A helyszíni és a felhőalapú mesterséges intelligencia közötti különbségek: teljes útmutató

Informatec Digital » Erőforrás » A helyszíni és a felhőalapú mesterséges intelligencia közötti különbségek: teljes útmutató

A nagy döntés ma már nem az, hogy használjunk-e mesterséges intelligenciát vagy sem , hanem az, hogy hol és hogyan valósítsuk meg: saját eszközeinken, a felhőben, vagy mindkettő kombinációjában. Ez a választás befolyásolja bármely digitális projekt költségeit, biztonságát, teljesítményét, sőt még az üzleti modelljét is, legyen szó egy kis alkalmazásról vagy egy több ezer felhasználóval rendelkező platformról.

Amikor a helyszíni és a felhőalapú MI közötti különbségekről beszélünk, lényegében arról beszélünk, hogy hol található a modell, ki kezeli azt, és mi történik az adatokkal . Innen komoly problémák merülnek fel, mint például a szabályozási megfelelés (GDPR, HIPAA), a valós idejű késleltetés, a skálázhatóság, a hardverberuházások, a szállítóhoz való kötődés és a testreszabási lehetőségek. Bontsuk le nyugodtan, de ne kerüljük meg a területet.

Mi a helyi mesterséges intelligencia és mi a felhőalapú mesterséges intelligencia, egyszerűen elmagyarázva

Az első megkülönböztetés nagyon egyszerű: a helyi mesterséges intelligencia az, amely a saját hardveren (PC, helyszíni szerver, mobileszköz, ipari rendszerek stb.) fut, míg a felhőalapú mesterséges intelligencia az, amely egy felhőszolgáltató adatközpontjaiban fut , és általában API-n vagy SDK-n keresztül fogyasztják.

A felhőoldalon olyan szolgáltatások jönnek szóba, mint az Azure AI Services, az Azure OpenAI Service, az AWS, a Google Cloud, az OpenAI, az Anthropic, a Gemini és a Hugging Face . Ezek közé tartoznak a legmodernebb modellek (GPT-4, GPT-4 Turbo with Vision, Claude, Gemini, PaLM, DALL-E, nagyméretű beágyazási modellek stb.), amelyekhez interneten keresztül, használatonként fizetve vagy előfizetéssel lehet hozzáférni.

A helyi oldalon mindent megtalálunk a klasszikus helyszíni telepítésektől kezdve a közvetlenül az eszközön történő végrehajtásig: GPU-val rendelkező PC-ken, munkaállomásokon, adatközponti szervereken, vagy akár mobil- és IoT-eszközökön. Az olyan eszközök, mint az Ollama, az LM Studio, a KoboldCpp, az AnythingLLM, vagy az olyan környezetek, mint a Windows ML, az ONNX Runtime, a Foundry Local és a Microsoft Foundry Windows rendszeren, megkönnyítik a nyelvi modellek (Llama, Mistral, Phi, Qwen stb.) vagy látásmodellek közvetlen betöltését és futtatását a gépen.

E két véglet között helyezkedik el a peremhálózati megközelítés : a hálózat peremén lévő eszközökön (érzékelők, viselhető eszközök, ipari gépek, kamerák, mobiltelefonok) telepített modellek, amelyek a keletkezésük helyéhez közel dolgozzák fel az adatokat , és csak a lényeges adatokat küldik a felhőbe. Ez egy nagyon érdekes módszer a késleltetés és a hálózati forgalom csökkentésére.

Főbb szempontok, amelyeket figyelembe kell venni a helyszíni és a felhőalapú mesterséges intelligencia közötti döntéskor

A jó választás nem csak a személyes ízlésen múlik; számos tényező számít. Az adatvédelem, az erőforrások, a teljesítmény, a költségek és a skálázhatóság általában a legfontosabbak, de nem ezek az egyetlenek.

Az adatvédelem, a megfelelés és a biztonság a kiindulópont, különösen a szabályozott szektorokban, mint például a banki szolgáltatások, az egészségügy és a közigazgatás. A kérdés egyértelmű: elhagyhatják-e az adatok az otthont, vagy sem?

Fontos szempont még a hardver és az emberi erőforrások elérhetősége , a karbantartás egyszerűsége, a távoli együttműködés szükségessége, az egyidejű felhasználók száma, valamint magának a modellnek a bonyolultsága (egy kis Phi-típusú modell nem ugyanaz, mint egy több mint 100 milliárd paraméterrel rendelkező LLM).

