Dallimet midis IA-së në vend dhe IA-së së bazuar në cloud: një udhëzues i plotë

Informatec Digital » Burime » Dallimet midis IA-së në vend dhe IA-së së bazuar në cloud: një udhëzues i plotë

Vendimi i madh sot nuk është më nëse duhet përdorur apo jo inteligjenca artificiale , por ku dhe si ta zbatoni atë: në pajisjet tuaja, në cloud, apo në një kombinim të të dyjave. Kjo zgjedhje ndikon në koston, sigurinë, performancën dhe madje edhe modelin e biznesit të çdo projekti dixhital, nga një aplikacion i vogël te një platformë me mijëra përdorues.

Kur flasim për ndryshimet midis inteligjencës artificiale lokale dhe asaj të bazuar në cloud, në thelb po flasim për vendin ku ndodhet modeli, kush e kontrollon atë dhe çfarë ndodh me të dhënat . Nga aty, lindin çështje serioze, siç janë përputhshmëria rregullatore (GDPR, HIPAA), vonesa në kohë reale, shkallëzueshmëria, investimi në harduer, kyçja e shitësit dhe aftësitë e personalizimit. Le ta analizojmë me qetësi, por pa u zgjatur shumë.

Çfarë është IA lokale dhe çfarë është IA në cloud, e shpjeguar me terma të thjeshtë

Dallimi i parë është shumë i thjeshtë: IA lokale është ajo që funksionon në harduerin tuaj (PC, server në vend, pajisje mobile, sisteme industriale, etj.), ndërsa IA në cloud është ajo që funksionon në qendrat e të dhënave të një ofruesi të cloud-it dhe zakonisht konsumohet nëpërmjet API-t ose SDK-së.

Nga ana e reve, hyjnë në lojë shërbime si Azure AI Services, Azure OpenAI Service, AWS, Google Cloud, OpenAI, Anthropic, Gemini dhe Hugging Face . Këto përfshijnë modele të teknologjisë së fundit (GPT-4, GPT-4 Turbo me Vision, Claude, Gemini, PaLM, DALL-E, modele të mëdha integrimi, etj.) të cilave u qaseni nëpërmjet internetit, duke paguar për përdorim ose nëpërmjet abonimeve.

Nga ana lokale, ne gjejmë gjithçka, nga vendosjet klasike në vend deri te ekzekutimi direkt në pajisje: PC me GPU, stacione pune, servera në qendrën tuaj të të dhënave, apo edhe pajisje mobile dhe IoT. Mjete si Ollama, LM Studio, KoboldCpp, AnythingLLM, ose mjedise si Windows ML, ONNX Runtime, Foundry Local dhe Microsoft Foundry në Windows e bëjnë të lehtë ngarkimin dhe ekzekutimin e modeleve gjuhësore (Llama, Mistral, Phi, Qwen, etj.) ose modeleve të vizionit direkt në makinën tuaj.

Midis këtyre dy ekstremeve qëndron qasja në skaj : modele të vendosura në pajisje në skajin e rrjetit (sensorë, pajisje që vishen, makineri industriale, kamera, telefona celularë) që përpunojnë të dhëna afër vendit ku gjenerohen dhe dërgojnë vetëm të dhëna thelbësore në cloud. Kjo është një mënyrë shumë interesante për të zvogëluar vonesën dhe trafikun e rrjetit.

Faktorët kryesorë që duhen marrë në konsideratë kur vendosni midis inteligjencës artificiale në vend dhe asaj të bazuar në cloud

Zgjedhja e mirë nuk ka të bëjë vetëm me shijen personale; disa faktorë bëjnë diferencën. Privatësia, burimet, performanca, kostot dhe shkallëzueshmëria janë zakonisht më vendimtarët, por nuk janë të vetmit.

Privatësia, pajtueshmëria dhe siguria janë pika fillestare, veçanërisht në sektorët e rregulluar si bankat, kujdesi shëndetësor dhe administrata publike. Pyetja është e qartë: a mund të dalin të dhënat nga shtëpia apo jo?

Gjithashtu të rëndësishme janë disponueshmëria e pajisjeve dhe burimeve njerëzore , lehtësia e mirëmbajtjes, nevoja për bashkëpunim në distancë, vëllimi i përdoruesve të njëkohshëm dhe kompleksiteti i vetë modelit (një model i vogël i tipit Phi nuk është i njëjtë me një LLM me më shumë se 100B parametra).

