マッキンゼーのパートナー: Generative AI はクラウド移行におけるさまざまな課題の解決に役立ちます

McKinsey & Company パートナーの Bhargs Srivathsan 氏は、シンガポールで行われた最近のカンファレンスで、生成 AI テクノロジーが適切に使用されている限り、クラウド移行の作業負荷を 30% ～ 50% 削減できると期待されていると述べました。 。

Srivathsan 氏は、「現在の進捗状況は、まだ最初の一歩を踏み出したばかりであるとしか言えません。大規模言語モデル (LLM) が成熟するにつれて、ワークロードをパブリック クラウドに移行するスケジュールは今後も短縮されるでしょう。

彼女は、組織がまず大規模な言語モデルを使用してシステム内のインフラストラクチャを理解し、欠点と利点を分析し、その後、それを適用し続けることを提案しました。ワークロードの移行が完了すると、AI ツールが移行が実際に効果的かどうかを確認します。

さらに、大規模な言語モデルを使用して、アーキテクチャ検討委員会のガイドラインなどの説明資料の作成など、より多くの関連作業を完了することもできます。

パートナーは、多くの企業が AI テクノロジーの導入を検討し始めたばかりであるものの、マッキンゼーが投資している企業の 40% がすでに IT 投資を更新していると述べました。

Srivathsan は、生成 AI とクラウドの関係は「共生」であると信じています。

「パブリック クラウドの普及がなければ、生成型 AI を真に実現することは不可能であることを認めなければなりません。同様に、生成型 AI はパブリック クラウドへの移行を効果的に加速し、ユーザーが元のクラウドから移行するのを支援することもできます。」

Srivathsan 氏の見解では、生成 AI の 4 つの主要なユースケースは、コンテンツ生成、顧客エンゲージメント、合成データの作成、コードの作成です。もちろん、ここでコードを書くということは、ソフトウェア開発をゼロから完成させることではありません。生成 AI のコーディング能力は主に、従業員が退職した後に誰も知らないレガシー コードを引き継いだり、元のコードを新しい言語形式に変換したりすることに反映されます。

彼女はまた、内部モデルを構築しようとするよりもパブリック クラウドの信頼性が高い理由は、企業ユーザーが十分な GPU を確保していないことが多いためであると強調しました。また、市販されている既製の市販モデルのコストも、自己トレーニングに比べて安価です。

Srivatthsan 氏は、規制された業界に従事しているユーザー、大量の独自データを所有しているユーザー、または知的財産権の侵害を懸念しているユーザーに対しても、対応するガードレールを設定できると指摘しました。

彼女の意見では、大規模な言語モデルは、モデルが成熟するまでの今後 5 ～ 6 年間、主に超大規模インフラストラクチャ環境で実行されることになります。そして、多くの人が想像しているのとは異なり、生成 AI の実装には必ずしもそのような過大なコンピューティング能力の予備力は必要ありません。結局のところ、レイテンシーにこれほど厳しい要件を課すユースケースはほとんどありません。

つまり、テスラで動作する自動操縦機能や、製造工場のリアルタイム操作を指示するソフトウェアでない限り、ハードウェアを過剰に積み上げる必要はありません。

また、ほとんどの場合、カスタム モデルや大規模モデルを使用する必要はありません。

マッキンゼーのパートナーは、「多くの企業は、ピザを配達するためにスーパーカーを購入する必要があると考えています。もちろん、その必要はありません。実際にニーズを満たすモデルは、それほど複雑ではなく、それほど大きくないことがよくあります。」とコメントしました。たとえば、カスタマー サービス サポート スクリプトを生成するために、650 億個のパラメータを持つ大規模なモデルを使用する必要はまったくありません。」

しかし、彼女はまた、開発者が独自のモデルではないモデル、またはデータにアクセスできないようにするには、組織内と組織外の間に API ゲートウェイを追加して、「リアルタイム アラート」メカニズムを確立する必要があります。

以上がマッキンゼーのパートナー: Generative AI はクラウド移行におけるさまざまな課題の解決に役立ちますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。