Skirtumai tarp vietinio ir debesijos pagrindu veikiančio dirbtinio intelekto: išsamus vadovas

Informatec Digital » Ištekliai » Skirtumai tarp vietinio ir debesijos pagrindu veikiančio dirbtinio intelekto: išsamus vadovas

Šiandien svarbiausias sprendimas nebėra dirbtinio intelekto naudojimas , o kur ir kaip jį įdiegti: savo įrenginiuose, debesyje ar abiejų derinyje. Šis pasirinkimas turi įtakos bet kurio skaitmeninio projekto kainai, saugumui, našumui ir net verslo modeliui – nuo ​​mažos programėlės iki platformos su tūkstančiais vartotojų.

Kalbėdami apie skirtumus tarp vietinio ir debesijos pagrindu veikiančio dirbtinio intelekto, iš esmės turime omenyje, kur yra modelis, kas jį kontroliuoja ir kas nutinka su duomenimis . Todėl kyla rimtų problemų, tokių kaip atitiktis reglamentams (BDAR, HIPAA), delsa realiuoju laiku, mastelio keitimas, investicijos į aparatinę įrangą, priklausomybė nuo tiekėjo ir pritaikymo galimybės. Panagrinėkime tai ramiai, bet neperkalbant apie tai.

Kas yra vietinis dirbtinis intelektas ir kas yra debesijos dirbtinis intelektas, paaiškinta paprastais žodžiais

Pirmasis skirtumas yra labai paprastas: vietinis DI yra tas, kuris veikia jūsų pačių įrangoje (asmeniniame kompiuteryje, vietiniame serveryje, mobiliajame įrenginyje, pramoninėse sistemose ir kt.), o debesies DI yra tas, kuris veikia debesijos teikėjo duomenų centruose ir paprastai naudojamas per API arba SDK.

Debesijos srityje naudojamos tokios paslaugos kaip „Azure AI Services“, „Azure OpenAI Service“, AWS, „Google Cloud“, „OpenAI“, „Anthropic“, „Gemini“ ir „Hugging Face“ . Tai apima pažangiausius modelius („GPT-4“, „GPT-4 Turbo with Vision“, „Claude“, „Gemini“, „PaLM“, „DALL-E“, didelius įterpimo modelius ir kt.), prie kurių galite prisijungti internetu, mokėdami už kiekvieną naudojimą arba per prenumeratas.

Vietinėje pusėje randame viską – nuo ​​klasikinių diegimų vietoje iki vykdymo tiesiai įrenginyje: kompiuteriuose su GPU, darbo stotyse, serveriuose jūsų duomenų centre ar net mobiliuosiuose ir daiktų interneto įrenginiuose. Tokios priemonės kaip „Ollama“, „LM Studio“, „KoboldCpp“, „AnythingLLM“ arba tokios aplinkos kaip „Windows ML“, „ONNX Runtime“, „Foundry Local“ ir „Microsoft Foundry“ sistemoje „Windows“ leidžia lengvai įkelti ir paleisti kalbos modelius („Llama“, „Mistral“, „Phi“, „Qwen“ ir kt.) arba vizijos modelius tiesiai jūsų kompiuteryje.

Tarp šių dviejų kraštutinumų yra tinklo krašto metodas : modeliai, diegiami tinklo krašto įrenginiuose (jutikliai, nešiojami įrenginiai, pramoninės mašinos, kameros, mobilieji telefonai), kurie apdoroja duomenis arti jų generavimo vietos ir siunčia į debesį tik būtiniausius duomenis. Tai labai įdomus būdas sumažinti delsą ir tinklo srautą.

Svarbiausi veiksniai, į kuriuos reikia atsižvelgti renkantis tarp vietinio ir debesijos pagrindu veikiančio dirbtinio intelekto

Geras pasirinkimas priklauso ne tik nuo asmeninio skonio; skirtumą lemia keli veiksniai. Privatumas, ištekliai, našumas, išlaidos ir mastelio keitimas paprastai yra svarbiausi, tačiau jie nėra vieninteliai.

