Cosa dovrebbero considerare CIO e CTO prima di adottare l’intelligenza artificiale generativa per la modernizzazione delle applicazioni

L’implementazione dell’intelligenza artificiale generativa può sembrare un enigma dell’uovo e della gallina. In un recente sondaggio dell’IBM Institute for Business Value, il 64% dei CEO ha affermato di aver bisogno di modernizzare le app Prima potrebbero usare l’intelligenza artificiale generativa. Ma allo stesso tempo, l’IA generativa ha il potere di farlo trasformare il processo della modernizzazione delle applicazioni attraverso il reverse engineering del codice, la generazione del codice, la conversione del codice da un linguaggio all’altro, la definizione del flusso di lavoro di modernizzazione e altri processi automatizzati. Ecco come CTO e CIO possono valutare la propria tecnologia e il proprio patrimonio di dati, valutare l’opportunità e tracciare un percorso da seguire.

I CIO e i CTO devono:

• Valutare il livello di padronanza del cloud ibrido della propria organizzazione come strategia fondamentale per un’implementazione efficace dell’intelligenza artificiale generativa
• Valutare gli ostacoli organizzativi e i costi di attuazione e di mantenimento dello status quo
• Valutare i costi e i vantaggi derivanti dall’utilizzo di modelli di grandi dimensioni per uso generale rispetto all’ottimizzazione di modelli più piccoli
• Valutare i fattori e i costi relativi alla disponibilità dei dati, alla governance, alla sicurezza e alla sostenibilità
• Collabora con le risorse umane per mettere le persone al centro della tua strategia di intelligenza artificiale generativa

Il cloud ibrido accelera l’adozione dell’intelligenza artificiale generativa

Nell’ultimo decennio, IBM ha sostenuto una strategia di cloud ibrido per sostenere l’innovazione, la produttività e l’efficienza scalabili basate sull’intelligenza artificiale. Dal nostro punto di vista, il dibattito sull’architettura è finito. Le organizzazioni che hanno padroneggiato il cloud ibrido sono ben posizionate per implementare l’intelligenza artificiale generativa in tutta l’organizzazione. Il cloud ibrido consente loro di sfruttare potenti modelli LLM (Large Language Model) open source, utilizzare dati pubblici e risorse informatiche per addestrare i propri modelli e perfezionarli in modo sicuro mantenendo private le informazioni proprietarie. Oltre ad aggiungere enorme valore all’esperienza dei clienti e dei dipendenti, alle funzioni HR e di servizio clienti, l’intelligenza artificiale generativa sul cloud ibrido offre a CIO e CTO un’agilità eccezionale per automatizzare le operazioni IT e modernizzare le applicazioni, eliminando potenzialmente il debito tecnico e consentendo una modernizzazione veramente continua.

Il contesto aziendale

Anche per i CIO e i CTO che si sono impegnati nel cloud ibrido, permangono ostacoli organizzativi alla modernizzazione. Innanzitutto, i leader tecnologici devono stimare l’impatto finanziario complessivo della modernizzazione (rispetto al costo della modernizzazione). non modernizzazione) in tutta l’organizzazione. Devono sostenere la modernizzazione come un’iniziativa aziendale, non come un progetto IT. I leader devono anche colmare il divario di competenze dando priorità allo sviluppo dei talenti e ottenendo un consenso culturale sulla modernizzazione come investimento aziendale strategico e a prova di futuro piuttosto che come un gioco tecnologico operativo.

Successivamente, i leader devono comprendere il valore aziendale che l’intelligenza artificiale generativa può apportare alla modernizzazione per capire dove investire. Secondo l’esperienza dei nostri team di consulenza IBM, le organizzazioni che hanno appena iniziato il loro percorso di modernizzazione necessitano di una prospettiva sull’arte del possibile quando si tratta di comprendere i vantaggi e il valore dell’automazione basata sull’intelligenza artificiale. Le organizzazioni più avanzate nel loro percorso cercano chiarezza sui casi d’uso nel loro settore e assistenza per gestire opportunità uniche.

