Com base em nosso artigo anterior, A inovação em IA não diminuirá: como a IA multimodelo está impulsionando a velocidade de lançamento no mercado, continuo com nossa série de liderança de pensamento sobre IA.

A Digital Realty está acompanhando de perto a evolução da IA em hardware, software e rede para fornecer às empresas insights significativos que ajudam a dimensionar a IA privada com eficiência. À medida que a adoção da IA cresce, as empresas devem se concentrar em segurança, otimização e interconexão para integrar com sucesso dados privados a modelos públicos de IA.

Esse artigo abordará três áreas principais que as empresas devem abordar para habilitar a IA privada em escala:

• Habilitando dados privados para modelos públicos de IA: como as empresas podem integrar com eficiência conjuntos de dados privados com modelos públicos de IA
• Protegendo dados privados em fluxos de trabalho de IA: principais estruturas de segurança e considerações de conformidade para proteger dados corporativos
• Otimizando o desempenho da IA com data centers e malhas de interconexão: por que o posicionamento da carga de trabalho, os data centers e as malhas de interconexão são essenciais para o sucesso da IA

Habilitando dados privados para modelos públicos de IA

A integração de conjuntos de dados privados com modelos públicos de IA requer um equilíbrio entre acessibilidade e segurança. As empresas devem garantir o acesso a dados estruturados e interações controladas de modelos de IA para maximizar o desempenho e manter a privacidade. As principais etapas incluem:

• Controles de identidade e autenticação para regular o acesso a dados confidenciais
• Pipelines orientados por API que conectam com segurança bancos de dados internos a modelos públicos de IA
• Geração aumentada por recuperação (RAG) para recuperar dinamicamente Dados privados relevantes sem expô-los ao treinamento público de IA

Uma abordagem híbrida utilizando modelos de fronteira como GPT, Claude e Gemini, juntamente com IA específica do setor, permite amplos recursos de raciocínio de IA a partir de modelos generalizados e precisão aprimorada de soluções de IA personalizadas do setor. Esse método melhora o desempenho por meio da distribuição estratégica de carga de trabalho em ambientes de nuvem, locais e de borda.

Por exemplo, grandes instituições financeiras, como o JPMorgan Chase, aproveitam modelos privados de IA para otimizar a avaliação de riscos, a detecção de fraudes e o atendimento ao cliente. Ao integrar conjuntos de dados financeiros proprietários com IA, essas empresas aprimoram a tomada de decisões e, ao mesmo tempo, garantem a conformidade com requisitos regulatórios rígidos.

Abordagens semelhantes podem ser adotadas em outros setores, como saúde e manufatura, para impulsionar aplicativos especializados de IA que vão além dos recursos dos modelos de uso geral.

Protegendo dados privados em fluxos de trabalho de IA

Manter os dados privados seguros em fluxos de trabalho de IA requer um modelo de confiança zero, que pressupõe que nenhum usuário ou sistema deve ser inerentemente confiável, independentemente de sua localização ou credenciais. As empresas devem adotar uma abordagem de verificação de tudo para evitar acesso não autorizado e violações de dados.

Ao incorporar princípios de confiança zero, como criptografia de ponta a ponta em fluxos de trabalho de IA, as empresas podem proteger dados confidenciais, reduzir o risco de exposição e manter a conformidade enquanto dimensionam a adoção da IA.

As empresas devem implementar proteções de segurança de IA e segurança do ciclo de vida do modelo para garantir que os modelos operem conforme o esperado e permaneçam seguros desde o desenvolvimento até a implantação e operação contínua. Os principais componentes incluem:

• Validação de entrada: impedir que modelos de IA processem entradas de dados maliciosas ou tendenciosas que podem levar a decisões incorretas ou antiéticas
• Monitoramento de saída: rastreamento de respostas de IA para detectar anomalias, vieses ou possível uso indevido
• Ambientes de treinamento seguros: protegendo os dados de treinamento do modelo contra ataques de envenenamento que podem introduzir vieses ou vulnerabilidades ocultas
• A otimização do tráfego de IA é igualmente crítica: as malhas de serviços de IA ajudam a gerenciar solicitações de inferência com eficiência, reforçando a segurança sem compensações de desempenho. Seguir padrões como MITRE ATLAS (Adversarial Threat Landscape for Artificial-Intelligence Systems) e NIST (National Institute of Standards and Technology) o gerenciamento de riscos de IA garante defesas fortes, especialmente porque os fluxos de trabalho de IA agenciais dividem dinamicamente as tarefas em vários modelos

Otimizando o desempenho da IA com data centers e malhas de interconexão

Fazer com que a IA tenha o melhor desempenho não é apenas ter modelos poderosos – trata-se de colocar cargas de trabalho no ambiente certo, garantindo conexões rápidas e mantendo os custos sob controle. As empresas precisam de uma combinação de implementações de nuvem, Edge e data center privado para encontrar o equilíbrio certo entre desempenho, segurança e eficiência.

O posicionamento estratégico da carga de trabalho melhora o desempenho da IA enquanto gerencia os custos:

• Tipo de carga de trabalho de IA, implantação ideal, principal benefício
• Treinamento de modelos, clusters de IA na nuvem e poder de computação escalonável
• Inferência em lote, data centers privados, segurança e economia
• Inferência em tempo real, implantações de IA Edge e resposta de baixa latência
• Processamento de consultas RAG (Retrieval Augmented Generation), trocas de IA, acesso seguro a dados público-privados
• Os modelos de IA não operam isoladamente – eles dependem de grandes quantidades de dados movendo-se perfeitamente entre os locais. A conectividade de alta velocidade e baixa latência é essencial para manter a IA responsiva e eficiente
• Estruturas de interconexão (por exemplo, Digital Realty ServiceFabric) facilitam a sincronização de cargas de trabalho de IA em ambientes de nuvem, Edge e corporativos
• As trocas de IA, como o Private AI Exchange da Digital Realty, permitem que as empresas acessem e processem modelos externos de IA com segurança, garantindo uma colaboração perfeita entre conjuntos de dados públicos e privados
• Os hubs neutros para operadoras permitem que as empresas conectem aplicativos de IA em vários fornecedores de nuvem sem dependência de fornecedor

À medida que a adoção da IA acelera, as cargas de trabalho de inferência exigem ambientes de baixa latência e alta largura de banda próximos a áreas metropolitanas densas. A infraestrutura de mercado principal da Digital Realty une nuvem, Edge e empresa, garantindo que os modelos de IA sejam executados com eficiência nas proximidades de fontes de dados e usuários.

O futuro da IA está interconectado

A próxima onda de inovação em IA não é apenas sobre modelos maiores – é sobre infraestrutura mais inteligente. As empresas devem se concentrar na integração perfeita de dados, segurança e desempenho otimizado para liberar totalmente o potencial da IA.

Na Digital Realty, não estamos apenas apoiando a adoção da IA – estamos moldando o futuro dos negócios baseados em IA, fornecendo infraestrutura segura, de alto desempenho e interconectada. Esteja você dimensionando a IA privada, protegendo seus dados ou otimizando suas cargas de trabalho, temos as soluções para ajudar.

Conecte-se com a Digital Realty hoje para começar a construção de sua infraestrutura pronta para IA.

Mais sobre a Digital Realty