Bergabunglah dengan acara yang dipercaya oleh para pemimpin perusahaan selama hampir dua dekade. VB Transform menyatukan orang -orang yang membangun strategi AI perusahaan nyata. Pelajari lebih lanjut
Saat membangun AI perusahaan, beberapa perusahaan menemukan bagian tersulit kadang -kadang memutuskan apa yang harus dibangun dan bagaimana mengatasi berbagai proses yang terlibat.
Di VentureBeat Transform 2025, kualitas data dan tata kelola di depan dan pusat karena perusahaan melihat di luar fase eksperimental AI dan mengeksplorasi cara -cara untuk memproduksi dan skala agen dan aplikasi lainnya.
Organisasi berurusan dengan rasa sakit memikirkan bagaimana teknologi berpotongan dengan orang, proses dan desain, kata Braden Holstege, direktur pelaksana dan mitra di Boston Consulting Group. Dia menambahkan bahwa perusahaan perlu memikirkan berbagai kompleksitas yang terkait dengan paparan data, anggaran AI per orang, izin akses dan cara mengelola risiko eksternal dan internal.
Terkadang, solusi baru melibatkan cara menggunakan data yang sebelumnya tidak dapat digunakan. Berbicara di atas panggung Selasa sore, Holstege memberi contoh satu klien yang menggunakan model bahasa besar (LLM) untuk menganalisis jutaan wawasan tentang orang -orang churn, keluhan produk dan umpan balik positif – dan menemukan wawasan yang tidak mungkin beberapa tahun yang lalu dengan Natural Language Processing (NLP).
“Pelajaran yang lebih luas di sini adalah bahwa data tidak monolitik,” kata Holstege. “Anda memiliki segalanya mulai dari catatan transaksi hingga dokumen hingga umpan balik pelanggan untuk melacak data yang diproduksi selama pengembangan aplikasi dan sejuta jenis data lainnya.”
Beberapa kemungkinan baru ini berkat peningkatan dalam data siap-AI, kata Susan Etlinger, direktur senior strategi dan kepemimpinan pemikiran AIRE AI.
“Begitu Anda berada di dalamnya, Anda mulai memahami seni yang mungkin,” kata Etlinger. “Ini adalah tindakan penyeimbangan antara itu dan datang dengan perasaan yang jelas tentang apa yang Anda coba selesaikan. Katakanlah Anda mencoba menyelesaikan untuk pengalaman pelanggan. Ini bukan kasus yang tepat, tetapi Anda tidak selalu tahu. Anda mungkin menemukan sesuatu yang lain dalam prosesnya.”
Mengapa data siap-AI sangat penting untuk adopsi perusahaan
Data siap-AI adalah langkah penting untuk mengadopsi proyek AI. Dalam survei Gartner yang terpisah, lebih dari setengah dari 500 CIO perusahaan menengah dan pemimpin teknologi mengatakan mereka berharap bahwa adopsi infrastruktur siap-AI akan membantu dengan proses data yang lebih cepat dan lebih fleksibel.
Itu bisa menjadi proses yang lambat. Melalui 2026, Gartner memprediksi organisasi akan meninggalkan 60% dari proyek AI yang tidak didukung oleh data siap-AI. Ketika perusahaan riset mensurvei para pemimpin manajemen data musim panas lalu, 63% responden mengatakan organisasi mereka tidak memiliki praktik manajemen data yang tepat, atau bahwa mereka tidak yakin dengan praktik tersebut.
Ketika penyebaran menjadi lebih matang, penting untuk mempertimbangkan cara untuk mengatasi tantangan yang sedang berlangsung seperti model AI dari waktu ke waktu, kata Awais Sher Bajwa, kepala data dan perbankan AI di Bank of America. Dia menambahkan bahwa perusahaan tidak selalu perlu terburu-buru untuk pengguna akhir yang sudah cukup maju dalam cara mereka berpikir tentang potensi aplikasi berbasis obrolan.
“Kita semua dalam kehidupan kita sehari -hari adalah pengguna aplikasi obrolan di luar sana,” kata Sher Bajwa. “Pengguna menjadi sangat canggih. Dalam hal pelatihan, Anda tidak perlu mendorongnya ke pengguna akhir, tetapi itu juga berarti menjadi proses yang sangat kolaboratif. Anda perlu mencari tahu elemen implementasi dan penskalaan, yang menjadi tantangan.”
Rasa sakit dan kompleksitas komputasi AI yang tumbuh
Perusahaan juga perlu mempertimbangkan peluang dan tantangan aplikasi berbasis cloud, on-prem dan hybrid. Aplikasi AI yang diaktifkan cloud memungkinkan untuk pengujian berbagai teknologi dan penskalaan dengan cara yang lebih abstrak, kata Sher Bajwa. Namun, ia menambahkan bahwa perusahaan perlu mempertimbangkan berbagai masalah infrastruktur seperti keamanan dan biaya – dan bahwa vendor seperti NVIDIA dan AMD memudahkan perusahaan untuk menguji model yang berbeda dan modalitas penyebaran yang berbeda
Keputusan seputar penyedia cloud menjadi lebih kompleks daripada beberapa tahun yang lalu, kata Holstege. Sementara opsi yang lebih baru seperti neoclouds (menawarkan server yang didukung GPU dan mesin virtual) kadang-kadang dapat menawarkan alternatif yang lebih murah untuk hiperscaler tradisional, ia mencatat bahwa banyak klien kemungkinan akan menggunakan AI di mana data mereka sudah berada-yang akan membuat perubahan infrastruktur utama lebih kecil kemungkinannya. Tetapi bahkan dengan alternatif yang lebih murah, Holstege melihat trade-off dengan komputasi, biaya, dan optimasi. Sebagai contoh, ia menunjukkan bahwa model open-source seperti Llama dan Mistral dapat memiliki tuntutan komputasi yang lebih tinggi.
“Apakah biaya komputasi membuatnya layak bagi Anda untuk mengeluarkan sakit kepala menggunakan model open-source dan memigrasi data Anda?” Tanya Holstege. “Hanya perbatasan pilihan yang dihadapi orang sekarang jauh lebih luas daripada tiga tahun yang lalu.”
About the Author
