Comment une base de données prête pour l'AI aide à accélérer l'innovation, à réduire les coûts et à déployer des agents AI vraiment efficaces
par Christy Maver
L'adoption de l'AI commence à se traduire par des résultats concrets. Mais à mesure que les efforts s'accélèrent, de nombreuses organisations se heurtent au même problème : des systèmes trop coûteux, trop lents et incapables d'évoluer.
Parmi les entreprises disposant d'environnements de données cloisonnés, 67 % citent le stockage, le mouvement et la duplication des données comme le coût récurrent le plus important lié à l'AI, selon une récente enquête menée auprès de plus de 1 200 leaders technologiques par Economist Enterprise. Pour celles qui disposent d'une architecture de données unifiée, ce chiffre tombe à un peu plus de la moitié.
Le moment est venu de bâtir des fondations durables pour l'AI. Mais les migrations de bases de données sont coûteuses et constituent une source majeure de frustration. Plus les organisations s'enferment dans des architectures héritées, plus il sera difficile d'en sortir. Les bases de données ouvertes et prêtes pour l'AI offrent aux entreprises plus de flexibilité et de contrôle sur l'utilisation de leurs données, et permettent aux développeurs de réorienter rapidement, de manière sécurisée et efficace, l'activité autour de l'AI.
« L'art consiste à distribuer de la vitesse sans distribuer du chaos », a déclaré dans le rapport Jose Manuel Silva, Vice President for Technology and Chief Digital Officer chez Natura.
Ce blog aborde trois aspects clés de l'infrastructure d'entreprise qui peuvent aider à accélérer l'innovation en matière d'AI, à réduire les coûts et à déployer des agents AI vraiment efficaces.
Pour 60 % des entreprises, il faut jusqu'à 12 mois pour mettre en production des charges de travail d'AI, selon l'enquête d'Economist Enterprise. Les développeurs veulent avancer à la vitesse de l'AI, mais l'infrastructure sous-jacente reste bloquée à un rythme analogique.
Quand le code est créé en quelques secondes, le provisionnement des bases de données ne peut pas prendre des minutes. Et comme les agents AI fonctionnent de manière autonome pour exécuter des workflows, ils doivent pouvoir lancer instantanément des environnements temporaires et expérimentaux, séparés du reste de l'infrastructure IT.
L'association d'une innovation rapide, d'un retour arrière sécurisé et d'une restauration instantanée est ce qui propulsera les organisations vers les résultats souhaités, sur des cycles bien plus courts que 12 mois.
Les moteurs d'AI ingèrent des données à des vitesses et dans des volumes que de nombreuses entreprises ne sont pas armées pour supporter.
Toutes les informations précieuses hébergées dans les bases de données transactionnelles et autres sources finales de l'entreprise contiennent le contexte essentiel dont les systèmes d'AI ont besoin pour fournir des informations exploitables et automatiser les processus sans interruption. Souvent, ces informations sont cloisonnées dans des environnements propriétaires. Les déplacer nécessite de créer de nouveaux pipelines et des charges de travail ETL, ce qui ajoute de la complexité et des coûts.
Une base de données prête pour l'AI peut unifier les données opérationnelles et analytiques. Toutes les données dont les développeurs ont besoin sont toujours disponibles, stockées séparément de la couche de calcul dans un stockage cloud économique.
« Si vous pouvez intégrer l'AI à vos données et que cela fonctionne, cela signifie que vos données sont vraiment prêtes et respectent le cadre FAIR (faciles à trouver, accessibles, interopérables et réutilisables) », a déclaré Maria Macuare, Sr. Vice President and Global Chief Data Officer chez Mondelēz International.
Les architectures de données héritées imposent un lourd handicap structurel à la croissance des entreprises. Comme les infrastructures existantes évoluent de manière rigide, les dirigeants sont contraints à un compromis perdant-perdant : surpayer pour une capacité inutilisée simplement pour faire face aux pics de demande, ou sous-provisionner et risquer un manque de réactivité en cas de forte activité. Cette friction opérationnelle accapare les meilleurs talents de l'ingénierie dans des tâches de maintenance courantes, gaspillant des ressources qui devraient financer la rapidité concurrentielle et l'innovation stratégique.
Avec des bases de données conçues spécifiquement pour l'AI, les données résident dans des data lakes fiables, élastiques et économiques. Le calcul s'exécute de manière indépendante, ce qui décorrèle le coût de la croissance pour offrir aux entreprises une plus grande flexibilité opérationnelle. Les développeurs peuvent expérimenter plus librement sans épuiser leur budget. De plus, les systèmes peuvent passer d'une forte simultanéité à zéro en quelques secondes pour optimiser les dépenses. Les coûts sont alignés sur l'utilisation afin de prendre en charge les charges de travail imprévisibles et l'activité rapide des agents AI. Et grâce à des fonctionnalités telles que la récupération instantanée, les développeurs peuvent réellement avancer vite sans tout casser.
Lisez le rapport complet d'Economist Enterprise et découvrez les stratégies qui propulsent les leaders en tête de la course à l'AI.
(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.