Végül fontos szem előtt tartani az eszközök ökoszisztémáját és az integrációt a jelenlegi rendszereddel : ha már dolgozol az Azure-ral, a GitHubbal, az AWS-sel vagy a Google-lel, vagy ha nagyon elterjedt Windows infrastruktúrával rendelkezel (lásd a Windows Pro és Enterprise című részt ), az nem ugyanaz, mint a nulláról kezdeni.

A kulcs az, hogy ezeket a tényezőket a tényleges felhasználási esettel kombináld : belső folyamatautomatizálás, autonóm döntéshozó ügynökök, programozó asszisztensek, ügyfélszolgálati chatbotok, ipari látásmód, fejlett analitika stb.

Adatvédelmi és szabályozási megfelelés

Érzékeny vagy szabályozott adatok (egészségügyi, pénzügyi, személyes ügyféladatok, nagy értékű szellemi tulajdon) kezelésekor a mesterséges intelligencia általi feldolgozás helye már nem technikai részlet, hanem kockázati döntéssé válik.

Egy helyszíni mesterséges intelligencia- környezetben az adatokat a saját infrastruktúrán, vagy akár a felhasználó saját eszközén dolgozzák fel és tárolják. Ez drasztikusan csökkenti a támadási felületet, és leegyszerűsíti a GDPR vagy a HIPAA szabályozásoknak való megfelelést , feltéve, hogy a belső biztonság jól megtervezett. A titkosítás, a hozzáférés-vezérlés, a javítások és az auditálás felelőssége azonban továbbra is teljes mértékben az Öné marad.

A felhőben található mesterséges intelligenciával a nagyobb szolgáltatók nagyon robusztus biztonsági intézkedéseket kínálnak (titkosítás átvitel és tárolás közben, ISO 27001 tanúsítványok, SOC 2 stb.), de az adatok az adatközpontjaikba utaznak . Ez szükségessé teszi a szerződések, az adatközpontok helyszíneinek, az adatfeldolgozási záradékok felülvizsgálatát, valamint az engedélyek és a biztonságos API-k gondos konfigurálását. Továbbá kulcsfontosságú annak biztosítása, hogy az integrációk megfeleljenek a minimális jogosultságok elvének.

Ezért választják sok ügyfél a hibrid architektúrákat : a legfontosabb adatokat helyben dolgozzák fel, míg a kevésbé érzékeny vagy nehezebb feladatokat (nagyobb képzések, összesített elemzések) a felhőbe delegálják, ahol a kockázat jobban kezelhető.

Az erőforrások elérhetősége és a modell összetettsége

A második fő szűrő a rendelkezésre álló számítási teljesítmény . A modern mesterséges intelligencia futtatása nem ugyanaz, mint egy egyszerű webes alkalmazás futtatása; a CPU ( Intel és AMD processzorok ), a GPU, az NPU, a RAM és a tárhely kulcsfontosságú.

Helyi vagy helyszíni környezetben a korlátot a hardver határozza meg: PC-k, szerverek, GPU-s munkaállomások, mobileszközök stb. A kis, hatékony modellek (mint például a Phi család, a kis Qwen modellek, a 3-7B kvantált paraméterű modellek és az NPU-ra optimalizált modellek) nagyon jól működnek ebben a környezetben, és az olyan eszközök, mint a Copilot+ PC, már integrálják az erre a célra tervezett NPU-kat, előre telepített modellekkel, amelyek készen állnak a Windows rendszerrel való használatra.

A nagyméretű GPT-4, Claude és Gemini modelleket , vagyis a több mint 70 milliárd paraméterrel rendelkező LLM-eket nehéz helyben, jó felhasználói élménnyel üzemeltetni, kivéve, ha nagyon csúcskategóriás GPU-kkal (RTX 4090 és hasonló) és nagymértékben optimalizált környezettel rendelkezünk. A legtöbb szervezet számára ésszerűbb ezeket a modelleket a felhőből felhasználni , ahol már optimalizálva és skálázva vannak.

A felhőalapú MI- platformok , mint például az Azure AI Services, az Azure OpenAI Service, az AWS és a Google Cloud, lehetővé teszik, hogy gyakorlatilag annyi energiát használj , amennyire szükséged van, és csak azért fizess, amit elfogyasztasz. Itt hozzáférhetsz LLM-ekhez, látásmodellekhez, hangvezérléshez, ajánlórendszerekhez és sok máshoz anélkül, hogy egyetlen GPU-t is meg kellene vásárolnod.