Së fundmi, është e rëndësishme të mbani mend ekosistemin e mjeteve dhe integrimin me paketën tuaj aktuale : nëse tashmë punoni me Azure, GitHub, AWS ose Google, ose nëse keni një infrastrukturë shumë të përhapur të Windows (shih Windows Pro dhe Enterprise ), nuk është e njëjta gjë si të filloni nga e para.

Çelësi është t’i kombinoni këta faktorë me rastin tuaj real të përdorimit: automatizimi i proceseve të brendshme, agjentët autonomë të vendimmarrjes, asistentët e programimit, chatbot-et e shërbimit ndaj klientit, vizioni industrial, analizat e avancuara, etj.

Privatësia dhe pajtueshmëria rregullatore

Kur kemi të bëjmë me të dhëna të ndjeshme ose të rregulluara (shëndetësi, financiare, të dhëna personale të klientëve, pronë intelektuale me vlerë të lartë), vendndodhja e përpunimit të inteligjencës artificiale pushon së qeni një detaj teknik dhe bëhet një vendim që mbart rrezik.

Në një vendosje të inteligjencës artificiale në vend , të dhënat përpunohen dhe ruhen në infrastrukturën tuaj ose edhe në pajisjen e përdoruesit . Kjo zvogëlon në mënyrë drastike sipërfaqen e sulmit dhe thjeshton pajtueshmërinë me rregulloret si GDPR ose HIPAA , me kusht që siguria juaj e brendshme të jetë e projektuar mirë. Megjithatë, përgjegjësia për enkriptimin, kontrollet e aksesit, patch-et dhe auditimin mbetet tërësisht e juaja.

Me inteligjencën artificiale në cloud , ofruesit kryesorë ofrojnë masa shumë të fuqishme sigurie (enkriptim gjatë transportit dhe në qetësi, certifikime ISO 27001, SOC 2, etj.), por të dhënat udhëtojnë në qendrat e tyre të të dhënave . Kjo kërkon shqyrtimin e kontratave, vendndodhjet e qendrave të të dhënave, klauzolat e përpunimit të të dhënave dhe konfigurimin me kujdes të lejeve dhe API-ve të sigurta. Për më tepër, është thelbësore të sigurohet që integrimet t'i përmbahen parimit të privilegjit më të vogël.

Kjo është arsyeja pse shumë klientë zgjedhin arkitekturat hibride : të dhënat më kritike përpunohen në nivel lokal, ndërsa detyrat më pak të ndjeshme ose më të rënda (trajnime të mëdha, analiza të agreguara) i delegohen cloud-it, ku rreziku është më i menaxhueshëm.

Disponueshmëria e burimeve dhe kompleksiteti i modelit

Filtri i dytë kryesor është fuqia llogaritëse që keni në dispozicion. Ekzekutimi i inteligjencës artificiale moderne nuk është i njëjtë me ekzekutimin e një aplikacioni të thjeshtë në internet; CPU ( procesorët Intel dhe AMD ), GPU, NPU, RAM dhe memoria janë thelbësore.

Në një skenar lokal ose në ambientet e brendshme , limiti përcaktohet nga hardueri juaj: PC, servera, stacione pune GPU, pajisje mobile, etj. Modelet e vogla dhe efikase (siç janë familja Phi, modelet e vogla Qwen, modelet me parametra të kuantizuar 3-7B dhe modelet e optimizuara për NPU) funksionojnë shumë mirë në këtë mjedis, dhe pajisje si PC Copilot+ tashmë integrojnë NPU të projektuara për këtë qëllim, me modele të parainstaluara gati për t'u përdorur me Windows.

Modelet e mëdha GPT-4, Claude dhe Gemini , ose LLM-të me mbi 70 miliardë parametra, janë të vështira për t'u hostuar lokalisht me një përvojë të mirë përdoruesi, përveç nëse keni GPU shumë të nivelit të lartë (RTX 4090 dhe të ngjashme) dhe një mjedis shumë të optimizuar. Për shumicën e organizatave, është më e arsyeshme të konsumojnë këto modele nga cloud , ku ato janë tashmë të optimizuara dhe të shkallëzuara.

Platformat e inteligjencës artificiale të bazuara në cloud si Azure AI Services, Azure OpenAI Service, AWS dhe Google Cloud ju lejojnë të përdorni praktikisht aq energji sa ju nevojitet , duke paguar vetëm për atë që konsumoni. Këtu keni qasje në LLM, modele vizioni, zë, sisteme rekomandimi dhe shumë më tepër, pa pasur nevojë të blini një GPU të vetme.

