Fabryka AI on-premise: Jak chronić dane i rozwijać AI na ​własnych warunkach

Jak byśmy mieli porównać sobie AI on-premise i AI w cloudzie, a także AI hybrydowe, takie rozwiązania też hybrydowe mamy, to jakie byście tutaj wskazali takie zalety i wady jednego, drugiego i trzeciego rozwiązania? Wydaje mi się, że przede wszystkim to, o czym już wspominałem właśnie, że w przypadku tego AI w Cloudzie mamy tutaj bardzo ważny benefit w postaci tego szybkiego dostępu do innowacji. Ale oczywiście zaraz wada też tego.

I ja to lubię porównywać do Sokoła Millennium. Nie wiem, czy widziałeś taki zestaw Lego, który ma 7500 elementów. Instrukcja ma 500 stron. Każdy może sobie kupić tego Sokoła. No a jeżeli ma parę wolnych weekendów, to jeszcze usiąść z dziećmi i sobie poskładać imponującą, super zabawkę. Natomiast pytanie, kto ma czas na takie składanie? No i pytanie również, co będzie, jak złożyć tego Sokoła? I zostaniesz z tym kluczem, którego w środku zapomniałeś włożyć, nie? I poprzez taką analogię podobnie można podejść właśnie do wdrożeń, czy w ogóle do planowania tematów związanych ze sztuczną inteligencją. Możesz to zrobić sam, jeżeli masz ludzi, jeżeli masz czas. Wiedza leży do wzięcia w internecie, tylko możesz się potknąć, no i musisz mieć kim i kiedy to zrobić.

Alternatywa, no to jeżeli zapłacisz komuś, kto ci przyniesie tego sokoła już złożonego. I to jest właśnie nasza rola, tak naprawdę jako integratora, że bierzemy jedno z tych gotowych rozwiązań, dokładając do niego jeszcze naszą wiedzę związaną z tym, jak to wszystko podkładać, jak to wszystko wyskalować, jak dobrać odpowiednie rozwiązanie, bo jest ich wiele. Ale my to przekładamy na coś, co nazywamy referencyjnymi architekturami i mamy po prostu taką architekturę, która się nazywa AI Ready i oznacza z punktu widzenia klienta, że dostaje coś, co jest dostosowane do jego rozmiaru, A jeśli chodzi o sam też kierunek, to taki aspekt techniczny, to o czym już wspominaliśmy, właśnie wzrost tego zapotrzebowania