Teljesítmény, késleltetés és megbízhatóság

Egy másik kulcsfontosságú tényező, hogy milyen gyorsan és megbízhatóan kell reagálnia a mesterséges intelligenciának. A késleltetés számos esetben döntő tényező lehet : algoritmikus kereskedés, prediktív karbantartás üzemekben, valós idejű hibaészlelés, segített vezetés, robotika vagy egyszerűen egy jó felhasználói élmény egy chatbotban.

Helyi vagy peremhálózati mesterséges intelligencia esetén az adatok feldolgozása magán az eszközön vagy a belső hálózaton történik, így nem függ az internetkapcsolat minőségétől (ellenőrizze a kábelezést és a Cat5, Cat6 és Cat7 kábeleket ) . Ez jelentősen csökkenti a késleltetést és elkerüli a jittert, ami kritikus fontosságú az ipari látás, az IoT vagy az olyan alkalmazások esetében, amelyeknek akkor is működniük kell, ha a hálózat kiesik. A kompromisszum az, hogy a maximális teljesítményt a hardver korlátozza.

A felhőalapú mesterséges intelligencia rendkívül nagy teljesítményű és speciális hardverre támaszkodhat , de mindig további hálózati késleltetéssel kell számolni . Jó kapcsolattal ez általában több mint elfogadható virtuális asszisztensek, szöveggenerálás vagy kötegelt elemzés számára, de a valós idejű vezérlés terén elmaradhat a várakozási időtől. Ennek enyhítésére a szolgáltatók alacsony késleltetésű zónákat és peremhálózati számítástechnikát kínálnak , közelebb hozva a számítástechnikát a végfelhasználóhoz.

A megbízhatóság szempontjából egy jól menedzselt helyszíni telepítés elkerüli a külső áramkimaradásoktól való függőséget, bár megköveteli, hogy saját magas rendelkezésre állású és biztonsági mentési stratégiával rendelkezzen . A felhő ezzel szemben SLA-kat, földrajzi redundanciát és katasztrófa utáni helyreállítást kínál, de alkalmankénti szolgáltatói hibákkal szemben is sebezhető.

Költségek, skálázhatóság és gazdasági modell

A költségvita nem olyan egyszerű, mint például, hogy „a helyszíni megoldás olcsó, a felhő drága”, vagy fordítva. Különbséget kell tenni a kezdeti befektetés (CapEx) és az üzemeltetési költségek (OpEx) között , valamint figyelembe kell venni az energiafogyasztást, a személyzetet, a karbantartást és a skálázhatóságot.

Egy helyszíni MI- stratégiában hardverbe (szerverek, GPU-k, tárhelyek ( SSD vs. HDD ), hűtés, adatközpontok), szükség esetén licencekbe és gyakran képzett személyzetbe kell befektetni a karbantartáshoz. Cserébe, miután a befektetés megtérül, az egy következtetésre jutó költség nagyon alacsony lehet , különösen stabil és megfelelően méretezett munkaterhelések esetén.

A felhőalapú mesterséges intelligencia fizetési módban vagy előfizetéses modellt követ . Nem kell előre befektetni; órákon belül üzembe helyezhető, és szinte azonnal 10-ről 10 000 kérésre bővíthető. De ha a mennyiség az egekbe szökik, vagy a modell nagyon erőforrás-igényessé válik, a havi számla nagyon gyorsan megnőhet . Továbbá figyelemmel kell kísérni a kevésbé nyilvánvaló költségeket, mint például az adatátvitel, a kiterjesztett tárhely vagy az intenzív GPU-képzés.

Ezért sok vállalat hibrid és optimalizált modellt alkalmaz : helyben futtatják az intenzív, de kiszámítható megoldásokat (például egy belső osztályozási modellt vagy egy, a dokumentációjával betanított vállalati chatbotot), és a felhőt használják csúcsidőszakokhoz, kísérleti esetekhez vagy olyan határmodellekhez, amelyeket nem lehet házon belül futtatni.

Akadálymentesítés, együttműködés és tipikus használati esetek

A csapatok és a mesterséges intelligencia közötti interakció módja jelentősen változik attól függően, hogy hol telepítik. A helyi modellen való együttműködés nem olyan egyszerű, mint egy megosztott felhőszolgáltatáson.