Privatumas, atitiktis ir saugumas yra atspirties taškas, ypač reguliuojamuose sektoriuose, tokiuose kaip bankininkystė, sveikatos apsauga ir viešasis administravimas. Klausimas aiškus: ar duomenys gali palikti namus, ar ne?

Taip pat svarbu turėti techninę ir žmogiškuosius išteklius , lengvai prižiūrėti, būtinybė bendradarbiauti nuotoliniu būdu, daug vienu metu veikiančių vartotojų ir paties modelio sudėtingumas (mažas Phi tipo modelis nėra tas pats, kas LLM su daugiau nei 100 mlrd. parametrų).

Galiausiai svarbu nepamiršti įrankių ekosistemos ir integracijos su dabartiniu jūsų įrankių rinkiniu : jei jau dirbate su „Azure“, „GitHub“, AWS ar „Google“ arba jei turite labai plačiai paplitusią „Windows“ infrastruktūrą (žr. „Windows Pro“ ir „Enterprise“ ), tai ne tas pats, kas pradėti nuo nulio.

Svarbiausia yra suderinti šiuos veiksnius su jūsų faktiniu naudojimo atveju: vidinių procesų automatizavimas, autonominiai sprendimų priėmimo agentai, programavimo asistentai, klientų aptarnavimo pokalbių robotai, pramoninė vizija, pažangi analizė ir kt.

Privatumas ir taisyklių laikymasis

Dirbtinio intelekto apdorojimo vietos pasirinkimas nebėra techninė detalė, o rizikos sprendimas, kai tvarkomi jautrūs arba reguliuojami duomenys (sveikatos, finansiniai, asmeniniai klientų duomenys, didelės vertės intelektinė nuosavybė).

Diegiant dirbtinį intelektą vietoje , duomenys apdorojami ir saugomi jūsų pačių infrastruktūroje arba net vartotojo įrenginyje . Tai smarkiai sumažina atakų paviršių ir supaprastina atitiktį tokiems reglamentams kaip BDAR ar HIPAA , jei jūsų vidinis saugumas yra gerai suplanuotas. Tačiau atsakomybė už šifravimą, prieigos kontrolę, pataisymų diegimą ir auditą lieka tik jums.

Naudojant dirbtinį intelektą debesyje , didieji tiekėjai siūlo labai patikimas saugumo priemones (šifravimą perdavimo ir saugojimo metu, ISO 27001 sertifikatus, SOC 2 ir kt.), tačiau duomenys keliauja į jų duomenų centrus . Dėl to reikia peržiūrėti sutartis, duomenų centrų vietas, duomenų apdorojimo sąlygas ir atidžiai konfigūruoti leidimus bei saugias API sąsajas. Be to, labai svarbu užtikrinti, kad integracijos atitiktų mažiausių privilegijų principą.

Štai kodėl daugelis klientų renkasi hibridines architektūras : svarbiausi duomenys apdorojami vietoje, o mažiau jautrūs ar sunkesni uždaviniai (dideli mokymai, apibendrintos analizės) deleguojami debesijai, kur rizika yra lengviau valdoma.

Išteklių prieinamumas ir modelio sudėtingumas

Antras svarbus filtras yra turima skaičiavimo galia . Šiuolaikinio dirbtinio intelekto paleidimas nėra tas pats, kas paprastos žiniatinklio programos paleidimas; svarbiausi yra centrinis procesorius ( „Intel“ ir AMD procesoriai ), vaizdo plokštė, tinklo procesorius, operatyvioji atmintis ir saugykla .

