생성적 AI 시스템을 채택하면 엔터프라이즈 클라우드 아키텍처를 변화시킬 수 있습니다.

데이터 가용성 및 보안부터 대규모 언어 모델, 선택 및 모니터링에 이르기까지 기업에서 생성 AI를 채택한다는 것은 클라우드 아키텍처를 재검토한다는 것을 의미합니다.

그래서 많은 기업이 클라우드 아키텍처를 재구축하고 생성 인공지능 시스템을 개발하고 있습니다. 그렇다면 이러한 기업에서는 어떤 변화가 필요합니까? 업계 전문가들은 지난 20년 동안, 특히 지난 2년 동안 기업이 이러한 플랫폼을 구축하도록 도왔다고 말했습니다. 기업:

자신의 사용 사례 이해

기업은 클라우드 아키텍처에서 생성 AI의 목적과 목표를 명확하게 정의해야 합니다. 잘못된 피드백이 보인다면 비즈니스 시스템에서 인공지능을 생성한다는 것이 무엇을 의미하는지 이해하지 못하기 때문입니다. 기업은 콘텐츠 생성, 추천 시스템, 기타 애플리케이션 등 자신의 목표가 무엇인지 이해해야 합니다.

이는 고위급 기업 경영진이 설정된 목표에 대해 합의에 도달하고 목표 달성 방법, 가장 중요하게는 성공을 정의하는 방법을 명확히 해야 함을 의미합니다. 이는 프로덕션 AI에만 국한되지 않습니다. 이는 모든 마이그레이션과 클라우드에 구축된 새로운 시스템의 성공을 향한 한 걸음입니다.

클라우드 플랫폼에서 기업이 개발한 많은 스마트 프로젝트는 비즈니스 사용 사례를 잘 이해하지 못하기 때문에 실패합니다. 회사가 개발한 제품은 멋지지만 비즈니스에 어떤 가치도 가져다주지 않습니다. 이 접근 방식은 작동하지 않습니다.

데이터 소스와 품질이 핵심입니다

효과적인 지능형 모델을 훈련하고 추론하려면 생성 AI 모델의 훈련과 추론을 식별하는 데 효과적인 데이터 소스가 필요하며, 이는 접근 가능하고 고품질이며 신중하게 관리되는 데이터여야 합니다. 기업은 또한 클라우드 컴퓨팅 스토리지 솔루션의 가용성과 내결함성을 보장하기 위해 클라우드 컴퓨팅 스토리지 솔루션의 가용성과 내결함성을 보장해야 합니다.

생성기능 시스템은 데이터 중심 시스템이라고 할 수 있는 고도로 지능적인 데이터 중심 시스템입니다. 데이터는 기능적 시스템을 구동하여 결과를 생성하는 연료입니다. 그러나 데이터 품질은 여전히 ​​"가비지 인, 쓰레기 아웃"으로 남아 있습니다.

이를 위해 데이터 접근성을 클라우드 아키텍처의 주요 동인으로 고려하는 것이 도움이 됩니다. 기업은 가장 관련성이 높은 데이터를 교육 데이터로 액세스해야 하며, 일반적으로 데이터를 단일 물리적 엔터티로 마이그레이션하는 대신 저장된 위치에 유지해야 합니다. 그렇지 않으면 중복된 데이터가 발생하고 단일 진실 소스가 없게 됩니다. AI 모델에 데이터를 공급하기 전에 데이터를 전처리하고 정리하는 효율적인 데이터 관리 파이프라인을 고려하세요. 이는 데이터 품질과 모델 성능을 보장합니다.

발전 기능을 활용한 클라우드 아키텍처로 80% 성공. 클라우드 설계자는 이러한 시스템에 고품질 데이터를 제공하기보다는 기능 생성에 더 중점을 두기 때문에 이는 가장 간과되는 요소입니다. 사실 데이터가 전부입니다.

데이터 보호 및 개인 정보 보호

데이터가 중요한 것처럼 데이터의 보안과 개인 정보 보호도 중요합니다. 생성적 AI 처리는 무의미해 보이는 데이터를 민감한 정보를 노출할 수 있는 데이터로 변환할 수 있습니다.