Helyi mesterséges intelligencia esetén a modell jellemzően csak arról az eszközről vagy hálózatról érhető el, amelyen fut . Ez ideális elszigetelt környezetekhez, belső folyamatokhoz vagy teljesen lezárt projektekhez (laboratóriumok, kritikus rendszerek, ipari üzemek). Azonban bonyolítja a csapatok és irodák közötti elosztott együttműködést, hacsak nem hoz létre egy jól látható belső szolgáltatási réteget.

A felhőalapú mesterséges intelligencia szolgáltatások kiemelkedőek a globális elérhetőség és a csapatmunka terén . Bármelyik, jogosultságokkal és internetkapcsolattal rendelkező tag bárhonnan elérheti az API-t. Ez logikus választássá teszi nyilvános virtuális asszisztensek, többfelhasználós SaaS, együttműködésen alapuló eszközök vagy végfelhasználói termékek számára.

Néhány egyértelmű példa a felhőben széles körben alkalmazott mesterséges intelligenciára: a ChatGPT vagy az Azure OpenAI integrációi Windows alkalmazásokban , a képgenerálás DALL-E- vel, a .NET MAUI-ra és felhőalapú LLM- ekre épülő ajánlási asszisztensek , vagy a REST API-kon keresztül elérhető látás-, hang-, fordítási és szemantikus keresési szolgáltatások.

Könnyű megvalósítás, karbantartás és ökoszisztéma

Egy gyakran alábecsült szempont: ki a felelős a modell frissítéséért és karbantartásáért , valamint a kapcsolódó eszközökért.

Egy helyi MI- környezetben szinte mindenért te vagy a felelős: a modellek telepítéséért és frissítéséért, az ONNX Runtime vagy más futtatókörnyezetek kezeléséért, a GPU-illesztőprogramok karbantartásáért, a teljesítmény figyeléséért, a sebezhetőségek javításáért és az alkalmazásokkal való kompatibilitás biztosításáért. Az olyan megoldások, mint a Windows ML, a Foundry Local vagy a Microsoft Foundry Windows rendszeren, megkönnyítik az életet azáltal, hogy közvetlenül integrálják a modelleket az asztali vagy peremhálózati alkalmazásokba, de az üzemeltetési teher továbbra is téged terhel.

A felhőben található mesterséges intelligenciával a szolgáltató kezeli a frissítéseket, javításokat, új funkciókat és a belső skálázást . Az olyan platformok, mint a Microsoft Foundry, az Azure AI Services és az Azure OpenAI Service, jól fejlett API-kat és SDK-kat kínálnak, amelyek integrálva vannak az Azure DevOps, a GitHub Copilot, a Semantic Kernel és más DevOps szolgáltatásokkal. A fejlesztőcsapat számára ez azt jelenti, hogy inkább az üzleti logikára kell összpontosítani, és kevesebbet az infrastruktúra felügyeletére.

Az ökoszisztéma is számít: számos felhőalapú fejlesztői asszisztens, mint például a GitHub Copilot, a Cursor, a Claude Code vagy a Google Gemini Code Assist , ezekre a felhőszolgáltatásokra támaszkodik, IDE bővítményeket, parancssori felületeket és kifinomult kódelemző eszközöket kínálva, az ingyenes szintektől a Pro előfizetéseken át az API-n keresztüli használatalapú fizetésig terjedő árképzési csomagokkal.

Helyi mesterséges intelligencia fejlesztőknek és vállalkozásoknak: előnyök és hátrányok

Sok fejlesztő és szervezet számára a helyszíni AI-környezet létrehozása nagyon vonzó lehetőséggé vált, mind adatvédelmi okokból, mind a hosszú távú költségmegtakarítás miatt. A tipikus kombináció általában a VS Code + kiterjesztések, mint a Continue vagy a Cline + egy helyi LLM Ollamán vagy egy dedikált szerveren keresztül.

Ez a megközelítés lehetővé teszi, hogy az összes kód és lekérdezés a gépeden maradjon , ami kritikus fontosságú, ha rendkívül érzékeny szellemi tulajdonnal vagy olyan kóddal dolgozol, amelyet még nem lehet harmadik felek számára elérhetővé tenni. A nyílt forráskódú modellek, mint a Qwen, a Code Llama, a Llama 3, a Mistral vagy a programozóknak szánt változatok meglepően jól teljesíthetnek, különösen közepes méretben (14B, 32B) tisztességes GPU-kon.

