آیا شرکت‌های آلمانی برای نیازهای گسترده انرژی و داده‌های هوش مصنوعی آماده‌اند؟
شرکت Pure Storage با همکاری Wakefield Research مطالعه جدیدی منتشر کرده است. این مطالعه چالش‌هایی را بررسی می‌کند که شرکت‌ها در همه صنایع با آن‌ها هنگام پذیرش هوش مصنوعی روبرو می‌شوند و همچنین نیاز انرژی این فناوری که اغلب نادیده گرفته می‌شود را آشکار می‌کند.
گزارش جدید با عنوان «محرک‌های تغییر: مقابله با چالش‌های انرژی و داده‌های پذیرش هوش مصنوعی» نشان می‌دهد چقدر مهم است که زیرساخت داده‌ها بازنگری شوند تا از مزایای هوش مصنوعی بهره‌برداری شود، هزینه‌های انرژی در حد معقول باقی بماند و اهداف محیطی شرکت‌ها محقق شود. در این مطالعه، ۱۰۰ خریدار فناوری اطلاعات در آلمان نیز مورد بررسی قرار گرفته‌اند.
نتایج کلیدی نظرسنجی
نظرسنجی‌ای که در میان ۱۰۰ خریدار فناوری اطلاعات در شرکت‌های آلمانی با بیش از ۵۰۰ کارمند انجام شد، نتایج زیر را نشان داده است:
- نیاز به قدرت پردازش افزایش یافته است، به دنبال پذیرش هوش مصنوعی: در ۸۷ درصد از شرکت‌هایی که هوش مصنوعی را به‌کار گرفته‌اند، نیاز به قدرت پردازش به‌طور قابل‌توجهی افزایش یافته است. بیش از نیمی (۵۸ درصد) از این شرکت‌ها مجبور شده‌اند قدرت پردازش خود را از زمان معرفی هوش مصنوعی دو برابر یا بیشتر کنند. میانگین جهانی این نرخ ۴۶ درصد است (این نظرسنجی شامل ۵۰۰ خریدار فناوری اطلاعات در چهار کشور بوده است).
- شرکت‌ها نیاز انرژی هوش مصنوعی را پیش‌بینی نکرده بودند: ۶۷ درصد از خریداران فناوری اطلاعات برای نیازهای انرژی هوش مصنوعی به‌طور کامل آماده نبودند.
- مصرف انرژی تنها یکی از فشارهای ناشی از هوش مصنوعی است: ۷۷ درصد از شرکت‌ها به نوعی نیاز به ارتقاء مدیریت داده‌ها دارند یا خواهند داشت. ارتقاء‌های خاص شامل ابزارهای مدیریت داده (۴۸ درصد)، فرآیندهای مدیریت داده (۵۵ درصد) و زیرساخت ذخیره‌سازی داده (۴۷ درصد) است.
- به همین دلیل تقریباً همه (۹۴ درصد) زیرساخت فناوری اطلاعات خود را به‌روزرسانی کرده‌اند یا برنامه‌ریزی کرده‌اند: ۳۴ درصد از خریداران فناوری اطلاعات در آلمان اظهار داشتند که هوش مصنوعی نیاز به بازطراحی کامل دارد یا خواهد داشت. میانگین جهانی این نرخ ۲۹ درصد است.
- این چالش‌ها اهداف پایداری شرکت‌ها را به تأخیر انداخته‌اند: ۸۸ درصد دریافته‌اند که اهداف ESG پس از ارتقاء زیرساخت‌های فناوری اطلاعات پس از پذیرش هوش مصنوعی سخت‌تر شده‌اند. با این حال، ۶۷ درصد از کسانی که قبلاً تکنولوژی‌های هوش مصنوعی را به‌کار گرفته‌اند (یا در ۱۲ ماه آینده برنامه دارند) اعلام کردند که در سخت‌افزارهای انرژی‌کارآمدتر سرمایه‌گذاری کرده‌اند یا خواهند کرد تا به اهداف ESG برسند.
فقدان زیرساخت‌ها برای استفاده از هوش مصنوعی
استفاده از هوش مصنوعی در همه صنایع در حال افزایش است، اما بیشتر شرکت‌ها فاقد زیرساخت لازم برای مدیریت نیازهای بالای پردازش داده و مصرف انرژی هستند که برای بهره‌برداری بهینه از هوش مصنوعی لازم است. این محدودیت یک چالش برای پیاده‌سازی موفقیت‌آمیز هوش مصنوعی در حمایت از ابتکارات مهم شرکتی، از جمله اهداف محیطی، به‌شمار می‌آید. تقریباً همه خریداران فناوری اطلاعات مجبورند اثرات زیست‌محیطی خود را کاهش دهند. بیشتر آن‌ها بر این باورند که اهداف فناوری اطلاعات بدون آماده‌سازی مناسب زیرساخت برای پشتیبانی از هوش مصنوعی نمی‌توانند محقق شوند.
نیاز به سرمایه‌گذاری در زیرساخت داده‌ها
تقاضا برای یک زیرساخت هوشمندتر هرگز به این اندازه بالا نبوده است. سیستم‌های قدیمی اغلب قادر به پشتیبانی از جریان‌های داده عظیم هوش مصنوعی نیستند که برای بهره‌برداری کامل از یادگیری ماشینی لازم است. با سرعت بالای پذیرش هوش مصنوعی، تیم‌های فناوری اطلاعات به یک زیرساخت کارآمد، قابل‌اعتماد و قدرتمند نیاز دارند تا از پیاده‌سازی موثر اطمینان حاصل کنند.
«برنامه‌ریزی برای تغییرات و تضمین انعطاف‌پذیری کلید پذیرش هوش مصنوعی است. با افزایش نمایی نیازهای انرژی و داده در عصر هوش مصنوعی، سرمایه‌گذاری و استفاده از زیرساخت داده مناسب برای هوش مصنوعی نه تنها برای پیاده‌سازی موثر و بهره‌وری انرژی حیاتی است، بلکه برای دستیابی به بیشترین بهره‌وری از پروژه‌های هوش مصنوعی نیز ضروری است»، می‌گوید راب لی، مدیر ارشد فناوری شرکت Pure Storage. گزارش فعلی به رهبران فناوری اطلاعات بینش‌های مهمی درباره پیامدها ارائه می‌دهد که در صورت عدم برنامه‌ریزی برای تغییرات لازم برای پیاده‌سازی هوش مصنوعی با آن مواجه خواهند شد، و همچنین مزایایی که در صورت آماده‌سازی برای تأثیرات هوش مصنوعی بر زیرساخت خواهند داشت. ()