マッキンゼーのパートナー：ジェネレーティブ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つ

マッキンゼー・アンド・カンパニーのパートナーであるバーグス・スリヴァサン氏は、シンガポールで最近開催された会議で、生成AI技術を適切に使用すれば、クラウド移行の作業負荷を30～50％削減できる可能性があると述べた。

Srivathsan 氏は、「現在の進歩は、まだ第一歩を踏み出したばかりとしか言えません。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までの期間はさらに短縮され、移行プロセスの効率も向上するでしょう」と考えています。

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調査し、その欠点と長所を分析し、ワークロードの転送が完了した後も AI ツールを継続的に適用して、移行が効果的かどうかを確認することを推奨しています。

さらに、大規模な言語モデルを使用すると、アーキテクチャ審査委員会のガイドラインなどの説明資料の作成など、より関連性の高い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技術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た企業の40％がすでにIT投資を更新していると述べた。

Srivathsan 氏は、生成 AI とクラウドの間には「共生」関係があると考えています。

「パブリック クラウドの普及がなければ、生成 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 AI はパブリック クラウドへの移行を効果的に加速し、ユーザーが元のパブリック クラウドから解放され、そこから脱却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 つの主要な使用例は、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、およびコードの作成です。もちろん、ここでコードを記述するということは、ソフトウェア開発をゼロから完了することを意味するものではありません。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使い慣れてい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。

また、社内でモデルを構築するよりもパブリック クラウドの方が信頼性が高い理由は、企業ユーザーが十分な GPU の余裕を持っていないことが多いためだと強調しました。さらに、市販の既成モデルのコストは、自己トレーニングよりも安価です。

スリヴァトサン氏は、規制産業に従事しているユーザーや、大量の独自データを持っているユーザー、知的財産権の侵害を懸念しているユーザーのためにガードレールを設置することもできると指摘した。

彼女の意見では、大規模言語モデルは、モデルが成熟するまでの今後 5 ～ 6 年間は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、多くの人が想像するのとは反対に、生成 AI の実装には、必ずしもこれほど過大な計算パワーの予備力は必要ありません。結局のところ、レイテンシに関してこれほど厳しい要件を持つユースケースはほとんどありません。

つまり、テスラで稼働している自動運転機能や、製造現場のリアルタイムな動作を司るソフトウェアでない限り、ハードウェアをあまり積み上げる必要はないのです。

さらに、ほとんどの場合、カスタム モデルや大規模なモデルは必要ありません。

「ピザを配達するにはスーパーカーが必要だと考える企業が多い」とマッキンゼーのパートナーはコメントした。 「もちろん、そうではありません。本当にニーズを満たすモデルは、通常、それほど複雑でも大きくもありません。たとえば、カスタマー サポート スクリプトを生成するのに 650 億のパラメータ モデルは必要ありません。」

しかし彼女は、開発者が非独占モデルや触れてはいけないデータにアクセスしている場合に「リアルタイムアラート」を確立するために、組織の内外の間に API ゲートウェイを追加することも推奨しました。