Az ár, amit fizetni kell, az az, hogy nagy teljesítményű hardverre van szükséged (például egy legalább 8 GB VRAM-mal rendelkező GPU-ra a 7-14B-os modellek kényelmes futtatásához), és manuális konfigurációkkal, kvantálással, optimalizálással és frissítésekkel kell foglalkoznod. Ez egy tökéletes megközelítés a rendkívül érzékeny adatokkal rendelkező vállalatok , a műszaki laborok, a barkácsolást kedvelő csapatok és azok számára, akik el akarják kerülni a havi előfizetéseket.

Az üzleti szektorban számos tanácsadó cég és egyedi szoftverfejlesztő specializálódott helyszíni vagy hibrid architektúrák tervezésére , amelyek ötvözik a folyamatautomatizálást, az intelligens ügynököket, a kiberbiztonságot és az üzleti intelligenciát. A banki, egészségügyi vagy szabályozott szektorokban működő cégek gyakran a helyszíni mesterséges intelligenciát részesítik előnyben az érzékeny adatok feldolgozásához, és a felhőt az összesített elemzésekhez vagy az ügyfélkapcsolati szolgáltatásokhoz.

MI a felhőben: lehetőségek, felhasználási esetek és kihívások

Másrészről a felhőalapú mesterséges intelligencia de facto szabvánnyá vált számos olyan szervezet számára, amelyek sebességet, skálázhatóságot és a legmodernebb modellekhez való hozzáférést keresnek anélkül, hogy saját adatközpontot kellene építeniük. Itt mind a nagy hiperskálázók (Azure, AWS, Google Cloud), mind a speciális következtetési szolgáltatók (runpod, vast.ai, together, deepinfra stb.) kiemelkedően teljesítenek.

Üzleti környezetekben a felhőalapú mesterséges intelligencia lehetővé teszi az ismétlődő feladatok automatizálását, a prediktív elemzést, a csalásészlelést, a logisztikai optimalizálást és a 24 órás ügyfélszolgálatot fejlett chatbotokkal. Az olyan ágazatok, mint a kiskereskedelem és a gyártás, nagymértékben támaszkodnak a felhőre az értékesítési elemzések, a prediktív karbantartás és a gyártósorokon végzett gépi látás terén.

Az iparági adatok szerint Latin-Amerikában erőteljes növekedés tapasztalható a felhőalapú infrastruktúrába történő beruházások terén , amelyet pontosan a mesterséges intelligencia projektek hajtanak. A generatív modellek használata tartalomkészítéshez, termékajánláshoz, dokumentumok elemzéséhez és a döntéshozatal támogatásához segít csökkenteni a digitális szakadékot az olyan fejlettebb régiókkal, mint Észak-Amerika és Európa.

A piaci hírek rávilágítanak arra, hogy a felhőt már használó vállalatok nagyon magas százaléka igénybe veszi ugyanezen szolgáltatók által kínált mesterséges intelligencia szolgáltatásokat is , gyakran többfelhős vagy hibrid architektúrákban. A nagy nyelvi modelleket (LLM) nemcsak chatbotokhoz használják: belső eszközöket, szkriptelési asszisztenseket, intelligens keresőmotorokat és nagyméretű dokumentumelemző megoldásokat is működtetnek.

Autonóm ágensek és az ágensi korszak: miért fontosabb még jobban a hol

Az autonóm mesterséges intelligencia által vezérelt ágensek (Agentic Era) megjelenésével , amelyek nemcsak reagálnak, hanem cselekszenek is (parancsokat hajtanak végre, rendszereket módosítanak, folyamatokat kezelnek), a lokális és a felhő közötti választás még kényesebbé válik.

Egy helyi ügynöki beállításban a teljes interakciós, döntési és cselekvési ciklus a környezeten belül fut: naplók, ügyféladatok, belső rendszerekhez küldött parancsok stb. Ez maximális kontrollt és nyomon követhetőséget biztosít , ami elengedhetetlen a szabályozott szektorokban. Áttekintheti, hogyan hoznak döntéseket, auditálhatja a viselkedésüket, és jelentős pontossággal korlátozhatja a hatókörüket.

A felhőben az ügynökök telepítése sokkal egyszerűbb: a szolgáltatók olyan keretrendszereket, orkestrátorokat és csatlakozókat kínálnak, amelyek készen állnak az SaaS, CRM, ERP és mindenféle külső API-val való integrációra. De ezek a megoldások felerősítik a biztonsági és adatvédelmi kockázatokat is : egy helytelen konfiguráció vagy egy rosszul tesztelt szállítói frissítés befolyásolhatja az ügyfelek élményét, vagy akaratlanul is adatokat tehet közzé.

