為人工智能制定有效的IT基礎(chǔ)架構(gòu)戰(zhàn)略

盡管人工智能炒得火熱且看似發(fā)展前景光明，但目前僅有少數(shù)的企業(yè)機(jī)構(gòu)能大規(guī)模部署與使用人工智能。還有絕大部分仍在努力制定其人工智能戰(zhàn)略：確立人工智能的用途與適用性、制定技術(shù)與商業(yè)模式,并試行早期項(xiàng)目。

在創(chuàng)建敏捷的基礎(chǔ)架構(gòu)以制定高效人工智能戰(zhàn)略方面，基礎(chǔ)架構(gòu)與運(yùn)營（I＆O）的領(lǐng)導(dǎo)者面臨著挑戰(zhàn)。Gartner的數(shù)據(jù)顯示，相比今年的4%，到2022年，25%的企業(yè)將投資與部署人工智能項(xiàng)目。

要想成功開展人工智能項(xiàng)目，需要應(yīng)用新技術(shù)、新流程與新的治理模式。但是，由于眾多因素，例如：缺乏具備相關(guān)技能的員工、基礎(chǔ)架構(gòu)的高速擴(kuò)增與管理復(fù)雜性、呈指數(shù)增長的數(shù)據(jù)量、要求增加對支持決策的見解、以及逐漸緊縮的IT預(yù)算，很多機(jī)構(gòu)都難以制定出合理的基礎(chǔ)架構(gòu)戰(zhàn)略。這會導(dǎo)致技術(shù)應(yīng)用延后并易處于競爭中的劣勢地位。

除了使用基礎(chǔ)架構(gòu)支持人工智能項(xiàng)目之外，基礎(chǔ)架構(gòu)與運(yùn)營團(tuán)隊(duì)也將使用人工智能技術(shù)。Gartner預(yù)測，到2020年，未能在企業(yè)業(yè)務(wù)中有效利用人工智能的數(shù)據(jù)中心中，30%將不具備運(yùn)營與經(jīng)濟(jì)效益。

為避免成為上述30%中的一部分，首先需要分析已經(jīng)成功開展的人工智能項(xiàng)目。這也說明了一個常規(guī)模式：要想成功制定戰(zhàn)略意味著要將人工智能項(xiàng)目與商業(yè)價值相結(jié)合。要做到這一點(diǎn)，必須采取四項(xiàng)基本措施；然而，在這些措施中，有些在實(shí)施的過程中比其它措施要更加困難并且更加耗時。

使用智能自動化解放技能熟練的IT人員并實(shí)現(xiàn)數(shù)字化辦公

隨著諸如人工智能和物聯(lián)網(wǎng)這樣新的商業(yè)動力與數(shù)字化商業(yè)項(xiàng)目的產(chǎn)生，基礎(chǔ)架構(gòu)與運(yùn)營領(lǐng)導(dǎo)者則需要面對一個復(fù)雜性急劇上升的局面。因此，基礎(chǔ)架構(gòu)與運(yùn)營團(tuán)隊(duì)經(jīng)常陷入低價值的重復(fù)性任務(wù)中。例如：當(dāng)出現(xiàn)問題時，分析日志文件并嘗試對其進(jìn)行根本原因分析。

通過開展基礎(chǔ)架構(gòu)與運(yùn)營智能自動化并優(yōu)化實(shí)現(xiàn)基礎(chǔ)架構(gòu)管理，可從低價值、重復(fù)性任務(wù)中解放出技能熟練的IT專業(yè)人士。取而代之的是，專注于利用新的人工智能和數(shù)據(jù)分析技能來重新培訓(xùn)表現(xiàn)能力較好的基礎(chǔ)架構(gòu)與運(yùn)營團(tuán)隊(duì)。通過解決技術(shù)技能差距、對變革意識（change-aware）的文化進(jìn)行投資以及更多功能的角色來實(shí)現(xiàn)數(shù)字敏捷度（digital dexterity）。

推動業(yè)務(wù)部門制定高效基礎(chǔ)架構(gòu)戰(zhàn)略

為了在人工智能方面取得成功，需要帶領(lǐng)基礎(chǔ)架構(gòu)與運(yùn)營團(tuán)隊(duì)，完成從IT服務(wù)中心的定位到協(xié)同商業(yè)部門和首席數(shù)據(jù)官（CDO）機(jī)構(gòu)的轉(zhuǎn)變。通過與業(yè)務(wù)部門進(jìn)行合作，制定出與實(shí)際狀況相符并與收入關(guān)鍵結(jié)果相一致的戰(zhàn)略，就能夠?yàn)槿斯ぶ悄茉O(shè)計出高效且優(yōu)化的基礎(chǔ)架構(gòu)戰(zhàn)略。與其試圖一次性解決所有機(jī)構(gòu)中的問題，不如從小型試點(diǎn)項(xiàng)目開始；使用卓越中心（centres of excellence）來促進(jìn)成功；并利用敏捷方法快速驗(yàn)證與商業(yè)相關(guān)的項(xiàng)目并取消起反作用的項(xiàng)目。

開展戰(zhàn)略數(shù)據(jù)收集與數(shù)據(jù)連接項(xiàng)目

諸如數(shù)據(jù)豎井（data silos）、數(shù)據(jù)的數(shù)量和質(zhì)量管理方面的挑戰(zhàn)，是人工智能項(xiàng)目陷入停滯的另一個主要原因。即使是對于最好的基礎(chǔ)架構(gòu)與運(yùn)營團(tuán)隊(duì)而言，想一次性解決所有的挑戰(zhàn)也絕非易事。

那么需要采取的措施就是，通過區(qū)分“數(shù)據(jù)收集”（data collect）與“數(shù)據(jù)連接”（data connect）來加速人工智能的應(yīng)用。

通過在正確的人工智能體系下使用數(shù)據(jù)收集及數(shù)據(jù)管理（清理與轉(zhuǎn)型）戰(zhàn)略，可以制定出符合收入關(guān)鍵結(jié)果的基礎(chǔ)架構(gòu)戰(zhàn)略。

而數(shù)據(jù)連接戰(zhàn)略的設(shè)計可能會導(dǎo)致人工智能使用過程中產(chǎn)生新的顛覆性結(jié)果，因?yàn)檫B接數(shù)據(jù)元（data elements）可以發(fā)掘具有更高價值的功能。

根據(jù)人工智能工作負(fù)載要求來推動技術(shù)選擇

提供支持人工智能項(xiàng)目的基礎(chǔ)架構(gòu)可能會帶來新的集成復(fù)雜性、生產(chǎn)力以及成本方面的挑戰(zhàn)。尤其是集成FPGA、ASIC和GPU等計算加速技術(shù)的復(fù)雜性可能會導(dǎo)致基礎(chǔ)架構(gòu)過度配置或與目標(biāo)用途不匹配。在很多情況下，基礎(chǔ)架構(gòu)與運(yùn)營領(lǐng)導(dǎo)者都會過度配置特定技術(shù)架構(gòu)，造成基礎(chǔ)架構(gòu)利用率不足且項(xiàng)目成本超支。使用人工智能工作負(fù)載需求來指導(dǎo)基礎(chǔ)架構(gòu)選擇戰(zhàn)略，例如：加速計算基礎(chǔ)架構(gòu)、云計算和混合戰(zhàn)略的機(jī)會投資。選擇具有廣泛生態(tài)系統(tǒng)支持的技術(shù)。如果需要部署計算加速器，請選擇具有最廣泛軟件架構(gòu)支持與具有成熟軟件部署環(huán)境的技術(shù)，從而主動降低風(fēng)險。N