很多文章的报道都是由微观而宏观，今日小编讲给大家带来的关于建立企业AI战略的技巧 的资讯也不例外，希翼可以在一定的程度上开阔你们的视野！y有对建立企业AI战略的技巧 这篇文章感兴趣的小伙伴可以一起来看看

如今，企业承受着正确制定人工智能(AI)策略的巨大压力。但是，在实施方面，他们面临着支持该技术所需的技术和基础架构的严重挑战。人工智能技术需要巨大的处理能力和传输大量数据的能力。因此，很明显，企业需要正确的环境来部署这些应用程序，同时考虑到延迟和成本方面的考虑。此外，企业发现扩展和运行高效的AI部署需要高密度的计算基础架构以及相关的电源和散热能力。

就是说，当今大多数企业都没有能力支持这些加速的计算操作，也没有建立自己的新现代数据中心。在竞争激烈的市场中尤其如此，包括金融服务，医疗保健，零售，媒体和娱乐，创造业和汽车行业。

尽管这些挑战仍然存在，但要制定成功的企业AI战略，需要牢记一些重要技巧：

优先考虑云和安全性

成功的企业AI策略和实施高度依赖于云。简而言之，没有云就无法完成AI。随着公司越来越多地集成各种AI驱动技术，这些技术跨越语音，视觉，语言，机器学习(ML)和深度学习(DL)，有时被称为类固醇机器学习，以转变业务并获得竞争优势，云技术已深深融入这一过程。

仔细想想，AI产生数据，并且访问的数据越多，它就会变得越智能。由于云环境可以支持大量数据，因此可以帮助向AI系统提供他们需要学习的信息。这些系统还可以依靠云来获得数据存储，分析和计算能力。例如，蒙特卡洛模拟会消耗大量数据，以使人们能够承担风险，分析几乎每种可能的情况，以提供一系列可能的结果以及任何行动选择都会发生的概率。维护这种计算机化的数学技术所需的计算量是空前的，而云是其中的核心部分。

连接性也很重要。从企业内部部署和“边缘位置”到跨多个公共云提供商的核心处理的数据摄取和传输，都需要安全且高性能的混合云体系结构。

随着这些业务进展其AI策略，许多人意识到他们没有合适的设施来构建强大的，互联的，高性能的环境，而这些环境是支持这些加速计算操作所必需的。

了解您的处理需求

人工智能技术需要巨大的处理能力和传输大量数据的能力。此外，AI，DL和ML越来越多地使用基于功能强大的高性能图形处理单元(GPU)的服务器，例如NVIDIA DGX系统。这些环境可能会为每个单独的群集消耗非常多的功率(最高40kw /机架)，并且要使此AL和DL的收益最大化，您需要多个群集。

结果，用于水平扩展的旧方法将不再削减它，而专有数据中心通常由于两个原因也不再削减它。首先，企业数据中心并未构建为支持大型高密度环境。其次，CIO不想治理内部设施，因为它们的运行和维护成本很高，他们宁愿释放这些珍贵的房地产。应用程序需要垂直扩展才干满足这些不断增长的数据需求，而组织则需要确保托管此数据的数据中心功能强大，足以承担此类功耗。

为了使企业实现DL和AI的全部优势，他们需要不断地(利用率为95-100%)处理大量的培训数据，然后这些数据需要存放在某个地方。云对此没有效果，因为云对于高利用率而言不具有成本效益，并且由于数据出口成本所致。从角度来看，只要企业正在处理不需要从云中出来的大量数据，或者在活动高峰和低谷的情况下，云都是一个不错的选择。

但是，在企业需要不断从云中传输数据的AI场景中，此过程非常昂贵。对于DL创建新模型和算法并将它们移入云的DevOps和某些生产环境，云可能是有效的。这意味着AI(包括DL和ML)可能需要混合环境。在评估AI策略时，重要的是要意识到这一成本挑战并充分了解您的处理需求，以找到适合您组织的最佳策略。

虽然看似显而易见，但每个企业都是不同的。许多企业希翼摆脱自己的数据中心，因为由于AI基础架构要求，它们没有针对高性能配置进行设置。产生这种需求的另一个原因是IT部门不希翼治理数据中心。但是，高性能数据中心对于这些配置和推动企业AI创新至关重要。

在某些其他情况下，由于数据量大，组织可能无法将其所有数据存储在云中。这意味着，这些依赖的数据将需要与云中的数据非常接近，以便获得企业争夺的更高的速度和性能。考虑到其数据的位置，将保证当今企业竞争所需的最快数据访问，最高级别的连接性和带宽以及最小程度的延迟。

运营商和云无关的托管环境可以为业务提供更好的连接到云的选择，从而帮助简化和增强AI策略。企业可以通过托管数据中心获得低延迟连接的优势，这些托管数据中心可以直接连接到同一设施内的多个云服务提供商，最终可以为客户提供更好的服务，即使随着业务的增长也是如此。