على الرغم من كل الحديث عن البنية التحتية للذكاء الاصطناعي، والرقائق، والكمية الهائلة من الكهرباء المطلوبة الآن لدعم التدريب والاستدلال على النماذج واسعة النطاق، إلا أن هناك جزءًا أكثر هدوءًا من القصة نادرًا ما يحظى بنفس المستوى من الاهتمام في المؤسسات، وهو حالة البيانات التي تعمل عليها هذه الأنظمة فعليًا.
وتتوقع وكالة الطاقة الدولية أن يرتفع إنتاج الكهرباء لمراكز البيانات من 460 تيراواط في الساعة في عام 2024 إلى أكثر من 1000 تيراواط في الساعة في عام 2030 و1300 تيراواط في الساعة بحلول عام 2035 في السيناريو الأساسي، مما يؤكد مدى سرعة نمو الطلب على الطاقة المرتبطة بالذكاء الاصطناعي.
المؤسس والرئيس التنفيذي لشركة Coalescent Cloud.
وفي الولايات المتحدة، أصبح الضغط واضحا بالفعل. وتقول وزارة الطاقة الأمريكية إن مراكز البيانات استخدمت حوالي 4.4% من إجمالي الكهرباء في الولايات المتحدة في عام 2023، ومن المتوقع أن تستخدم حوالي 6.7% إلى 12% بحلول عام 2028.
يستمر المقال أدناه
هذه الأرقام مهمة، لكنها يمكن أيضًا أن تجعل المشكلة تبدو بعيدة، كما لو أن استدامة الذكاء الاصطناعي هي شيء يحدث فقط على مستوى النطاق الفائق.
في الواقع، فإن الكثير من التكاليف والهدر المرتبط بالذكاء الاصطناعي يبدأ بالقرب من المنزل، أي من الداخل CRM، ومنصة PSA، والنظام المالي، وجدول البيانات الذي لا يزال شخص ما يحتفظ به على الجانب لأنه لا يثق في لوحة المعلومات الرئيسية، والإدخالات المكررة التي لم يكن لدى أحد الوقت لتنظيفها.
الحمل الرقمي
هناك عدد أقل بكثير من الشركات التي تطرح السؤال الأكثر مباشرة حول بيئاتها الخاصة: ما حجم العبء الرقمي غير الضروري الذي تخلقه لمجرد أن بياناتها غير منظمة.
لا يصل الذكاء الاصطناعي إلى المؤسسة ويبدأ العمل على أساس مجموعة مثالية من المعلومات المنظمة بشكل مثالي. يرث ما هو موجود بالفعل.
ولن يتمكن النظام التكنولوجي وحده من إصلاح نقاط الضعف هذه. في أغلب الأحيان، سيؤدي ذلك إلى جعلها أكثر وضوحًا وأكثر تكلفة، حيث أن كل سير عمل غير ضروري، وكل استعلام متكرر، وكل جولة من إعادة الفحص البشري، وكل دورة إضافية يتم إنفاقها في محاولة التحقق من صحة النتائج، تستهلك المزيد من الذاكرة، والمزيد من المعالجة، والمزيد من وقت الموظف.
البيانات السليمة ليست مجرد بيانات تصادف أنها نظيفة في أي يوم. هذه هي البيانات التي يتم فهمها وإدارتها وصيانتها وتكييفها عبر الشركة بطريقة يمكن للأشخاص الوثوق بها.
إن عمل IBM الأخير بشأن ضعف جودة البيانات يجعل الجانب التجاري من هذه المشكلة واضحًا: يشير 43% من مديري العمليات إلى جودة البيانات باعتبارها مصدر قلقهم الأكبر، ويقدر أكثر من ربع المؤسسات أنهم يخسرون أكثر من 5 ملايين دولار سنويًا بسبب ضعف جودة البيانات.
يحتاج قادة التكنولوجيا في المؤسسات إلى أن يكونوا على دراية الآن أكثر من أي وقت مضى بما يحدث عندما يتم فرض مشاكل البيانات نفسها على بيئات الذكاء الاصطناعي التي تعتمد بالفعل على عمليات حسابية مكثفة.
لقد كانت جودة البيانات الرديئة مكلفة دائمًا. ما يتغير مع الذكاء الاصطناعي هو السرعة والحجم الذي تجتمع به هذه النفقات معًا.
يمكن الآن للعملية المعطلة التي كانت تحبط الفريق في السابق أن تضع ضغطًا متكررًا على أنظمة ونماذج متعددة مع تقويض الثقة في النتائج التي تم تصميمها لتسهيل العمل.