Már voltak valós esetek olyan vállalatokra, amelyek felhőügynökei következetlen vagy káros válaszokat kezdtek kiadni az alapul szolgáló modellek rajtuk kívül álló változásait követően. Ez világosan szemlélteti, milyen problémás lehet az ügynöki környezetekben a lánc feletti teljes kontroll elvesztése.

MI a peremhálózaton: amikor a pillanatban, internet nélkül kell döntéseket hoznod

Egy másik elem, amelyet be kell vonni az egyenletbe, az edge AI , amely a helyi MI közeli unokatestvére, és a csatlakoztatott eszközökre összpontosít.

Az ötlet egyszerű: a számítástechnikát a lehető legközelebb kell helyezni az adatok keletkezésének helyéhez . Ahelyett, hogy egy ipari kamerából származó összes képet a felhőbe küldenénk elemzésre, azokat közvetlenül egy peremhálózati eszközön dolgozzák fel, amelybe a modell már be van töltve. Ugyanez vonatkozik az okosórákra, okostelefonokra, az ellátási láncban lévő érzékelőkre és a viselhető orvosi monitorokra is.

Ez lehetővé teszi a valós idejű döntéshozatalt , még akkor is, ha az internetkapcsolat szakaszos vagy nem létezik, és csökkenti a hálózati forgalmat, a sávszélesség költségeit és a távoli adatközpontoktól való függőséget. A peremhálózati mesterséges intelligencia különösen érdekes a gyártásban, a logisztikában, az energiagazdálkodásban és az egészségügyben , ahol a késleltetés és a rugalmasság kritikus fontosságú.

Ugyanakkor ezek a peremhálózati eszközök kombinálhatók felhőszolgáltatásokkal a képzés, az adataggregáció és a globális koordináció érdekében , így nagyon hatékony elosztott mesterséges intelligencia architektúrák érhetők el.

Hibrid stratégiák és gyakorlati kiválasztási kritériumok

Mindez egy meglehetősen nyilvánvaló ponthoz vezet: ritkán van egyértelmű győztes a helyszíni és a felhőalapú MI között . A legtöbb érett szervezet hibrid megközelítést alkalmaz, tudatosan megtervezve, hogy mi hol fut.

Számos projekt esetében ésszerű stratégia a helyi mesterséges intelligencia használata a következők esetében: rendkívül érzékeny információk (klinikai, pénzügyi és K+F adatok), belső vállalati chatbotok, back-office folyamatok automatizálása és garantált kapcsolat nélküli környezetek. Itt az adatvédelem, az ellenőrzés és az előre látható költségek a prioritás.

Ezzel párhuzamosan tökéletesen logikus a mesterséges intelligencia felhőalapú használata a következőkre: nyilvános asszisztensek, több ezer egyidejű felhasználóval rendelkező szolgáltatások, új használati esetek gyors tesztelése, tömeges adatelemzés, valamint olyan határmodellekhez való hozzáférés, amelyeket nem lehet házon belül üzemeltetni. Itt a skálázhatóság, a kényelem és a piacra jutási idő kulcsfontosságú.

Azokban az esetekben, amikor mindkettőre szükség van, hibrid és többfelhős architektúrákat is tervezhet : a munkafolyamat egy részét helyben kezeli (adattisztítás, anonimizálás, sürgős döntések), egy másik részét pedig a felhőbe delegálja (képzés, összesített elemzés, nagymértékű következtetés kapcsolat esetén).

A kulcs a döntés meghozatala előtt a szabályozási kockázat, az adatérzékenység, a forgalmi profil, a növekedési horizont, a költségvetés, a rendelkezésre álló műszaki szakemberek és a harmadik felektől való elfogadható függőség gondos értékelése . Ennek ismeretében sokkal könnyebb eldönteni, hogy a legjobb-e jelentős összegeket befektetni a helyszíni megoldásokba, a felhőbe, vagy egy jól átgondolt köztes megoldásba.

Egy olyan környezetben, ahol szinte minden vállalat valamilyen módon már a felhőben működik, és ugyanakkor a mesterséges intelligencia (MI) befektetéseinek megtérülését kívánja maximalizálni a költségek vagy kockázatok meredek növekedése nélkül, a helyi MI, a peremhálózati MI és a felhőalapú MI intelligens kombinálása válik a nyerő megközelítéssé : kihasználja az egyes környezetek legjobb tulajdonságait, összehangolja a biztonságot, a teljesítményt és a költségvetést, és elegendő rugalmasságot tart fenn a gyorsan változó technológiához való alkalmazkodáshoz.