Tekoäly siirtyy piloteista tuotantokäyttöön: nyt huomio kohdistuu käytön, arvon ja kustannusten hallintaan
Monille organisaatioille viime vuodet ovat olleet tekoälyn käyttöönoton aikaa. Huomio on ollut lisensseissä, pilottihankkeissa ja ensimmäisissä käyttötapauksissa. Miten tekoäly voi tuottaa arvoa? Mitkä työkalut kannattaa valita? Ja miten henkilöstö saadaan mukaan muutokseen?
Kun tekoälystä tulee yhä tiiviimpi osa työpäivää, esiin nousee kuitenkin uusi kysymys: missä tekoälyn oikeastaan tulisi tehdä työnsä?
Kun työntekijät käyttävät tekoälyä kokousmuistioiden laatimiseen, dokumenttien analysointiin, tiedonhakuun tai tehtävien automatisointiin, syntyy jatkuvaa resurssien kulutusta. Yritysten onkin yhä enemmän arvioitava, missä niiden tekoälytyökuormat suoritetaan ja mitä vaikutuksia sillä on kustannuksiin, suorituskykyyn sekä hallintamalleihin.
Tekoälylle muodostuu oma kulutusprofiilinsa
Useimmilla yrityksillä on jo kokemusta pilvipalveluiden käytön hallinnasta. Resursseja voidaan kasvattaa tai vähentää tarpeen mukaan, mutta käyttöä on silti seurattava ja ohjattava.
Samanlainen kehitys on nyt käynnissä myös tekoälyn osalta.
Joka kerta, kun työntekijä esittää kysymyksen kielimallille, luo agentin tai automatisoi prosessin, kulutetaan resursseja. Yksittäinen pyyntö ei yleensä ole merkittävä kustannustekijä. Mutta kun tekoälystä tulee osa arkea koko organisaatiossa, pienistä mallikutsuista muodostuu vähitellen laajempi kulutusmalli.
”Monet yritykset keskittyvät tällä hetkellä siihen, miten tekoäly saadaan käyttöön. Seuraava keskustelu tulee käsittelemään sitä, miten tekoälyn käyttöä hallitaan ja optimoidaan koko organisaation tasolla.”
Kyse ei ole paikallisesta tekoälystä tai pilvestä
Tekoälykeskustelu esitetään usein valintana laitteen paikallisen suorittamisen ja pilvipohjaisten mallien välillä. Todellisuus on käytännössä huomattavasti monisyisempi.
Osa tekoälytehtävistä soveltuu hyvin paikallisesti suoritettaviksi käyttäjän laitteella. Tällaisia ovat esimerkiksi toistuvat, rajatut tai tietoturvan kannalta herkät tehtävät, joissa nopea vasteaika ja paikallinen käsittely tuovat etuja.
Toiset tehtävät puolestaan edellyttävät pääsyä yrityksen yhteisiin tietoihin, integraatioita liiketoimintajärjestelmiin tai mahdollisuutta käyttää yrityksen omia avoimen painotuksen malleja (open weight models). Tällöin yrityksen oma datakeskus tai yksityinen pilvi voi olla luontevin vaihtoehto.
Samalla tarve suurille pilvipohjaisille frontier-malleille säilyy kaikkein vaativimmissa analyyseissä, monimutkaisissa kyselyissä ja tehtävissä, joissa skaalautuvuus ja mallien kapasiteetti ovat ratkaisevassa roolissa.
”Mielenkiintoinen kysymys ei ole se, pitäisikö tekoälyn toimia paikallisesti vai pilvessä. Oleellisempaa on se, millaiset työkuormat sopivat parhaiten mihinkin ympäristöön.”
Copilot+ PC on enemmän kuin laitteistopäivitys
Kun Copilot+ PC -laitteista puhutaan, keskustelu keskittyy usein uuteen laitteistoon. Laajemmasta näkökulmasta tarkasteltuna ne edustavat kuitenkin jotain muuta: ne tuovat paikallisen tekoälylaskentakerroksen suoraan käyttäjän laitteelle.
Tämä tarkoittaa, että osa tekoälytehtävistä voidaan suorittaa paikallisesti laitteessa sen sijaan, että ne täytyisi lähettää pilveen käsiteltäväksi. Se voi mahdollistaa nopeammat vasteajat, vähentää riippuvuutta verkkoyhteyksistä ja luoda uusia mahdollisuuksia käsitellä tietoa lähempänä käyttäjää.
Paikallinen tekoäly ei kuitenkaan automaattisesti ole edullisempi, nopeampi tai turvallisempi ratkaisu.
”NPU ei itsessään luo arvoa. Arvo syntyy vasta silloin, kun yritys on tunnistanut ne konkreettiset käyttötapaukset, joissa paikallisesta tekoälystä on aidosti hyötyä.”
Tekoälystrategiasta tekoälyarkkitehtuuriin
Monille organisaatioille tekoälyn seuraava vaihe ei enää keskity yksittäisiin työkaluihin, vaan niiden taustalla olevaan kokonaisarkkitehtuuriin.
Kyse on siitä, että ymmärretään, millaisia työkuormia organisaatiossa on, mitä dataa ne käyttävät, missä ne tulisi suorittaa ja miten niitä hallitaan vastuullisesti.
Samalla nähdään uusien osa-alueiden, kuten AI FinOpsin, workload placementin ja device readinessin, nousu. Näiden avulla yritykset etsivät järjestelmällisiä tapoja tasapainottaa liiketoiminta-arvo, kustannukset ja hallintavaatimukset.
Atea auttaa organisaatioita muuttamaan tekoälytavoitteet konkreettisiksi päätöksiksi teknologian, hallintamallien ja arkkitehtuurin osalta. Tavoitteena ei välttämättä ole siirtää enemmän tekoälyä laitteille tai enemmän tekoälyä pilveen. Tavoitteena on varmistaa, että jokainen työkuorma suoritetaan siellä, missä se tuottaa eniten arvoa.
Lue aiheesta lisää: Copilot+PC -ratkaisut organisaatioille
