Dalla collaborazione tra Vertiv e il Deloitte Center for Integrated Research arriva un vero e proprio (piccolo) "manuale" pensato per aiutare le aziende a far crescere la loro implementazione dell'intelligenza artificiale passando dalla fase dei progetti pilota alla produzione. Per questo la guida - battezzata Designing Infrastructure for Enterprise AI - guida chi fa Ai nelle imprese a determinare dove eseguire i workload AI ed a verificare se l’infrastruttura fisica disponibile sia in grado di supportarli.

La guida parte dal presupposto che la prima fase di diffusione massiva dell'AI è stata legata principalmente allo sviluppo di "frontier model" in grandi data center centralizzati, e quindi non dà indicazioni pratiche di implementazione davvero utili per le imprese "normali". La mancanza di queste indicazioni derivate dall'esperienza è un freno allo sviluppo di ambienti AI aziendali, e spesso porta a implementazioni infrastrutturali non propriamente corrette in funzione dei workload da eseguire.

Vertiv propone in questo senso un approccio strutturato che parte dalla classificazione dei workload che l'azienda in questione intende eseguire. Questi non saranno mai tutti dello stesso tipo, perché l’AI aziendale sarà sempre costituita da un portfolio di workload per il quale non esiste una singola decisione infrastrutturale ideale, ma una classificazione di massima si può comunque fare. 

Fonte: Vertiv

Questa classificazione - secondo Vertiv - fa ricadere la "propria" AI aziendale in uno di sei archetipi di AI che la società ha identificato: due legati alla fase di addestramento dei modelli (sviluppo e sperimentazione, retraining e ottimizzazione) e quattro relativi alla fase di inferenza (GenAI, riconoscimento di pattern e anomalie, AI predittiva, sistemi autonomi e controllo in tempo reale).

Identificare l'archetipo che più assomiglia al proprio futuro ambiente di AI è solo il primo passo. Poi, scondo Vertiv, è necessario valutare quel futuro ambiente in funzione della scala prevista della pervasività dell'AI in azienda (progetto pilota, piccola scala, larga scala) e della velocità di crescita dell'AI stessa. Questi due parametri danno una prima indicazione dell'architettura infrastrutturale indicata, che va rapportata anche a quattro caratteristiche (limiti, meglio) dei workload di AI: quanto saranno critici, che volumi di dati elaboreranno, quanti dati sensibili coinvolgeranno, che livelli di latenza potranno sopportare. 

Combinare queste informazioni permette di determinare la sede di implementazione più appropriata per il proprio ambiente AI. I progetti su scala più contenuta e con pochi limiti per i workload AI possono semplicemente essere creati in cloud, mentre quelli sempre su scala contenuta ma con diversi limiti per i workload dovrebbero essere collocati in ambienti edge. Al contrario, i progetti di AI su larga scala ma con pochi limiti per i workload possono essere realizzati in ambienti di hybrid cloud, mentre quelli sempre ad ampia scala ma con workload "esigenti" richiedono infrastrutture AI on-premise o come minimo in colocation.

A questo punto chi non può limitarsi ad ambienti solo cloud ha anche tutte le informazioni per decidere quali caratteristiche deve avere l'infrastruttura IT fisica da implementare on-premise oppure in colocation. In una scala di complessità crescente, Vertiv pone quattro modelli architetturali denominati Edge AI cluster, Small AI cluster, Large AI cluster, High-density AI cluster.

Fonte: Vertiv