Performanca, vonesa dhe besueshmëria

Një faktor tjetër kyç është se sa shpejt dhe me besueshmëri ju nevojitet që IA të përgjigjet. Vonesa mund të jetë një faktor vendimtar në shumë skenarë: tregtia algoritmike, mirëmbajtja parashikuese në impiante, zbulimi i defekteve në kohë reale, drejtimi i asistuar, robotika ose thjesht një përvojë e mirë përdoruesi në një chatbot.

Me inteligjencën artificiale lokale ose në skaj , të dhënat përpunohen në vetë pajisjen ose në rrjetin tuaj të brendshëm, kështu që nuk jeni të varur nga cilësia e lidhjes suaj të internetit (kontrolloni kabllot dhe kabllot Cat5, Cat6 dhe Cat7 ) . Kjo zvogëlon ndjeshëm vonesën dhe shmang luhatjet, të cilat janë kritike për vizionin industrial, IoT ose aplikacionet që duhet të vazhdojnë të funksionojnë edhe nëse rrjeti bie. Kompromisi është se performanca maksimale kufizohet nga hardueri juaj.

IA e bazuar në cloud mund të mbështetet në pajisje jashtëzakonisht të fuqishme dhe të specializuara, por gjithmonë do të keni vonesë të shtuar në rrjet . Me lidhje të mira, zakonisht është më se e pranueshme për asistentë virtualë, gjenerim tekstesh ose analizë batch, por mund të mos jetë e mjaftueshme për kontrollin në kohë reale. Për ta zbutur këtë, ofruesit ofrojnë zona me vonesë të ulët dhe informatikë në kufij , duke e sjellë informatikën më afër përdoruesit përfundimtar.

Për sa i përket besueshmërisë, një vendosje e mirëmenaxhuar në vend shmang varësinë nga ndërprerjet e jashtme, megjithëse kërkon që ju të keni strategjinë tuaj të disponueshmërisë së lartë dhe të rezervimit . Nga ana tjetër, cloud ofron SLA, redundancë gjeografike dhe rimëkëmbje nga fatkeqësitë, por është gjithashtu i ndjeshëm ndaj dështimeve të rastit të ofruesve.

Kostot, shkallëzueshmëria dhe modeli ekonomik

Debati për koston nuk është aq i thjeshtë sa "investimi në ambientet e brendshme është i lirë, cloud është i shtrenjtë" ose anasjelltas. Është e nevojshme të bëhet dallimi midis investimit fillestar (CapEx) dhe shpenzimeve operative (OpEx) , si dhe të merret në konsideratë konsumi i energjisë, personeli, mirëmbajtja dhe shkallëzueshmëria.

Në një strategji të inteligjencës artificiale në vend , duhet të investoni në harduer (servera, GPU, ruajtje ( SSD kundrejt HDD ), ftohje, qendra të dhënash), licenca kur është e nevojshme dhe shpesh, personel të kualifikuar për të mirëmbajtur gjithçka. Nga ana tjetër, pasi investimi të rikuperohet, kostoja për përfundim mund të jetë shumë e ulët , veçanërisht nëse keni ngarkesa pune të qëndrueshme dhe të përmasave të duhura.

IA e bazuar në cloud ndjek një model "paguaj sipas përdorimit" ose abonim . Nuk keni nevojë të investoni paraprakisht; mund ta vini në punë brenda disa orësh dhe të shkallëzoni nga 10 në 10,000 kërkesa pothuajse menjëherë. Por nëse vëllimi rritet ndjeshëm ose modeli bëhet shumë intensiv në burime, fatura mujore mund të rritet shumë shpejt . Për më tepër, duhet të keni kujdes për kostot më pak të dukshme, siç janë transferimet e të dhënave, ruajtja e zgjatur ose trajnimi intensiv i GPU-së.

Kjo është arsyeja pse shumë kompani përfundojnë me një model hibrid dhe të optimizuar : ato ekzekutojnë në nivel lokal atë që është intensive, por e parashikueshme (për shembull, një model klasifikimi të brendshëm ose një chatbot të korporatës të trajnuar me dokumentacionin e tij) dhe përdorin cloud-in për kulme, raste eksperimentale ose modele kufitare që nuk mund të strehohen brenda kompanisë.

Aksesueshmëria, bashkëpunimi dhe rastet tipike të përdorimit

Mënyra se si ekipet tuaja bashkëveprojnë me inteligjencën artificiale ndryshon gjithashtu ndjeshëm në varësi të vendit ku vendoset ajo. Bashkëpunimi në një model lokal nuk është aq i thjeshtë sa bashkëpunimi në një shërbim të përbashkët cloud.