기업은 AI가 사용하는 민감한 데이터와 AI가 생성할 수 있는 새로운 데이터를 보호하기 위해 강력한 데이터 보안 조치, 암호화 및 액세스 제어를 구현해야 합니다. 기업은 관련 데이터 개인 정보 보호 규정을 준수해야 합니다. 이는 최후의 수단으로 기업 아키텍처에 일부 보안 시스템을 설치한다는 의미가 아니라 모든 단계에서 시스템에 보안을 적용해야 한다는 의미입니다.

확장성 및 추론 리소스

기업은 다양한 워크로드와 데이터 처리 요구 사항을 수용할 수 있도록 확장 가능한 클라우드 리소스를 계획해야 합니다. 대부분의 기업에서는 자동 확장 및 로드 밸런싱 솔루션을 고려합니다. 우리가 보는 더 심각한 실수 중 하나는 확장성은 좋지만 매우 비용이 많이 드는 시스템을 구축하는 것입니다. 확장성과 비용의 균형을 맞추는 것이 가장 좋지만, 이를 위해서는 좋은 아키텍처와 클라우드 비용 최적화 관행이 필요합니다.

또한 기업은 추론 리소스를 확인해야 합니다. 클라우드 컴퓨팅 업계 컨퍼런스의 많은 뉴스가 이 주제를 중심으로 다루고 있으며 그럴 만한 이유가 있는 것으로 나타났습니다. 모델 학습 및 추론을 위해 GPU 또는 TPU가 포함된 적절한 클라우드 인스턴스를 선택하세요. 그리고 비용 효율성을 달성하기 위해 리소스 할당을 최적화합니다.

모델 선택을 고려하세요

기업의 특정 사용 사례와 요구 사항에 따라 생성 AI 아키텍처(Universal Adversarial Networks, Transformers 등) 예시를 선택하세요. 모델 교육을 위해 클라우드 서비스(예: AWSSageMaker 등) 사용을 고려하고 최적화된 솔루션을 찾으세요. 이는 또한 기업에 연결된 모델이 많이 있을 수 있으며 이것이 표준이 될 것이라는 점을 이해하는 것을 의미합니다.

기업은 AI 모델이 기업 클라우드 아키텍처의 애플리케이션 및 서비스에 액세스할 수 있도록 버전 제어 및 컨테이너화를 포함한 강력한 모델 배포 전략을 구현해야 합니다.

모니터링 및 로깅

AI 모델의 성능, 리소스 활용도 및 잠재적인 문제를 추적하기 위해 모니터링 및 로깅 시스템을 설정하는 것은 선택 사항이 아닙니다. 클라우드에서 생성된 인공 지능을 처리하기 위한 이상 경고 메커니즘 및 관측 가능성 시스템을 구축합니다.

또한 생성 AI는 리소스 집약적일 수 있으므로 클라우드 리소스 비용을 지속적으로 모니터링하고 최적화하세요. 클라우드 비용 관리 도구 및 사례를 사용한다는 것은 클라우드 비용 최적화가 배포의 모든 측면을 모니터링하여 운영 비용을 최소화하고 아키텍처 효율성을 향상시키는 것을 의미합니다. 대부분의 아키텍처에는 조정과 지속적인 개선이 필요합니다.

기타 고려 사항

고가용성을 보장하려면 장애 조치 및 중복성이 필요하며 재해 복구 계획을 통해 시스템 오류 발생 시 가동 중지 시간과 데이터 손실을 최소화할 수 있습니다. 필요한 경우 중복성을 구현합니다. 또한 클라우드 인프라에 있는 생성 AI 시스템의 보안을 정기적으로 감사하고 평가하세요. 취약점을 해결하고 규정 준수를 유지하세요.

특히 생성 AI 시스템이 콘텐츠를 생성하거나 사용자에게 영향을 미치는 결정을 내릴 때 AI의 윤리적 사용에 대한 지침을 수립하는 것이 좋습니다. 또한, 편견과 공정성 문제도 해결되어야 합니다. 인공지능과 공정성에 관한 소송이 진행 중이며, 기업은 자신들이 옳은 일을 하고 있는지 확인해야 합니다. 기업은 AI 생성 콘텐츠가 사용자 기대를 충족하고 참여를 유도하도록 사용자 경험을 지속적으로 평가해야 합니다.

기업이 생성 AI 시스템을 사용하는지 여부에 관계없이 클라우드 아키텍처의 다른 측면은 거의 동일합니다. 중요한 것은 훨씬 더 중요한 것이 있다는 것을 깨닫고 클라우드 아키텍처를 지속적으로 개선하는 것입니다.