IT部門的任務是支持人工智能和機器學習計劃，這需要廣泛考慮當前和未來的基礎設施需求。

人工智能（AI）和機器學習（ML）是新興領域，將會以前所未有的速度改變企業(yè)的發(fā)展。在數(shù)字時代，可以使用分析技術發(fā)現(xiàn)大量數(shù)據(jù)中的關鍵見解。

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)增長以及數(shù)據(jù)的復雜性，這不會起到更大的作用。人工智能（AI）和機器學習（ML）是數(shù)據(jù)科學家的最新工具，使他們能夠更快地將數(shù)據(jù)轉化為價值。

數(shù)據(jù)爆炸需要人工智能（AI）和機器學習（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)進行操作。如今的環(huán)境完全不同，其中有更多的設備和系統(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)字化的世界中競爭的唯一方法是使用人工智能（AI）和機器學習（ML）。

人工智能（AI）和機器學習（ML）用例因垂直領域而不同

雖然沒有通用的“殺手級應用程序”，但人工智能（AI）和機器學習（ML）適用于大多數(shù)垂直領域。因此有許多適用于各種行業(yè)的關鍵用例。常見用例包括：

醫(yī)療保健——快速診斷MRI掃描的異常檢測

汽車——分類用于識別道路中的物體

零售——可以準確預測未來的銷售額

聯(lián)絡中心——翻譯使坐席能夠用不同的語言與人類交談

基礎設施所需的高質量數(shù)據(jù)

無論用例如何，人工智能（AI）和機器學習（ML）的成功取決于在基礎設施方面的正確選擇，這需要了解數(shù)據(jù)的作用。人工智能（AI）和機器學習（ML）的成功很大程度上取決于輸入系統(tǒng)的數(shù)據(jù)質量。人工智能行業(yè)有一個公理，即“糟糕的數(shù)據(jù)會導致糟糕的推論”，這意味著企業(yè)應該關注如何管理數(shù)據(jù)。因此可以將這個公理擴展到“良好的數(shù)據(jù)導致良好的推論”，而在此強調的是，需要采用正確的基礎設施來確保數(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）的每個用例中都起著關鍵作用。例如，通過讓機器學習在企業(yè)生成的大數(shù)據(jù)湖中找到見解，可以推動創(chuàng)新。事實上，企業(yè)可以在數(shù)據(jù)科學的基礎上培養(yǎng)組織內部的新思維。關鍵是要了解數(shù)據(jù)在人工智能（AI）和機器學習（ML）工作流程的每個步驟中所起的作用。

人工智能（AI）和機器學習（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)準備、數(shù)據(jù)轉換和存儲

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

訓練：模型開發(fā)、驗證和數(shù)據(jù)分類

部署：執(zhí)行推斷

數(shù)據(jù)面臨的最大挑戰(zhàn)之一是實時構建數(shù)據(jù)管道。使用新數(shù)據(jù)源進行探索和發(fā)現(xiàn)工作的數(shù)據(jù)科學家需要收集、準備、建模、推斷。因此，IT需要在每個階段進行更改，并且從更多來源收集更多數(shù)據(jù)。

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

支持人工智能（AI）和機器學習（ML）的基礎設施的關鍵考慮因素

位置：人工智能（AI）和機器學習（ML）并不只在云平臺中進行，也不只在現(xiàn)場處理。這些舉措應該在給定輸出最有意義的位置執(zhí)行。例如，機場安檢的面部識別系統(tǒng)應該在本地進行分析，因為將信息發(fā)送到云平臺并返回所花費的時間會增加該過程的延遲。因此，組織需要確保將基礎設施部署在云端、本地數(shù)據(jù)中心以及邊緣，而優(yōu)化人工智能計劃的性能是至關重要的。

高性能基礎設施的廣度：如前所述，人工智能性能高度依賴于基礎設施。例如，與傳統(tǒng)的中央處理單元（CPU）相比，圖形處理單元（GPU）可以將深度學習的速度提高100倍。服務器供電不足將導致流程延遲，而過度供電則會浪費電力成本。無論策略是端到端還是最佳策略，都要確保計算硬件具有正確的計算處理能力以及高速存儲設備。這需要組織選擇具有廣泛產品組合的供應商，其產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)過驗證的設計：基礎設施顯然非常重要，但運行的軟件也是如此。一旦安裝了軟件，可能需要幾個月的時間來調整和優(yōu)化以適應底層硬件。組織需要選擇預先安裝軟件并具有經(jīng)過驗證的設計的供應商，以便縮短部署時間，并確保性能得到優(yōu)化。

數(shù)據(jù)中心的擴展：人工智能基礎設施并不是孤立存在的，應被視為當前數(shù)據(jù)中心的一種擴展。在理想情況下，企業(yè)應該尋找可以使用現(xiàn)有工具進行管理的解決方案。

端到端管理：沒有單一的人工智能技術可以投入，并開啟采用人工智能過程。它由若干移動部件組成，其中包括服務器、存儲、網(wǎng)絡和軟件，并且在位置方面有多種選擇。最好的解決方案應該是整體解決方案，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)絡基礎設施：在部署人工智能時，組織需要將重點放在支持GPU的服務器、閃存存儲和其他計算基礎設施上。這是有道理的，因為人工智能處理器和存儲設備部署非常密集。但是，必須為存儲系統(tǒng)和服務器提供遍歷網(wǎng)絡的數(shù)據(jù)。人工智能的基礎設施應被視為一個“三足凳”，其中的三條腿分別是網(wǎng)絡、服務器和存儲。每個組件的進步都必須快速地相互跟進。任何一個組件的滯后都會影響性能。因此，組織應該對網(wǎng)絡實施與服務器和存儲設備相同的盡職調查。

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、財務信息和個人數(shù)據(jù)。泄露這些數(shù)據(jù)可能對組織造成災難性后果。此外，輸入不良數(shù)據(jù)可能會導致人工智能系統(tǒng)做出錯誤的推斷，從而導致有缺陷的決策。必須使用先進的技術從頭到尾保護人工智能基礎設施。

專業(yè)服務：專業(yè)服務應該是基礎設施決策的一部分。大多數(shù)組織，尤其是缺乏經(jīng)驗的組織，在人工智能方面都沒有必要的技能。服務合作伙伴可以在人工智能生命周期內提供必要的培訓、咨詢、實施和優(yōu)化服務，并且應該是部署的核心組件。

廣泛的生態(tài)系統(tǒng)：人工智能供應商與具有廣泛生態(tài)系統(tǒng)的供應商進行合作至關重要，并且可以將人工智能的所有組件結合在一起，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導致業(yè)務延遲甚至失敗。因此，選擇具有強大生態(tài)系統(tǒng)的供應商可以快速實現(xiàn)成功。

從歷史上看，人工智能（AI）和機器學習（ML）項目由數(shù)據(jù)科學專家負責運營，但隨著這些技術進入應用主流，它們正在迅速向IT專業(yè)人員過渡。隨著正在發(fā)生的轉變，以及人工智能（AI）計劃變得更加普及，IT組織應該更廣泛地考慮支持人工智能（AI）的基礎設施。而不是為特定項目購買服務器、網(wǎng)絡基礎設施和其他組件，組織目標應該是更廣泛地考慮當前和未來的業(yè)務需求，類似于當今數(shù)據(jù)中心的運行方式。