Me inteligjencën artificiale lokale , modeli zakonisht është i arritshëm vetëm nga pajisja ose rrjeti ku është vendosur . Kjo është ideale për mjedise të izoluara, procese të brendshme ose projekte që duhet të mbeten plotësisht të mbyllura (laboratorë, sisteme kritike, impiante industriale). Megjithatë, kjo e ndërlikon bashkëpunimin e shpërndarë midis ekipeve dhe zyrave, përveç nëse konfiguroni një shtresë shërbimi të brendshme të ekspozuar mirë.

Shërbimet e inteligjencës artificiale të bazuara në cloud shkëlqejnë në aksesueshmërinë globale dhe punën në grup . Çdo anëtar me leje dhe lidhje interneti mund të hyjë në API nga kudo. Kjo e bën atë zgjedhjen logjike për asistentët virtualë publikë, SaaS me shumë përdorues, mjetet bashkëpunuese ose produktet e përdoruesit fundor.

Disa shembuj të qartë të IA-së të zbatuar gjerësisht në cloud janë: integrimet e ChatGPT ose Azure OpenAI në aplikacionet Windows , gjenerimi i imazheve me DALL-E , asistentët e rekomandimeve të ndërtuar në .NET MAUI dhe LLM-të në cloud , ose shërbimet e vizionit, zërit, përkthimit dhe kërkimit semantik të disponueshme nëpërmjet API-ve REST.

Lehtësia e zbatimit, mirëmbajtjes dhe ekosistemit

Një aspekt që shpesh nënvlerësohet: kush është përgjegjës për përditësimin dhe mirëmbajtjen e modelit , si dhe të mjeteve përreth.

Në një vendosje lokale të IA-së , ju jeni përgjegjës për pothuajse gjithçka: instalimin dhe përditësimin e modeleve, menaxhimin e ONNX Runtime ose runtime të tjera, mirëmbajtjen e drajverëve të GPU-së, monitorimin e performancës, korrigjimin e dobësive dhe sigurimin e përputhshmërisë me aplikacionet tuaja. Zgjidhje si Windows ML, Foundry Local ose Microsoft Foundry në Windows e bëjnë jetën më të lehtë duke integruar drejtpërdrejt modelet në aplikacionet desktop ose edge, por barra operative bie ende mbi ju.

Me inteligjencën artificiale në cloud , ofruesi merret me përditësime, patch-e, veçori të reja dhe shkallëzime të brendshme . Platforma si Microsoft Foundry, Azure AI Services dhe Azure OpenAI Service ofrojnë API dhe SDK të zhvilluara mirë, të integruara me Azure DevOps, GitHub Copilot, Semantic Kernel dhe shërbime të tjera DevOps. Për ekipin e zhvillimit, kjo përkthehet në përqendrim më të madh në logjikën e biznesit dhe më pak në kujdesin ndaj infrastrukturës.

Ekosistemi ka rëndësi gjithashtu: shumë asistentë zhvillimi të bazuar në cloud , si GitHub Copilot, Cursor, Claude Code ose Google Gemini Code Assist, mbështeten në këto shërbime cloud, duke ofruar shtojca IDE, CLI dhe mjete shumë të rafinuara për analizën e kodit, me plane çmimesh që variojnë nga nivele falas deri te abonime Pro ose pagesë për përdorim nëpërmjet API-t.

IA lokale për zhvilluesit dhe bizneset: avantazhet dhe disavantazhet

Për shumë zhvillues dhe organizata, krijimi i një mjedisi IA në vend është bërë një mundësi shumë tërheqëse, si për arsye privatësie ashtu edhe për kursime afatgjata të kostos. Kombinimi tipik është zakonisht VS Code + zgjerime si Continue ose Cline + një LLM lokale nëpërmjet Ollama ose një serveri të dedikuar.

Kjo qasje lejon që i gjithë kodi dhe pyetjet të mbeten në makinën tuaj , gjë që është kritike nëse punoni me pronësi intelektuale shumë të ndjeshme ose kod që ende nuk mund t'u ekspozohet palëve të treta. Modelet me burim të hapur si Qwen, Code Llama, Llama 3, Mistral ose variantet e orientuara nga programuesit mund të performojnë çuditërisht mirë, veçanërisht në madhësi mesatare (14B, 32B) në GPU të mira.