الاستدامة
يجب أن تصبح مناقشة الاستدامة حول الذكاء الاصطناعي أكثر عملية. ولا يمكن أن تعيش فقط على مستوى مشتريات الطاقة، أو أهداف الكربون، أو الاستثمارات في البنية التحتية. هذه القضايا مهمة، لكن الواقع اليومي لما تطلب الشركات من أنظمتها القيام به مهم أيضًا.
وهناك أيضاً قضية تتعلق بالحوكمة تحت كل هذا، حيث لا يزال عدد مذهل من المنظمات يتحرك بسرعة أكبر فيما يتعلق بالتنفيذ مقارنة بالملكية والمساءلة.
لا تزال موثوقية البيانات تثبت أنها واحدة من أكبر العوائق أمام التنفيذ المفيد للذكاء الاصطناعي، وهذا أمر منطقي.
إذا لم يتمكن أحد من أن يشرح بوضوح من أين تأتي البيانات الرئيسية، أو من يملكها، أو كيف يتم الحفاظ عليها، أو لماذا تختلف التعريفات من نظام إلى آخر، فإن الشركة قد خلقت بالفعل الظروف اللازمة لإهدار البيانات غير الضرورية حتى قبل أن يدخل النموذج إلى مرحلة الإنتاج.
في مثل هذه البيئة، يصبح الذكاء الاصطناعي طبقة أخرى من التعقيد فوق أساس غير مستقر بالفعل.
عادةً ما تكون المنظمات التي تحقق أداءً أفضل هي تلك التي تتبع مسارًا أكثر انضباطًا والذي غالبًا ما يبدو أقل إثارة من الخارج.
أنها تحد من الازدواجية. إنهم يوحدون منطق النظام. إنهم يقررون ما تعنيه المقاييس فعليًا ويتأكدون من تطبيق هذه التعريفات عبر الفرق. إنها تعمل على تبسيط سير العمل الخاص بك قبل أتمتته. يقومون بإصلاح الخاصية قبل توسيع الوصول.
نادرًا ما يوصف هذا النوع من العمل بأنه استراتيجية للذكاء الاصطناعي، ولكن في الممارسة العملية غالبًا ما يكون هو ما يفصل بين برامج الذكاء الاصطناعي التي تصبح مفيدة عن تلك التي تخلق بهدوء نفقات عامة أكثر من القيمة.
أنظمة أولية أكثر صحة
ومع تحسن الأنظمة الأساسية، سيبدأ الذكاء الاصطناعي في القيام بما كان يأمل القادة أن يفعله. تصبح التوقعات أكثر موثوقية لأن البيانات المدخلة مستقرة. تصبح بيانات العملاء أكثر فائدة لأن الفرق لا تتجادل حول ما إذا كانت محدثة أم لا.
بالنسبة للشركات التي تتطلع إلى فهم التكاليف المتزايدة للذكاء الاصطناعي، فهذا هو المكان المناسب للبدء. قبل أن نتساءل عن كيفية تشغيل المزيد من النماذج، من المفيد أن نتساءل عن مقدار الحمل الرقمي غير الضروري الذي تم إنشاؤه بالفعل بسبب البيانات غير الصحية.
قبل أن نبدأ في التعامل مع الاستدامة كشيء خارج نطاق المؤسسة، تجدر الإشارة إلى أن الأنظمة الأنظف تستخدم الموارد بشكل أكثر ذكاءً.
قبل الافتراض أن التأثير البيئي للذكاء الاصطناعي هو مجرد مشكلة في البنية التحتية، يجب على القادة إلقاء نظرة فاحصة على حالة البيانات التي تزودها شركاتهم بها كل يوم.
لن تحل البيانات الأنظف جميع التحديات التي تواجه البنية التحتية للذكاء الاصطناعي وقيود الطاقة، ولكنها ستجعل أنظمة المؤسسة أكثر كفاءة وجديرة بالثقة وأكثر استدامة بطريقة فورية وقابلة للقياس.
وهذه نقطة بداية أفضل بكثير من مجرد افتراض أن المزيد من العمليات الحسابية ستحل مشكلة يمكن للانضباط التشغيلي الأفضل أن يمنعها.
نقدم لكم أفضل روبوت دردشة يعمل بالذكاء الاصطناعي للأعمال.
تم إنشاء المقالة كجزء من توقعات TechRadar بروتعرض قناتنا أفضل وألمع العقول في صناعة التكنولوجيا اليوم.
الآراء الواردة هنا هي آراء المؤلف وليست بالضرورة آراء TechRadarPro أو Future plc. إذا كنت مهتمًا بالتعاون، يمكنك العثور على مزيد من المعلومات هنا: https://www.techradar.com/pro/perspectives-how-to-submit