Vietiniame arba įmonės viduje esančiame scenarijuje ribą nustato jūsų aparatinė įranga: kompiuteriai, serveriai, GPU darbo stotys, mobilieji įrenginiai ir kt. Maži, efektyvūs modeliai (pvz., „Phi“ šeima, maži „Qwen“ modeliai, 3–7B kvantinių parametrų modeliai ir NPU optimizuoti modeliai) šioje aplinkoje puikiai veikia, o tokiuose įrenginiuose kaip „ Copilot+ PC“ jau integruoti šiam tikslui sukurti NPU su iš anksto įdiegtais modeliais, paruoštais naudoti su „Windows“.

Didelius GPT-4, Claude ir Gemini modelius arba LLM modelius su daugiau nei 70 milijardų parametrų sunku talpinti lokaliai, užtikrinant gerą naudotojo patirtį, nebent turite labai aukštos klasės GPU (RTX 4090 ir panašius) ir labai optimizuotą aplinką. Daugumai organizacijų protingiau naudoti šiuos modelius debesyje , kur jie jau yra optimizuoti ir pritaikyti masteliui.

Debesijos pagrindu sukurtos dirbtinio intelekto platformos, tokios kaip „Azure AI Services“, „Azure OpenAI Service“, AWS ir „Google Cloud“, leidžia naudoti praktiškai tiek energijos, kiek reikia , mokant tik už tai, ką suvartojate. Čia galite pasiekti LLM, regėjimo modelius, balso, rekomendacijų sistemas ir daug daugiau, nepirkdami nė vieno GPU.

Našumas, delsa ir patikimumas

Kitas svarbus veiksnys yra tai, kaip greitai ir patikimai jums reikia dirbtinio intelekto reagavimo. Vėlavimas gali būti lemiamas veiksnys daugelyje scenarijų: algoritminėje prekyboje, nuspėjamojoje gamyklų techninėje priežiūroje, gedimų aptikime realiuoju laiku, pagalbiniame vairavime, robotikoje ar tiesiog geroje vartotojo patirtyje pokalbių robote.

Naudojant vietinį arba periferinį dirbtinį intelektą , duomenys apdorojami pačiame įrenginyje arba jūsų vidiniame tinkle, todėl nesate priklausomi nuo interneto ryšio kokybės (patikrinkite laidus ir „Cat5“, „Cat6“ bei „Cat7“ laidus ) . Tai žymiai sumažina delsą ir išvengiama virpesių, o tai yra labai svarbu pramoniniam regėjimui, daiktų internetui ar programoms, kurios turi toliau veikti net ir nutrūkus tinklui. Kompromisas yra tas, kad maksimalų našumą riboja jūsų aparatinė įranga.

Debesijos pagrindu veikiantis dirbtinis intelektas gali pasikliauti itin galinga ir specializuota įranga, tačiau visada susidursite su papildomu tinklo delsos laiku . Esant geram ryšiui, tai paprastai yra daugiau nei priimtina virtualiems asistentams, teksto generavimui ar paketinei analizei, tačiau gali neatitikti realiojo laiko valdymo reikalavimų. Siekdami tai sušvelninti, tiekėjai siūlo mažo delsos zonas ir periferinius skaičiavimus , priartindami skaičiavimus prie galutinio vartotojo.

Kalbant apie patikimumą, gerai valdomas diegimas vietoje vengia priklausomybės nuo išorinių sutrikimų, nors tam reikia turėti savo aukšto prieinamumo ir atsarginių kopijų kūrimo strategiją . Kita vertus, debesis siūlo SLA, geografinį perteklių ir atkūrimą po nelaimių, tačiau jis taip pat yra pažeidžiamas kartais pasitaikančių tiekėjų gedimų.

Sąnaudos, mastelio keitimas ir ekonominis modelis

Ginčas dėl sąnaudų nėra toks paprastas, kaip „vietinės sistemos yra pigios, debesijos kompiuterija – brangios“ arba atvirkščiai. Būtina atskirti pradines investicijas (CapEx) ir veiklos sąnaudas (OpEx) , taip pat atsižvelgti į energijos suvartojimą, personalą, priežiūrą ir mastelio keitimą.

