Los proyectos de IA involucran cantidades masivas de datos, examinamos cinco áreas en las que centrarse para obtener el máximo valor de la IA.
- Diseño para la flexibilidad
En la IA, las herramientas, modelos y métodos utilizados actualmente son distintos de los que se utilizaban hasta ahora. Anticiparse y crear ciclos, sistemas y procesos flexibles es esencial, por lo que hay que construir con la mayor flexibilidad posible ante situaciones desconocidas e inesperadas para poder adaptarse según sea necesario.
- Modelos de consumo flexible
El mercado se mueve más rápido que el ciclo de compra tradicional, por lo que la forma en que se consume la tecnología ha de ser flexible. Este modelo permite aumentar o disminuir recursos según se necesiten y cambiar los requisitos a medida que evolucionan los proyectos. Además, está respaldado por acuerdos de nivel de servicio que ofrecen a los clientes más garantía de asistencia por parte de los proveedores.
- Incorporar la sostenibilidad
La demanda de energía y refrigeración de la IA es increíblemente alta. Si se suman los crecientes costes de electricidad para alimentar y enfriar los centros de datos, así como las limitaciones en la construcción de nuevos centros, las empresas deberían buscar la tecnología de mayor eficiencia energética y con menor huella.
- Optimizar el tiempo de los científicos de datos
Para que la preparación de datos sea una parte del proceso fluida y eficiente, se deben crear las herramientas y plataformas precisas. Los ingenieros necesitarán construir una plataforma de herramientas de IA como servicio que lo permita.
Otra consideración es dónde se encuentran los datos: en las instalaciones o en la nube. Usar GPUs en la nube pública es extremadamente caro. Sería útil para un experimento, pero para trabajos intensivos o a largo plazo, no es la carga de trabajo adecuada para su uso en la nube. Crater Labs, un laboratorio de investigación de IA y ML, explica cómo todos sus clientes han tenido un crecimiento exponencial de los datos durante el proceso de entrenamiento de IA y esto, junto con los problemas de soberanía de datos, los impulsó a trasladar su almacenamiento a las instalaciones.
- Construir modelos de ROI
No hay que precipitarse en un proyecto de IA sin haber establecido su ROI, quienes lo hacen corren el riesgo de malgastar esfuerzos. A nivel empresarial, se precisa establecer métricas antes de comenzar a experimentar.
Pure Storage
Country Manager
