あなたのクラウド ネットワークは生成 AI に対応していますか?

生成型人工知能 (AI) は、企業に数兆ドルの価値をもたらし、私たちの働き方を根本的に変える可能性を秘めています。この画期的な技術は、すでに世界経済のほぼすべての分野、そして私たちの生活の多くの側面に浸透しており、人々はすでに AI を使って銀行の明細書を確認したり、薬の処方箋を要求したりしています。現在の予測では、生成 AI によって従業員の時間の最大 70% が自動化される可能性があるとされています。

しかし、アプリケーションや業界に関係なく、生成 AI の影響はクラウド コンピューティング エコシステムで最も顕著に現れます。

企業がクラウド運用でこのテクノロジーを急いで活用する中、生成 AI モデルを安全かつ確実に責任を持って導入する前に、まずネットワーク接続の要件とリスクを理解することが重要です。

データセットへのアクセス

定義上、大規模言語モデル (LLM) は非常に大きいため、そのような LLM をトレーニングするには大量のデータと超高速コンピューティングが必要になり、データセットが大きくなるほど、コンピューティング能力に対する需要も大きくなります。

注目すべきは、パブリック クラウド環境で生成 AI モデルをトレーニングするための主な接続要件の 1 つは、データセットの規模に手頃な価格でアクセスできることであり、これらの LLM をトレーニングするために必要な膨大な処理能力は、パズルの一部にすぎないということです。これ以外にも、パブリック クラウドで転送中のデータを管理するための主権、セキュリティ、プライバシーの要件など、考慮する必要がある他の要素があります。

2022 年には、39% の企業がクラウド環境でデータ侵害を経験しました。これを念頭に置くと、高性能および AI ワークロード向けに特別に設計された、市場にある特殊な接続製品を検討することが理にかなっています。

新たな規制動向

世界的な規制の枠組みは複雑で変化する可能性があるため、企業は AI 分野で急速に出現している主要な公共政策と規制の動向に細心の注意を払う必要があります。

企業は現在、データ マッピングやデータ損失防止などのテクノロジを実装して、すべての個人データがどこに保存されているかを常に把握し、それに応じて保護する必要があります。プライバシー・バイ・デザインとも言えるこのアプローチは、欧州一般データ保護規則 (GDPR) の開発義務だけでなく、米国のデータプライバシー法でも採用されています。

オフィスに 50 台のメインフレームを設置し、その計算能力のほとんどをそこに保管している多国籍銀行を想像してください。その目標はデータに対して人工知能分析を実行することですが、多くのワークロードが規制上の制限の対象となるため、パブリックインターネットを使用してこれらのクラウド環境に接続することはできません。さらに、プライベート接続により、企業のローカル規制フレームワーク内に存在する生成 AI 機能にアクセスできるようになります。

データ主権の維持

AI に関する法律が拡大し続けるにつれて、生成 AI 技術の広範な導入により、データ主権に長期的な課題が生じる可能性があります。企業が主権境界を保証できる唯一の方法は、データの転送時に何らかの形式のプライベート接続を使用することです。世界がよりデジタル的につながるようになるにつれ、各国はデータが保存される場所と、それを処理する LLMS が保存される場所を定義し、規制するよう求められています。

パブリック クラウド上の AI トレーニング モデルでも同様です。企業には、プライベート クラウドからパブリック クラウドへの何らかの接続が必要になり、そこで AI モデルをトレーニングし、その後プライベート接続を使用して推論モデルを戻す必要があります。

注意すべき点は、一部の国では特定のデータを国内に留めておくことを義務付ける法律があるものの、必ずしもこれによって安全性が高まるわけではないということです。たとえば、企業がパブリッククラウド サービスを使用して顧客データを他の国との間で転送するためにパブリック インターネットを使用する場合、そのデータは国内で送信される可能性がありますが、誰かがそのデータを傍受して世界中に送信する可能性があります。

レイテンシとネットワーク輻輳の重要性

私たちは毎日大量の音声通話やビデオ通話を受けているため、遅延に対して敏感になっています。人とのやり取りにおいては、レイテンシーが重要な要素であることに気づいていない人もいます。同様に、AI モデルのトレーニングに使用される膨大なデータセットは、パブリック クラウド上で深刻な遅延問題を引き起こす可能性があります。

たとえば、カスタマー サービスを提供する AI ボットとチャットしている場合、遅延が 10 秒を超え始めると、離脱率が加速します。したがって、パブリック インターネットを使用して顧客向けインフラストラクチャを推論モデルに接続すると、シームレスなオンライン エクスペリエンスに潜在的に危険が及ぶ可能性があり、応答時間の変動により、企業が有意義な結果を提供する能力に影響を及ぼす可能性があります。

同時に、ネットワークの輻輳により、企業が時間どおりにモデルを構築する能力に影響を及ぼす可能性があります。これを克服する方法は、大規模なパイプラインを使用して、メインデータセットを言語モデルのトレーニング場所に移動するときに混雑が発生しないようにすることです。その結果、企業は、特に LLM に新しいデータを転送する際に、間違いなくバックログにつながる深刻な混雑を回避できるようになります。

不適切なAI管理による悪影響

ガバナンスは現在議論されているトピックです。適切な AI ガバナンスがなければ、企業に深刻な影響が及ぶ可能性があり、商業的損害や評判の損失につながる可能性があります。

クラウド上で生成 AI モデルを実装する場合、監視が不十分だとエラーや違反が発生しやすくなり、顧客データやその他の独自情報が漏洩する可能性もあります。つまり、生成 AI の信頼性は、企業がそれをどのように使用するかによって決まります。つまり、誰がデータにアクセスでき、データ承認の追跡可能性はどこで得られるのでしょうか?

生成AIの無限の可能性

生成 AI は変革をもたらす分野ですが、IT リーダーはアプリケーションを展開する前にネットワーク接続エラーを回避する必要があります。

生成 AI ではデータ アクセスがすべてであるため、既存のクラウド アーキテクチャに関連してビジネス要件を定義することが重要です。パブリック クラウドのリスクを回避するのではなく、Network as a Service (NaaS) プラットフォームの高性能な柔軟性により、先進的な企業に先行者利益をもたらすことができます。

たとえば、NaaS ソリューションは、新しいネットワーク テクノロジーを組み合わせて、より広範なビジネスと顧客保護のための生成 AI のガバナンス ニーズをサポートします。

AI システムは、クラウドをグローバル ネットワーク インフラストラクチャと相互接続することによって採用され、完全に自動化されたスイッチングとオンデマンド ルーティングを提供し、NaaS の俊敏性によって簡素化できます。