Vietinės dirbtinio intelekto strategijos atveju reikia investuoti į techninę įrangą (serverius, vaizdo plokštes, saugyklas ( SSD ir HDD ), aušinimą, duomenų centrus), licencijas, kai reikia, ir dažnai į kvalifikuotus darbuotojus, kurie viską prižiūrėtų. Kita vertus, kai investicijos atsipirks, vienos išvados kaina gali būti labai maža , ypač jei turite stabilius ir tinkamo dydžio darbo krūvius.

Debesijos pagrindu veikiantis dirbtinis intelektas veikia mokėjimo pagal naudojimą arba prenumeratos modeliu . Jums nereikia iš anksto investuoti; galite pradėti veikti per kelias valandas ir beveik akimirksniu padidinti užklausų skaičių nuo 10 iki 10 000. Tačiau jei užklausų skaičius smarkiai išauga arba modelis tampa labai daug išteklių reikalaujantis, mėnesio sąskaita gali labai greitai išaugti . Be to, turite stebėti mažiau akivaizdžias išlaidas, tokias kaip duomenų perdavimas, ilgesnis saugojimas ar intensyvus GPU mokymas.

Štai kodėl daugelis įmonių pasirenka hibridinį ir optimizuotą modelį : jos lokaliai vykdo tai, kas yra intensyvu, bet nuspėjama (pavyzdžiui, vidinis klasifikavimo modelis arba įmonės pokalbių robotas, apmokytas naudojantis jo dokumentacija), o debesį naudoja piko metu, eksperimentiniams atvejams ar nebaigtiems modeliams, kurių negalima talpinti įmonės viduje.

Prieinamumas, bendradarbiavimas ir tipiniai naudojimo atvejai

Jūsų komandų sąveikos su dirbtiniu intelektu būdas taip pat labai skiriasi priklausomai nuo to, kur jis diegiamas. Bendradarbiavimas naudojant vietinį modelį nėra toks paprastas kaip bendradarbiavimas naudojant bendrinamą debesies paslaugą.

Naudojant vietinį dirbtinį intelektą , modelis paprastai pasiekiamas tik iš įrenginio ar tinklo, kuriame jis talpinamas . Tai idealiai tinka izoliuotoms aplinkoms, vidiniams procesams ar projektams, kurie turi būti visiškai uždari (laboratorijos, kritinės sistemos, pramonės įmonės). Tačiau tai apsunkina paskirstytą bendradarbiavimą tarp komandų ir biurų, nebent sukurtumėte gerai matomą vidinį paslaugų sluoksnį.

Debesijos pagrindu sukurtos dirbtinio intelekto paslaugos pasižymi visuotiniu prieinamumu ir komandiniu darbu . Bet kuris narys, turintis leidimus ir interneto ryšį, gali pasiekti API iš bet kurios vietos. Todėl tai logiškas pasirinkimas viešiesiems virtualiems asistentams, kelių vartotojų SaaS, bendradarbiavimo įrankiams ar galutinių vartotojų produktams.

Keletas aiškių plačiai debesyje įdiegto dirbtinio intelekto pavyzdžių: „ChatGPT“ arba „Azure OpenAI“ integracijos „Windows“ programose , vaizdų generavimas naudojant DALL-E , rekomendacijų asistentai, sukurti naudojant .NET MAUI ir debesies LLM , arba regėjimo, balso, vertimo ir semantinės paieškos paslaugos, prieinamos per REST API.

Paprastas įdiegimas, priežiūra ir ekosistema

Vienas aspektas, kuris dažnai yra nepakankamai įvertinamas: kas yra atsakingas už modelio atnaujinimą ir priežiūrą , taip pat už susijusius įrankius.

Vietiniame dirbtinio intelekto diegime jūs esate atsakingi už beveik viską: modelių diegimą ir atnaujinimą, ONNX vykdymo aplinkos valdymą, GPU tvarkyklių priežiūrą, našumo stebėjimą, pažeidžiamumų taisymą ir suderinamumo su jūsų programomis užtikrinimą. Tokie sprendimai kaip „Windows ML“, „Foundry Local“ arba „Microsoft Foundry“ sistemoje „Windows“ palengvina gyvenimą, tiesiogiai integruodami modelius į darbalaukio arba periferines programas, tačiau operacinė našta vis tiek tenka jums.

