IT部門的任務(wù)是支持人工智能和機(jī)器學(xué)習(xí)計(jì)劃，這需要廣泛考慮當(dāng)前和未來(lái)的基礎(chǔ)設(shè)施需求。

人工智能（AI）和機(jī)器學(xué)習(xí)（ML）是新興領(lǐng)域，將會(huì)以前所未有的速度改變企業(yè)的發(fā)展。在數(shù)字時(shí)代，可以使用分析技術(shù)發(fā)現(xiàn)大量數(shù)據(jù)中的關(guān)鍵見解。

在以往，這些見解是用人工密集型的分析方法發(fā)現(xiàn)的。如今，由于數(shù)據(jù)量繼續(xù)增長(zhǎng)以及數(shù)據(jù)的復(fù)雜性，這不會(huì)起到更大的作用。人工智能（AI）和機(jī)器學(xué)習(xí)（ML）是數(shù)據(jù)科學(xué)家的最新工具，使他們能夠更快地將數(shù)據(jù)轉(zhuǎn)化為價(jià)值。

數(shù)據(jù)爆炸需要人工智能（AI）和機(jī)器學(xué)習(xí)（ML）

從歷史上看，企業(yè)使用大型記錄系統(tǒng)生成的一小組數(shù)據(jù)進(jìn)行操作。如今的環(huán)境完全不同，其中有更多的設(shè)備和系統(tǒng)生成他們自己的數(shù)據(jù)，可用于分析。企業(yè)面臨的挑戰(zhàn)是需要分析的數(shù)據(jù)太多，而在日益數(shù)字化的世界中競(jìng)爭(zhēng)的唯一方法是使用人工智能（AI）和機(jī)器學(xué)習(xí)（ML）。

人工智能（AI）和機(jī)器學(xué)習(xí)（ML）用例因垂直領(lǐng)域而不同

雖然沒有通用的“殺手級(jí)應(yīng)用程序”，但人工智能（AI）和機(jī)器學(xué)習(xí)（ML）適用于大多數(shù)垂直領(lǐng)域。因此有許多適用于各種行業(yè)的關(guān)鍵用例。常見用例包括：

醫(yī)療保健——快速診斷MRI掃描的異常檢測(cè)

汽車——分類用于識(shí)別道路中的物體

零售——可以準(zhǔn)確預(yù)測(cè)未來(lái)的銷售額

聯(lián)絡(luò)中心——翻譯使坐席能夠用不同的語(yǔ)言與人類交談

基礎(chǔ)設(shè)施所需的高質(zhì)量數(shù)據(jù)

無(wú)論用例如何，人工智能（AI）和機(jī)器學(xué)習(xí)（ML）的成功取決于在基礎(chǔ)設(shè)施方面的正確選擇，這需要了解數(shù)據(jù)的作用。人工智能（AI）和機(jī)器學(xué)習(xí)（ML）的成功很大程度上取決于輸入系統(tǒng)的數(shù)據(jù)質(zhì)量。人工智能行業(yè)有一個(gè)公理，即“糟糕的數(shù)據(jù)會(huì)導(dǎo)致糟糕的推論”，這意味著企業(yè)應(yīng)該關(guān)注如何管理數(shù)據(jù)。因此可以將這個(gè)公理擴(kuò)展到“良好的數(shù)據(jù)導(dǎo)致良好的推論”，而在此強(qiáng)調(diào)的是，需要采用正確的基礎(chǔ)設(shè)施來(lái)確保數(shù)據(jù)“良好”。

盡管使用的數(shù)據(jù)類型可能不同，但數(shù)據(jù)在人工智能（AI）的每個(gè)用例中都起著關(guān)鍵作用。例如，通過讓機(jī)器學(xué)習(xí)在企業(yè)生成的大數(shù)據(jù)湖中找到見解，可以推動(dòng)創(chuàng)新。事實(shí)上，企業(yè)可以在數(shù)據(jù)科學(xué)的基礎(chǔ)上培養(yǎng)組織內(nèi)部的新思維。關(guān)鍵是要了解數(shù)據(jù)在人工智能（AI）和機(jī)器學(xué)習(xí)（ML）工作流程的每個(gè)步驟中所起的作用。

