智能數據基礎設施公司NetApp??(NASDAQ: NTAP)今天發布了其最新報告中關于企業人工智能不斷發展的見解。由NetApp贊助的IDC白皮書“負責任地擴展人工智能計劃：智能數據基礎架構的關鍵作用*”揭示了不同程度的人工智能成熟度所面臨的各種挑戰和業務優勢，并深入分析了領先組織在以負責任的方式擴展人工智能和生成式人工智能(GenAI)工作負載方面所采取的成功策略。通過重點介紹可實踐的方法，報告旨在幫助企業避免常見的陷阱，確保其人工智能計劃不會成為可能失敗的20%之一。報告還介紹了一個詳細的人工智能成熟度模型，該模型根據組織的人工智能方法來評估組織的進展，從人工智能新手和人工智能先鋒，到人工智能領導者和人工智能大師。

智能數據基礎設施是人工智能成功的基礎

IDC白皮書發現：

• 人工智能大師通過以下方式優化其數據基礎設施，以實現轉型人工智能計劃：以最少的準備工作輕松訪問企業數據集，并設計一個支持各種數據類型和訪問方法的統一、混合、多云環境。

• 人工智能大師的人工智能目標更為遠大，但也遇到了與數據相關的故障，包括基于基礎設施的數據訪問限制(21%)、合規性限制(16%)和數據不足(17%)。

• 人工智能新手也面臨著類似的挑戰，但它們也遇到了預算限制（新手占20%，人工智能大師占9%）、模型訓練數據不足（新手占26%，人工智能大師占17%）以及數據訪問方面的業務限制（新手占28%，人工智能大師占20%）。

研究結果表明，企業需要一個智能數據基礎設施，以便負責任地擴展人工智能計劃。企業的人工智能成熟度取決于其所擁有的基礎設施水平，這些基礎設施不僅能推動人工智能項目的長期成功，還能推動相關業務成果的實現。那些剛剛開始或最近才開始人工智能之旅的企業通常擁有不同的數據架構或更統一的架構方面的計劃，而人工智能領導者和人工智能大師很可能已經在執行統一的愿景。因此，擁有最多人工智能經驗的組織失敗的可能性較小。

NetApp高級副總裁兼首席技術官Jonsi Stefansson表示：“這份IDC白皮書進一步證實，企業需要智能數據基礎設施來負責任地擴展人工智能，并提高人工智能計劃的成功率。有了智能數據基礎設施，企業就能靈活地在任何地方訪問任何數據，并通過集成的數據管理來確保數據安全、保護和治理，以及可優化性能、成本和可持續性的適應性運營。”

數據基礎設施的靈活性對數據訪問和人工智能計劃的成功至關重要

IDC白皮書發現：

• 48%的人工智能大師報告說，他們的結構化數據和43%的非結構化數據可即時訪問，而人工智能新手的這一比例分別僅為26%和20%。

• 人工智能大師(65%)和人工智能新手(35%)表示，他們目前的數據架構可以將組織的私有數據與人工智能云服務無縫集成。

調查顯示，人工智能大師深知，他們用于轉型人工智能計劃的數據架構和基礎設施必須能夠輕松訪問企業數據集，而無需進行任何準備或預處理，或者只需進行少量準備或預處理。

IDC全球人工智能和自動化研究實踐集團副總裁、全球人工智能研究負責人Ritu Jyoti表示：“在人工智能計劃的設計和規劃過程中做出的基礎設施決策必須考慮到架構的靈活性。人工智能和GenAI工作流的數據輸入具有動態性質，這意味著輕松訪問分布式和多樣化數據（包括具有不同特征的結構化和非結構化數據集）至關重要。這就需要一種靈活、統一的存儲方法、通用控制平面以及管理工具，使數據科學家和開發人員能夠通過MLOps集成無縫地消費數據。”

有效的數據治理和安全流程推動人工智能取得成功

IDC白皮書發現：

• 人工智能新手無法取得進展的原因往往是缺乏標準化的管理政策和程序；只有8%的人工智能新手在所有人工智能項目中完成并標準化了這些政策和程序，而在人工智能大師中，這一比例為38%。

• 51%的人工智能大師表示，他們已經制定了標準化政策，并由組織內的一個獨立小組嚴格執行，而只有3%的人工智能新手達到這樣的水平。

研究發現，有效的數據管理和數據安全是衡量組織在人工智能領域成熟度的重要指標。負責任地、安全地管理數據仍然是企業面臨的一個關鍵問題，因為人工智能利益相關者往往試圖通過縮短安全流程來加速開發。從那些更成功地從其人工智能計劃中取得積極成果的組織的反饋來看，管理和安全不僅僅是成本中心，而是創新的重要推動因素。通過優先考慮安全性、數據主權和監管合規性，組織可以降低人工智能和GenAI計劃的風險，并確保其數據工程師和科學家能夠專注于最大限度地提高效率和生產力。

高效利用資源對負責任地擴展人工智能非常重要

IDC白皮書發現：

• 43%的人工智能大師在開發人工智能模型時已明確定義了評估資源效率的指標，這些指標已在所有人工智能項目中完成并標準化，而人工智能新手的這一比例僅為9%。

• 在所有受訪者中，63%的企業表示需要進行重大改進或全面檢修，以確保其存儲系統針對人工智能進行優化，只有14%的企業表示無需改進。

隨著人工智能工作流程日益成為幾乎每個行業不可或缺的一部分，承認其對計算和存儲基礎設施、數據和能源資源及其相關成本的影響至關重要。人工智能成熟度的一個關鍵衡量標準是定義和實施指標，以評估創建人工智能模型過程中的資源使用效率。

方法

2023年12月和2024年1月，IDC通過網絡調查的方式，對參與人工智能計劃相關的IT運營、數據科學、數據工程和軟件開發的全球決策者進行了24次深度訪談和1220次定量訪談。這些訪談深入揭示了當今人工智能計劃的現狀，包括一系列挑戰、眾多業務優勢以及領先組織為取得成功而采取的最佳實踐。

在進行這項分析時，IDC開發了一個人工智能成熟度模型，根據組織目前在數據和存儲基礎設施、數據政策和治理、資源效率重點以及利益相關者支持和協作方面的人工智能方法，將其分為四個成熟度級別。這些成熟度級別分別為人工智能新手、人工智能先鋒、人工智能領導者和人工智能大師。

*資料來源：IDC白皮書，由NetApp贊助，“負責任地擴展人工智能計劃：智能數據基礎設施的關鍵作用”(Scaling AI Initiatives Responsibly: The Critical Role of an Intelligent Data Infrastructure)，文檔編號：US52048524，2024年4月