Kai dirbtinis intelektas yra debesyje , teikėjas tvarko atnaujinimus, pataisas, naujas funkcijas ir vidinį mastelio keitimą . Tokios platformos kaip „Microsoft Foundry“, „Azure AI Services“ ir „Azure OpenAI Service“ siūlo gerai išvystytus API ir SDK, integruotus su „Azure DevOps“, „GitHub Copilot“, „Semantic Kernel“ ir kitomis „DevOps“ paslaugomis. Kūrimo komandai tai reiškia daugiau dėmesio skirti verslo logikai, o mažiau – infrastruktūros priežiūrai.

Svarbi ir ekosistema: daugelis debesijos pagrindu veikiančių kūrimo asistentų, tokių kaip „GitHub Copilot“, „Cursor“, „Claude Code“ ar „Google Gemini Code Assist“, pasikliauja šiomis debesijos paslaugomis, siūlydami IDE papildinius, komandų sąsajas (CLI) ir itin patobulintus kodo analizės įrankius, kurių kainodaros planai svyruoja nuo nemokamų lygių iki „Pro“ prenumeratų arba mokėjimo už naudojimą per API.

Vietinis dirbtinis intelektas kūrėjams ir įmonėms: privalumai ir trūkumai

Daugeliui kūrėjų ir organizacijų dirbtinio intelekto aplinkos sukūrimas vietoje tapo labai patraukliu pasirinkimu tiek dėl privatumo, tiek dėl ilgalaikio išlaidų taupymo. Įprastas derinys paprastai yra „VS Code“ + plėtiniai, tokie kaip „Continue“ arba „Cline“ + vietinė LLM per „Ollama“ arba dedikuotą serverį.

Šis metodas leidžia visam kodui ir užklausoms likti jūsų kompiuteryje , o tai labai svarbu, jei dirbate su labai jautria intelektine nuosavybe arba kodu, kurio dar negalima atskleisti trečiosioms šalims. Atvirojo kodo modeliai, tokie kaip „Qwen“, „Code Llama“, „Llama 3“, „Mistral“ arba programuotojams skirti variantai, gali veikti stebėtinai gerai, ypač esant vidutinio dydžio operacijoms (14B, 32B) su tinkamais GPU.

Mokama kaina yra ta, kad jums reikia galingos aparatinės įrangos (pavyzdžiui, GPU su bent 8 GB vaizdo atminties, kad patogiai veiktų 7–14B modeliai), ir turite susidurti su rankinėmis konfigūracijomis, kvantavimu, optimizavimu ir atnaujinimais. Tai puikus būdas įmonėms, turinčioms labai jautrius duomenis , techninėms laboratorijoms, komandoms, kurios mėgsta eksperimentuoti, ir tiems, kurie nori išvengti mėnesinių prenumeratų.

Verslo sektoriuje daugelis konsultacinių firmų ir nestandartinės programinės įrangos kūrėjų specializuojasi projektuojant vietines arba hibridines architektūras , kurios apjungia procesų automatizavimą, išmaniuosius agentus, kibernetinį saugumą ir verslo analitiką. Bankininkystės, sveikatos priežiūros ar reguliuojamuose sektoriuose dirbančios įmonės dažnai renkasi vietinį dirbtinį intelektą jautrių duomenų apdorojimui ir debesį apibendrintai analizei arba klientų aptarnavimo paslaugoms.

