A Inteligência Artificial (IA) generativa tem o potencial de desbloquear trilhões de dólares em valor para as empresas e transformar radicalmente a maneira como trabalhamos. A tecnologia inovadora já se inseriu em quase todos os setores da economia global, bem como em muitos aspectos de nossas vidas, com pessoas já usando IA para consultar suas contas bancárias e até mesmo solicitar receitas médicas. As previsões atuais sugerem que a IA generativa poderia automatizar até 70% do tempo dos funcionários hoje.

Mas, independentemente do aplicativo e do setor, o impacto da IA generativa pode ser mais sentido no ecossistema de computação em nuvem.

Com as empresas correndo para alavancar essa tecnologia em suas operações de nuvem, é essencial primeiro entender os requisitos de conectividade de rede – e os riscos – antes de implantar modelos de IA generativos de forma segura, segura e responsável.

Acessando conjuntos de dados

Por sua própria definição, os modelos de linguagem grande (LLM) são extremamente grandes, de modo que o treinamento desses LLMs exigirá grandes quantidades de dados e computação hiper-rápida, e quanto maior o conjunto de dados, maior a demanda por poder computacional.

É importante notar que um dos principais requisitos de conectividade para treinar modelos generativos de IA em ambientes de nuvem pública é o acesso acessível à escala de conjuntos de dados e o enorme poder de processamento necessário para treinar esses LLMs é apenas uma parte do quebra-cabeça. Junto a isso, outros componentes a serem considerados são o gerenciamento dos requisitos de soberania, segurança e privacidade dos dados que transitam em sua nuvem pública.

Em 2022, 39% das empresas sofreram uma violação de dados em seu ambiente de nuvem. Com isso em mente, faz sentido explorar os produtos de conectividade privada no mercado que foram projetados especificamente para cargas de trabalho de alto desempenho e IA.

Tendências regulatórias emergentes no cenário

O labirinto de marcos regulatórios globais é muito complexo e sujeito a mudanças, então as empresas devem prestar muita atenção às principais políticas públicas e tendências de regulamentação que estão surgindo rapidamente em torno do cenário de IA.

As empresas agora são obrigadas a implementar técnicas como mapeamento de dados e prevenção de perda de dados para garantir que saibam onde todos os dados pessoais estão o tempo todo e protegê-los adequadamente. A abordagem pode ser referida como uma abordagem de privacidade por design e foi adotada não apenas pelos mandatos em desenvolvimento do Regulamento Geral de Proteção de Dados (GDPR) na Europa, mas também pelas leis de privacidade de dados nos Estados Unidos.

Imagine um banco multinacional de Nova York que abriga 50 mainframes em suas instalações, em que mantém sua capacidade de computação primária. O objetivo é usar a análise de IA nos dados, mas eles não podem usar a internet pública para se conectar a esses ambientes de nuvem porque muitas de suas cargas de trabalho têm restrições regulatórias. Como alternativa, a conectividade privada oferece a eles a capacidade de acessar a capacidade de IA generativa que existe dentro das estruturas regulatórias locais da empresa.

Mantendo a soberania dos dados

Com a expansão da legislação de IA, a adoção generalizada da tecnologia de IA generativa provavelmente criará desafios duradouros em torno da soberania dos dados. A única maneira de sua empresa ter a garantia de manter sua fronteira soberana pode ser usar uma forma de conectividade privada enquanto os dados estão em trânsito. E à medida que o mundo se torna mais interconectado digitalmente, isso levou as nações a definir e regular onde os dados podem ser armazenados e onde os LLMs que processam esses dados podem ser alojados.

O mesmo se aplica aos modelos de treinamento de IA na nuvem pública; as empresas precisarão de algum tipo de conectividade de sua nuvem privada para sua nuvem pública, onde fazem seus modelos de treinamento de IA e, em seguida, usam essa conectividade privada para trazer seus modelos de inferência de volta.

Uma coisa a notar é que, embora algumas leis nacionais exijam que certos dados permaneçam dentro das fronteiras do país, isso não necessariamente os torna mais seguros. Por exemplo, se sua empresa usa a internet pública para transferir dados de clientes de e para Londres em um serviço de nuvem pública, mesmo que esteja viajando dentro de Londres, alguém ainda pode interceptar esses dados e encaminhá-los para outros lugares ao redor do mundo.

A importância da latência e do congestionamento da rede

Com o volume de chamadas de voz e vídeo que experimentamos diariamente, todos nos tornamos sensíveis à latência. O que alguns não percebem é que a latência é um fator crítico em termos de interações com as pessoas. Da mesma forma, os conjuntos de dados maciços usados para treinar modelos de IA podem levar a sérios problemas de latência na nuvem pública.

Por exemplo, se você estiver conversando com um bot de IA que está fornecendo atendimento ao cliente e a latência começar a exceder 10 segundos, a taxa de desistência acelera. Portanto, usar a Internet pública para conectar sua infraestrutura voltada para o cliente com seus modelos de inferência é potencialmente perigoso para uma experiência on-line perfeita, e uma alteração no tempo de resposta pode afetar sua capacidade de fornecer resultados significativos.

Enquanto isso, o congestionamento da rede pode afetar sua capacidade de criar modelos a tempo. A maneira de superar isso é ter pipes grandes para garantir que você não encontre congestionamento ao mover seus conjuntos de dados primários para onde você está treinando seu modelo de idioma. Como resultado, você será capaz de evitar congestionamentos significativos – especialmente ao transferir dados novos para LLMs que, sem dúvida, causarão backlog.

As consequências negativas da governança inadequada de IA

A governança é algo que está sendo falado agora porque, sem uma governança adequada de IA, pode haver graves consequências para as empresas que podem resultar em danos comerciais e reputacionais.

A falta de supervisão ao implementar modelos de IA generativos na nuvem pode facilmente levar a erros e violações, sem mencionar a exposição potencial de dados de clientes e outras informações proprietárias. Simplificando, a confiabilidade da IA generativa depende de como as empresas a usam. Em outras palavras, quem tem acesso aos dados e onde está disponível a rastreabilidade da aprovação desses dados?

As inúmeras oportunidades da IA generativa

A IA generativa é um campo transformador, mas os líderes de TI devem evitar errar na conectividade de rede antes de implantar suas aplicações.

É essencial definir as necessidades do seu negócio em relação à sua arquitetura de nuvem existente, porque a acessibilidade de dados é tudo quando se trata de IA generativa. Em vez de navegar pelos riscos da nuvem pública, a flexibilidade de alto desempenho de uma plataforma Network-as-a-Service (NaaS) pode fornecer às empresas com visão de futuro uma vantagem pioneira.

Por exemplo, uma solução NaaS incorpora a tecnologia de rede emergente que suporta os requisitos de governança de IA generativa para seus negócios mais amplos e a proteção de seus clientes.

A adoção de sistemas de IA interconectando suas nuvens com uma infraestrutura de rede global que oferece comutação e roteamento totalmente automatizados sob demanda pode ser simplificada pela agilidade do NaaS.