Como um banco de dados pronto para AI ajuda a acelerar a inovação em AI, minimizar custos e entregar agentes de AI que realmente funcionam
por Christy Maver
A adoção de AI está começando a se traduzir em retornos no mundo real. Mas, à medida que os esforços aceleram, muitas organizações enfrentam o mesmo problema: sistemas que são muito caros, muito lentos e não escalam.
Entre as empresas com ambientes de dados desconectados, 67% citaram o armazenamento, a movimentação e a duplicação de dados como o maior custo recorrente de AI, de acordo com uma pesquisa recente com mais de 1.200 líderes de tecnologia da Economist Enterprise. Para aquelas com uma arquitetura de dados unificada, esse número cai para pouco mais da metade.
Agora é o momento de construir a base preparada para o futuro para a AI. Mas as migrações de banco de dados são caras e uma grande fonte de frustração. Quanto mais as organizações se aprofundam em arquiteturas legadas, mais difícil será sair delas. Bancos de dados abertos e prontos para AI dão às empresas mais flexibilidade e controle sobre como seus dados são usados, além de capacitar os desenvolvedores a reorientar os negócios em torno da AI de forma rápida, segura e eficiente.
“A arte é distribuir velocidade sem distribuir o caos”, disse no relatório Jose Manuel Silva, vice-presidente de tecnologia e Chief Digital Officer da Natura.
Este blog abordará as três considerações de infraestrutura empresarial que podem ajudar a acelerar a inovação em AI, minimizar custos e entregar agentes de AI que realmente funcionam.
Para 60% das empresas, leva até 12 meses para colocar cargas de trabalho de AI em produção, de acordo com a pesquisa da Economist Enterprise. Os desenvolvedores querem se mover na velocidade da AI, mas a infraestrutura subjacente está travada em um ritmo analógico.
Quando o código é criado em segundos, os bancos de dados não podem levar minutos para serem provisionados. E à medida que os agentes de AI trabalham de forma autônoma para executar fluxos de trabalho, eles precisam ser capazes de criar instantaneamente ambientes experimentais temporários, separados do ecossistema de IT mais amplo.
A combinação de inovação rápida, rollback seguro e restauração instantânea é o que impulsionará as organizações em direção aos resultados desejados — em ciclos muito mais rápidos do que 12 meses.
Os motores de AI ingerem dados em velocidades e volumes que muitas empresas não foram construídas para suportar.
Toda a rica informação armazenada em bancos de dados transacionais e outras fontes de origem na empresa contém o contexto crítico que os sistemas de AI precisam para fornecer inteligência acionável e automatizar processos sem interrupções. Muitas vezes, essa informação está isolada em ambientes proprietários. Movimentá-la exige a construção de novos pipelines e cargas de trabalho de ETL, adicionando complexidade e custos.
Um banco de dados pronto para AI pode unificar dados operacionais e analíticos. Todos os dados de que os desenvolvedores precisam estão sempre disponíveis, armazenados separadamente da camada de computação em um armazenamento em nuvem de baixo custo.
“Se você consegue infundir AI em seus dados e funciona, significa que seus dados estão realmente prontos e seguem a metodologia FAIR — localizáveis, acessíveis, interoperáveis e reutilizáveis”, disse Maria Macuare, vice-presidente sênior e Global Chief Data Officer na Mondelēz International.
As arquiteturas de dados legadas introduzem uma severa penalidade estrutural ao crescimento das empresas. Como a infraestrutura legada escala de forma rígida, a liderança é forçada a um compromisso desfavorável: pagar caro por capacidade ociosa apenas para sobreviver aos picos de demanda, ou subprovisionar e correr o risco de indisponibilidade quando os negócios aumentam. Esse atrito operacional prende talentos de engenharia de ponta em manutenções rotineiras, drenando recursos que deveriam financiar a velocidade competitiva e a inovação estratégica.
Com bancos de dados de AI criados sob medida, os dados residem em data lakes confiáveis, elásticos e econômicos. A computação é executada de forma independente, o que desvincula o custo do crescimento para que as empresas possam obter maior flexibilidade operacional. Os desenvolvedores podem experimentar com mais liberdade sem estourar o orçamento. E os sistemas podem escalar de alta concorrência para zero em segundos para otimizar os gastos. Os custos são alinhados ao uso para suportar cargas de trabalho imprevisíveis e a rápida atividade dos agentes de AI. E com recursos como recuperação instantânea, os desenvolvedores podem realmente agir rápido sem quebrar as coisas.
Leia o relatório completo da Economist Enterprise e conheça as estratégias que estão levando os líderes à frente da corrida de AI.
(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.