人工智能（AI）和機(jī)器學(xué)習(xí)（ML）工作流程具有以下組件：

數(shù)據(jù)收集：數(shù)據(jù)聚合、數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)轉(zhuǎn)換和存儲(chǔ)

數(shù)據(jù)科學(xué)／工程：數(shù)據(jù)分析、數(shù)據(jù)處理、安全和治理

訓(xùn)練：模型開發(fā)、驗(yàn)證和數(shù)據(jù)分類

部署：執(zhí)行推斷

數(shù)據(jù)面臨的最大挑戰(zhàn)之一是實(shí)時(shí)構(gòu)建數(shù)據(jù)管道。使用新數(shù)據(jù)源進(jìn)行探索和發(fā)現(xiàn)工作的數(shù)據(jù)科學(xué)家需要收集、準(zhǔn)備、建模、推斷。因此，IT需要在每個(gè)階段進(jìn)行更改，并且從更多來(lái)源收集更多數(shù)據(jù)。

同樣重要的是，工作流是一個(gè)迭代循環(huán)，其中部署階段的輸出成為數(shù)據(jù)收集的輸入，并改進(jìn)模型。通過這些階段移動(dòng)數(shù)據(jù)的成功在很大程度上取決于擁有適合的基礎(chǔ)設(shè)施。

支持人工智能（AI）和機(jī)器學(xué)習(xí)（ML）的基礎(chǔ)設(shè)施的關(guān)鍵考慮因素

位置：人工智能（AI）和機(jī)器學(xué)習(xí)（ML）并不只在云平臺(tái)中進(jìn)行，也不只在現(xiàn)場(chǎng)處理。這些舉措應(yīng)該在給定輸出最有意義的位置執(zhí)行。例如，機(jī)場(chǎng)安檢的面部識(shí)別系統(tǒng)應(yīng)該在本地進(jìn)行分析，因?yàn)閷⑿畔l(fā)送到云平臺(tái)并返回所花費(fèi)的時(shí)間會(huì)增加該過程的延遲。因此，組織需要確保將基礎(chǔ)設(shè)施部署在云端、本地?cái)?shù)據(jù)中心以及邊緣，而優(yōu)化人工智能計(jì)劃的性能是至關(guān)重要的。

高性能基礎(chǔ)設(shè)施的廣度：如前所述，人工智能性能高度依賴于基礎(chǔ)設(shè)施。例如，與傳統(tǒng)的中央處理單元（CPU）相比，圖形處理單元（GPU）可以將深度學(xué)習(xí)的速度提高100倍。服務(wù)器供電不足將導(dǎo)致流程延遲，而過度供電則會(huì)浪費(fèi)電力成本。無(wú)論策略是端到端還是最佳策略，都要確保計(jì)算硬件具有正確的計(jì)算處理能力以及高速存儲(chǔ)設(shè)備。這需要組織選擇具有廣泛產(chǎn)品組合的供應(yīng)商，其產(chǎn)品組合可以解決任何階段人工智能流程中出現(xiàn)的問題。

經(jīng)過驗(yàn)證的設(shè)計(jì)：基礎(chǔ)設(shè)施顯然非常重要，但運(yùn)行的軟件也是如此。一旦安裝了軟件，可能需要幾個(gè)月的時(shí)間來(lái)調(diào)整和優(yōu)化以適應(yīng)底層硬件。組織需要選擇預(yù)先安裝軟件并具有經(jīng)過驗(yàn)證的設(shè)計(jì)的供應(yīng)商，以便縮短部署時(shí)間，并確保性能得到優(yōu)化。

數(shù)據(jù)中心的擴(kuò)展：人工智能基礎(chǔ)設(shè)施并不是孤立存在的，應(yīng)被視為當(dāng)前數(shù)據(jù)中心的一種擴(kuò)展。在理想情況下，企業(yè)應(yīng)該尋找可以使用現(xiàn)有工具進(jìn)行管理的解決方案。