Dirbtinis intelektas debesyje: potencialas, naudojimo atvejai ir iššūkiai

Kita vertus, debesijos pagrindu veikiantis dirbtinis intelektas tapo faktiniu standartu daugeliui organizacijų, siekiančių greičio, mastelio keitimo ir prieigos prie pažangiausių modelių, nereikalaujant kurti savo duomenų centro. Būtent čia puikiai veikia tiek didieji hiperskalės teikėjai („Azure“, AWS, „Google Cloud“), tiek specializuoti duomenų išvadų teikėjai („runpod“, „vast.ai“, „together“, „deepinfra“ ir kt.).

Verslo aplinkoje debesijos dirbtinis intelektas leidžia automatizuoti pasikartojančias užduotis, atlikti nuspėjamąją analizę, aptikti sukčiavimą, optimizuoti logistiką ir teikti klientų aptarnavimą visą parą naudojant pažangius pokalbių robotus. Tokie sektoriai kaip mažmeninė prekyba ir gamyba labai priklauso nuo debesijos pardavimų analizei, nuspėjamajai priežiūrai ir mašininiam matymui gamybos linijose.

Remiantis pramonės duomenimis, Lotynų Amerikoje sparčiai auga investicijos į debesų kompiuterijos infrastruktūrą , o tai lemia būtent dirbtinio intelekto projektai. Generatyvinių modelių naudojimas turiniui kurti, produktams rekomenduoti, dokumentams analizuoti ir sprendimams priimti padeda mažinti skaitmeninę atskirtį su labiau išsivysčiusiais regionais, tokiais kaip Šiaurės Amerika ir Europa.

Rinkos antraštėse pabrėžiama, kad labai didelė dalis įmonių, jau naudojančių debesijos paslaugas, taip pat naudojasi tų pačių teikėjų siūlomomis dirbtinio intelekto paslaugomis , dažnai daugiadebesėse arba hibridinėse architektūrose. Didelės kalbos modeliai (LLM) naudojami ne tik pokalbių robotams: jie taip pat palaiko vidinius įrankius, scenarijų rašymo asistentus, išmaniąsias paieškos sistemas ir didelio masto dokumentų analizės sprendimus.

Autonominiai agentai ir agentų era: kodėl kur tai dar svarbiau

Atsiradus autonominiams dirbtinio intelekto agentams (agentų erai) , kurie ne tik reaguoja, bet ir veikia (vykdo komandas, modifikuoja sistemas, valdo procesus), pasirinkimas tarp vietinio ir debesies tampa dar opesnis.

Vietinio agento sistemoje visas sąveikos, sprendimų ir veiksmų ciklas vyksta jūsų aplinkoje: žurnalai, klientų duomenys, komandos vidinėms sistemoms ir pan. Tai užtikrina maksimalią kontrolę ir atsekamumą , o tai labai svarbu reguliuojamuose sektoriuose. Galite peržiūrėti, kaip jie priima sprendimus, audituoti jų elgesį ir labai tiksliai apriboti jų taikymo sritį.

Debesyje agentų diegimas yra daug paprastesnis: teikėjai siūlo sistemas, koordinatorius ir jungtis , paruoštas integracijai su SaaS, CRM, ERP ir visų rūšių išorinėmis API. Tačiau jie taip pat padidina saugumo ir privatumo riziką : netinkama konfigūracija arba prastai išbandytas tiekėjo atnaujinimas gali paveikti jūsų klientų patirtį arba netyčia atskleisti duomenis.

Jau yra buvę realių atvejų, kai įmonės, kurių debesijos agentai pradėjo teikti nenuoseklius ar žalingus atsakymus po to, kai pasikeitė pagrindiniai modeliai, kurių jie negalėjo kontroliuoti. Tai aiškiai iliustruoja, kokios problemos gali kilti praradus visišką grandinės kontrolę agentų aplinkoje.

Dirbtinis intelektas periferijoje: kai reikia priimti sprendimus akimirksniu ir be interneto

Kitas elementas, kurį reikėtų įtraukti į lygtį, yra periferinis dirbtinis intelektas (EDM) – savotiškas artimas vietinio DI pusbrolis, orientuotas į prijungtus įrenginius.