Dare priorità ai casi d’uso dell’IA generativa

Nell’ambito delle operazioni IT, i casi d’uso dell’intelligenza artificiale generativa includono il triaging automatico dei sistemi per aderire agli obiettivi del livello di servizio; gestire, comunicare, fornire assistenza e risolvere domande e ticket; rilevamento e gestione di eventi e anomalie. Può migliorare l’automazione IT creando ed eseguendo runbook e aiutando gli utenti a passare a nuove basi di conoscenza e software. Può anche aiutare nell’ingegneria della piattaforma, ad esempio generando pipeline DevOps e script di automazione del middleware.

Si potrebbe dire molto di più sulle operazioni IT come base della modernizzazione. Qui daremo priorità alla discussione di quattro flussi di lavoro a cui può essere applicata l’intelligenza artificiale generativa.

• Pianificazione della trasformazione: L’intelligenza artificiale generativa può aiutarti a definire il flusso di lavoro di modernizzazione attraverso il riepilogo, la creazione di piani e la generazione di un’architettura di riferimento come Terraform.
• Codice ingegneria inversa: L’intelligenza artificiale generativa facilita il reverse engineering analizzando il codice per estrarre regole aziendali e modelli di dominio, generando consigli per spostare le applicazioni dall’architettura monolitica ai microservizi e identificando opportunità di refactoring e containerizzazione e generando codice rifattorizzato.
• Generazione del codice: La generazione di codice aiuta i leader IT a superare le sfide legate alla larghezza di banda degli sviluppatori e a ottimizzare le competenze di un pool di talenti limitato. Le attività altamente ripetitive e manuali possono essere gestite mediante la generazione di codice nativo del cloud, da brevi snippet a funzioni complete. È possibile generare codice per la progettazione dell’interfaccia utente, l’infrastruttura, la configurazione della piattaforma container (come Red Hat® OpenShift®) e framework serverless (come Knative).
• Conversione del codice: La conversione del codice è essenziale per conservare e aggiornare le applicazioni legacy mission-critical. L’intelligenza artificiale generativa consente l’automazione di questo processo, ad esempio da COBOL a Java, da SOAP a REST e altri linguaggi e ambienti.

I CTO/CIO dovrebbero considerare i rapidi vantaggi derivanti dall’utilizzo dell’intelligenza artificiale generativa all’interno di queste funzioni. Cerca opportunità relativamente discrete e a basso rischio per esplorare implementazioni di prova di concetto. Inizia in piccolo, testa e scala.

Valutazione dei modelli di fondazione

Selezionare in anticipo i giusti modelli di base può aiutarti a fornire risultati più accurati ed efficienti per la tua azienda.

L’architettura dei trasformatori privilegia le dimensioni: i modelli più grandi producono risultati migliori. Quindi, c’è una corsa nell’intelligenza artificiale generativa per costruire modelli di base sempre più grandi per applicazioni sempre più ampie. Ma mentre i modelli più grandi sono potenti, un modello pesante e multimiliardario potrebbe non essere sempre l’opzione migliore per un’azienda. Un modello più piccolo che è stato ottimizzato per un’attività può spesso sovraperformare un modello di grandi dimensioni che non è stato ottimizzato per quell’attività. Questi modelli possono essere eseguiti su LLM generici con piccole modifiche se la base sottostante è adatta all’uso aziendale. Ad esempio, i modelli Granite Foundation di IBM da 13 miliardi di parametri, disponibili nella prossima versione di watsonx.ai, sono molto più piccoli dei più grandi LLM (che contengono centinaia di miliardi di parametri), ma funzionano bene su attività specifiche del business come il riepilogo , risposta alle domande e classificazione pur essendo molto più efficienti.

I modelli di base adatti allo scopo consentono inoltre alle organizzazioni di automatizzare e accelerare la modernizzazione generando frammenti di codice e componenti applicativi, oltre ad automatizzare i test delle applicazioni. Basandosi sui modelli di codice integrati in watsonx.ai, IBM watsonx Code Assistant può essere utilizzato anche per convertire il codice, ad esempio da COBOL a Java. All’interno di watsonx Code Assistant, gli sviluppatori di tutti i livelli di esperienza possono formulare richieste in un linguaggio semplice e ottenere consigli generati dall’intelligenza artificiale o generare codice basato sul codice sorgente esistente. watsonx.ai include anche l’accesso a StarCoder LLM, addestrato su dati con licenza aperta da GitHub. Gli sviluppatori possono sfruttare StarCoder per accelerare la generazione del codice e aumentare la produttività per la modernizzazione delle applicazioni e l’ammodernamento dell’IT.

