Proiectele de referință corespunzătoare pot fi ulterior adaptate în funcție de evaluarea amplasamentului, cerințele specifice ale sarcinilor de lucru și analiza tehnică detaliată.
Gradul de pregătire a facilităților reprezintă un factor esențial pentru toate cele patru modele. Ghidul sprijină companiile în evaluarea capacității unei locații propuse de a asigura alimentarea cu energie, răcirea, conectivitatea, resursele operaționale și spațiul necesar pentru extindere. Realizarea acestei evaluări într-o etapă timpurie permite identificarea limitărilor infrastructurii înainte ca acestea să devină obstacole în calea implementării.