Idėja paprasta: perkelti skaičiavimus kuo arčiau duomenų generavimo vietos . Užuot siuntus visus vaizdus iš pramoninės kameros į debesį analizei, jie apdorojami tiesiai periferiniame įrenginyje su jau įkeltu modeliu. Tas pats pasakytina apie išmaniuosius laikrodžius, išmaniuosius telefonus, tiekimo grandinės jutiklius ir nešiojamus medicininius monitorius.

Tai leidžia priimti sprendimus realiuoju laiku , net kai interneto ryšys nutrūksta arba jo visai nėra, ir sumažina tinklo srautą, pralaidumo sąnaudas bei priklausomybę nuo nuotolinių duomenų centrų. Dirbtinis intelektas periferiniuose tinkluose yra ypač įdomus gamybos, logistikos, energijos valdymo ir sveikatos priežiūros srityse , kur delsa ir atsparumas yra labai svarbūs.

Tuo pačiu metu šiuos periferinius įrenginius galima derinti su debesijos paslaugomis mokymui, duomenų agregavimui ir pasauliniam koordinavimui , taip pasiekiant labai galingas paskirstytas dirbtinio intelekto architektūras.

Hibridinės strategijos ir praktiniai pasirinkimo kriterijai

Visa tai veda prie gana akivaizdžios išvados: retai kada būna aiškus nugalėtojas tarp vietinio ir debesijos pagrindu veikiančio dirbtinio intelekto . Dauguma brandžių organizacijų taiko hibridinį požiūrį, sąmoningai kurdamos, kas ir kur veikia.

Tinkama daugelio projektų strategija apima vietinio dirbtinio intelekto naudojimą: labai neskelbtinai informacijai (klinikiniams, finansiniams ir mokslinių tyrimų bei plėtros duomenims), vidiniams įmonės pokalbių robotams, administracinių procesų automatizavimui ir aplinkoms be garantuoto ryšio. Čia prioritetas teikiamas privatumui, kontrolei ir nuspėjamoms išlaidoms.

Lygiagrečiai, dirbtinio intelekto naudojimas debesyje yra visiškai logiškas: viešiesiems asistentams, paslaugoms su tūkstančiais vienu metu veikiančių vartotojų, greitam naujų naudojimo atvejų testavimui, masinei duomenų analizei ir prieigai prie pažangių modelių, kurių negalite talpinti savo jėgomis. Čia svarbiausi yra mastelio keitimas, patogumas ir pateikimo į rinką laikas.

Tais atvejais, kai reikalingi abu, galite kurti hibridines ir kelių debesų architektūras : dalis darbo eigos tvarkoma vietoje (duomenų valymas, anonimizavimas, skubūs sprendimai), o kita dalis deleguojama debesiui (mokymai, apibendrinta analizė, sudėtingos išvados, kai yra ryšys).

Svarbiausia prieš priimant sprendimą atidžiai įvertinti tokius veiksnius kaip reguliavimo rizika, duomenų jautrumas, srauto profilis, augimo horizontas, biudžetas, turimi techniniai specialistai ir priimtina priklausomybė nuo trečiųjų šalių . Tai aiškiai supratus, daug lengviau nuspręsti, ar geriausia daug investuoti į vietinius sprendimus, debesį, ar į gerai apgalvotą kompromisą.

Kontekste, kai beveik visos įmonės vienaip ar kitaip jau veikia debesyje ir tuo pačiu metu siekia maksimaliai padidinti savo investicijų į dirbtinį intelektą grąžą nedidindamos išlaidų ar rizikos, išmanus vietinio dirbtinio intelekto, periferinio dirbtinio intelekto ir debesijos dirbtinio intelekto derinimas tampa sėkmingu metodu : išnaudojate geriausias kiekvienos aplinkos savybes, suderinate saugumą, našumą ir biudžetą bei išlaikote pakankamai lankstumo, kad galėtumėte prisitaikyti prie sparčiai besikeičiančių technologijų.