端到端管理：沒有單一的人工智能技術(shù)可以投入，并開啟采用人工智能過程。它由若干移動(dòng)部件組成，其中包括服務(wù)器、存儲(chǔ)、網(wǎng)絡(luò)和軟件，并且在位置方面有多種選擇。最好的解決方案應(yīng)該是整體解決方案，它包含可以通過單一界面管理的所有或大多數(shù)組件。

網(wǎng)絡(luò)基礎(chǔ)設(shè)施：在部署人工智能時(shí)，組織需要將重點(diǎn)放在支持GPU的服務(wù)器、閃存存儲(chǔ)和其他計(jì)算基礎(chǔ)設(shè)施上。這是有道理的，因?yàn)槿斯ぶ悄芴幚砥骱痛鎯?chǔ)設(shè)備部署非常密集。但是，必須為存儲(chǔ)系統(tǒng)和服務(wù)器提供遍歷網(wǎng)絡(luò)的數(shù)據(jù)。人工智能的基礎(chǔ)設(shè)施應(yīng)被視為一個(gè)“三足凳”，其中的三條腿分別是網(wǎng)絡(luò)、服務(wù)器和存儲(chǔ)。每個(gè)組件的進(jìn)步都必須快速地相互跟進(jìn)。任何一個(gè)組件的滯后都會(huì)影響性能。因此，組織應(yīng)該對(duì)網(wǎng)絡(luò)實(shí)施與服務(wù)器和存儲(chǔ)設(shè)備相同的盡職調(diào)查。

安全性：人工智能通常涉及極其敏感的數(shù)據(jù)，如患者記錄、財(cái)務(wù)信息和個(gè)人數(shù)據(jù)。泄露這些數(shù)據(jù)可能對(duì)組織造成災(zāi)難性后果。此外，輸入不良數(shù)據(jù)可能會(huì)導(dǎo)致人工智能系統(tǒng)做出錯(cuò)誤的推斷，從而導(dǎo)致有缺陷的決策。必須使用先進(jìn)的技術(shù)從頭到尾保護(hù)人工智能基礎(chǔ)設(shè)施。

專業(yè)服務(wù)：專業(yè)服務(wù)應(yīng)該是基礎(chǔ)設(shè)施決策的一部分。大多數(shù)組織，尤其是缺乏經(jīng)驗(yàn)的組織，在人工智能方面都沒有必要的技能。服務(wù)合作伙伴可以在人工智能生命周期內(nèi)提供必要的培訓(xùn)、咨詢、實(shí)施和優(yōu)化服務(wù)，并且應(yīng)該是部署的核心組件。

廣泛的生態(tài)系統(tǒng)：人工智能供應(yīng)商與具有廣泛生態(tài)系統(tǒng)的供應(yīng)商進(jìn)行合作至關(guān)重要，并且可以將人工智能的所有組件結(jié)合在一起，以提供完整、交鑰匙的端到端解決方案。而拼湊這些組件可能會(huì)導(dǎo)致業(yè)務(wù)延遲甚至失敗。因此，選擇具有強(qiáng)大生態(tài)系統(tǒng)的供應(yīng)商可以快速實(shí)現(xiàn)成功。

從歷史上看，人工智能（AI）和機(jī)器學(xué)習(xí)（ML）項(xiàng)目由數(shù)據(jù)科學(xué)專家負(fù)責(zé)運(yùn)營(yíng)，但隨著這些技術(shù)進(jìn)入應(yīng)用主流，它們正在迅速向IT專業(yè)人員過渡。隨著正在發(fā)生的轉(zhuǎn)變，以及人工智能（AI）計(jì)劃變得更加普及，IT組織應(yīng)該更廣泛地考慮支持人工智能（AI）的基礎(chǔ)設(shè)施。而不是為特定項(xiàng)目購(gòu)買服務(wù)器、網(wǎng)絡(luò)基礎(chǔ)設(shè)施和其他組件，組織目標(biāo)應(yīng)該是更廣泛地考慮當(dāng)前和未來(lái)的業(yè)務(wù)需求，類似于當(dāng)今數(shù)據(jù)中心的運(yùn)行方式。