Oltre alle dimensioni, quando scelgono un modello di base, i CTO dovrebbero considerare anche i linguaggi naturali e i linguaggi di programmazione supportati dal modello e la quantità di messa a punto necessaria al modello.

Creazione di un quadro ROI personalizzato

Nell’intelligenza artificiale generativa, i metodi di calcolo del ROI non sono maturi o standardizzati, né sono spesso disponibili benchmark comparativi. Per le applicazioni aziendali, la messa a punto, la progettazione tempestiva e l’esecuzione di carichi di lavoro ad alta intensità di calcolo richiedono investimenti significativi.

Ci sono quattro fattori chiave da considerare quando si seleziona e si implementa un modello, che varia in base al dominio, al settore e al caso d’uso. Il primo fattore di costo è il prezzo o il metodo di licenza. Questo viene valutato in base all’utilizzo dell’API su cloud pubblici e gestiti e dai costi di hosting ed elaborazione su cloud ibridi e privati. Il secondo fattore di costo è l’impegno di sviluppo, che è maggiore sui cloud ibridi e privati ​​e si avvicina molto al terzo fattore, la sicurezza dei dati aziendali. Infine, considera i potenziali impatti della proprietà intellettuale e del rischio per la sicurezza, che sono entrambi attenuati verso le estremità ibride e private della scala.

Anche la disponibilità dei dati e i fattori di governance sono considerazioni da tenere in considerazione quando si valuta il ROI. Attraverso la piattaforma watsonx, IBM sta facendo passi da gigante nella fornitura di modelli di base mirati alle esigenze degli utenti aziendali: l’archivio dati adatto allo scopo fornito in watsonx.data, costruito su un’architettura aperta Lakehouse, consente alle aziende di personalizzare il proprio modelli ovunque risiedano i loro carichi di lavoro. Gli strumenti di watsonx.governance aiuteranno inoltre le organizzazioni a gestire in modo efficiente flussi di lavoro responsabili, trasparenti e spiegabili in tutta l’azienda.

Con l’accelerazione delle capacità e degli usi dell’intelligenza artificiale generativa, mettere i numeri sul lato dei vantaggi dell’equazione del ROI può essere una sfida. Ma ha senso che CIO e CTO esaminino come punto di partenza i molti modi in cui le organizzazioni hanno creato valore aziendale dall’intelligenza artificiale tradizionale ed estrapolino il valore potenziale dai loro casi di test e dai successi rapidi dell’intelligenza artificiale generativa.

Considera gli obiettivi di sostenibilità

Che sia parte di programmi ESG formali o di missioni aziendali, la sostenibilità è più di una semplice etica: è sempre più riconosciuta come un business migliore. Le aziende che si impegnano attivamente ed efficacemente in materia di sostenibilità possono aumentare il valore aziendale migliorando il ritorno per gli azionisti, la crescita dei ricavi e la redditività. Pertanto, è saggio che i CTO tengano conto della sostenibilità nel calcolo dell’adozione dell’IA generativa.

L’addestramento, la messa a punto e l’esecuzione di modelli di intelligenza artificiale possono lasciare un’enorme impronta di carbonio. Ecco perché IBM aiuta a personalizzare l’intelligenza artificiale generativa per l’azienda con modelli di base affidabili, portatili ed efficienti dal punto di vista energetico. Realizzare modelli più piccoli e utilizzare le risorse informatiche in modo più efficiente può ridurre notevolmente le spese e le emissioni di carbonio. IBM Research sta inoltre sviluppando tecnologie di addestramento dei modelli più efficienti, come l’algoritmo LiGo che ricicla piccoli modelli e li incorpora in modelli più grandi, risparmiando fino al 70% di tempo, costi e produzione di carbonio.

Guidare con le risorse umane

Infine, l’implementazione efficace dell’intelligenza artificiale generativa dipende da persone competenti ed entusiaste. Pertanto, i dipartimenti delle risorse umane dovrebbero essere al centro della strategia della tua organizzazione. Inizia riqualificando gli stessi professionisti delle risorse umane, che probabilmente stanno già utilizzando strumenti di assunzione basati sull’intelligenza artificiale. Successivamente, sviluppare un’iniziativa di gestione formale per comunicare dove sono in corso i test e l’adozione dell’intelligenza artificiale generativa e fornire feedback.

Richiedi un briefing sulla strategia AI