Çmimi që duhet paguar është se ju nevojitet harduer i fuqishëm (për shembull, një GPU me të paktën 8 GB VRAM për të ekzekutuar me lehtësi modelet 7-14B) dhe duhet të merreni me konfigurime manuale, kuantizime, optimizime dhe përditësime. Është një qasje e përsosur për kompanitë me të dhëna shumë të ndjeshme , laboratorë teknikë, ekipe që pëlqejnë ndërhyrjet dhe ata që duan të shmangin abonimet mujore.

Në sektorin e biznesit, shumë firma konsulence dhe zhvillues softuerësh të personalizuar po specializohen në projektimin e arkitekturave lokale ose hibride që kombinojnë automatizimin e proceseve, agjentët inteligjentë, sigurinë kibernetike dhe inteligjencën e biznesit. Firmat që punojnë në sektorët bankarë, të kujdesit shëndetësor ose të rregulluar shpesh preferojnë inteligjencën artificiale lokale për përpunimin e të dhënave të ndjeshme dhe cloud-in për analiza të agreguara ose shërbime të përballura me klientët.

IA në cloud: potenciali, rastet e përdorimit dhe sfidat

Nga ana tjetër, inteligjenca artificiale e bazuar në cloud është bërë standardi de facto për shumë organizata që kërkojnë shpejtësi, shkallëzueshmëri dhe qasje në modele të përparuara pa pasur nevojë të ndërtojnë qendrën e tyre të të dhënave. Këtu shkëlqejnë si hipershkallëzuesit kryesorë (Azure, AWS, Google Cloud) ashtu edhe ofruesit e specializuar të inferencës (runpod, vast.ai, together, deepinfra, etj.).

Në mjediset e biznesit, IA në cloud mundëson automatizimin e detyrave të përsëritura, analizat parashikuese, zbulimin e mashtrimeve, optimizimin e logjistikës dhe mbështetjen ndaj klientëve 24/7 me chatbot të përparuar. Sektorë si shitja me pakicë dhe prodhimi mbështeten shumë në cloud për analizat e shitjeve, mirëmbajtjen parashikuese dhe vizionin automatik në linjat e prodhimit.

Sipas të dhënave të industrisë, Amerika Latine po përjeton një rritje të fortë në investimet në infrastrukturën cloud , të nxitura pikërisht nga projektet e IA-së. Përdorimi i modeleve gjeneruese për të krijuar përmbajtje, për të rekomanduar produkte, për të analizuar dokumente dhe për të ndihmuar në vendimmarrje po ndihmon në zvogëlimin e hendekut dixhital me rajone më të zhvilluara si Amerika e Veriut dhe Evropa.

Titujt kryesorë të tregut theksojnë se një përqindje shumë e lartë e kompanive që tashmë përdorin cloud-in konsumojnë gjithashtu shërbime të IA-së të ofruara nga të njëjtët ofrues , shpesh në arkitektura shumë-cloud ose hibride. Modelet e Mëdha Gjuhësore (LLM) nuk përdoren vetëm për chatbot-et: ato gjithashtu fuqizojnë mjetet e brendshme, asistentët e skriptimit, motorët inteligjentë të kërkimit dhe zgjidhjet e analizës së dokumenteve në shkallë të gjerë.

Agjentët autonomë dhe epoka e agjentëve: pse ku ka edhe më shumë rëndësi

Me mbërritjen e agjentëve autonomë të IA-së (Epoka e Agjentëve) , të cilët jo vetëm që përgjigjen, por edhe veprojnë (ekzekutojnë komanda, modifikojnë sisteme, menaxhojnë procese), zgjedhja midis shërbimit lokal dhe atij në cloud bëhet edhe më delikate.

Në një konfigurim agjentësh lokalë , i gjithë cikli i ndërveprimit, vendimmarrjes dhe veprimit zhvillohet brenda mjedisit tuaj: regjistrat, të dhënat e klientëve, komandat për sistemet e brendshme e kështu me radhë. Kjo siguron kontroll dhe gjurmueshmëri maksimale , thelbësore në sektorët e rregulluar. Ju mund të rishikoni se si ata marrin vendime, të auditoni sjelljen e tyre dhe të kufizoni fushëveprimin e tyre me saktësi të konsiderueshme.

Në cloud , vendosja e agjentëve është shumë më e thjeshtë: ofruesit ofrojnë korniza, orkestrues dhe lidhës të gatshëm për t'u integruar me SaaS, CRM, ERP dhe të gjitha llojet e API-ve të jashtme. Por ato gjithashtu përforcojnë rreziqet e sigurisë dhe privatësisë : një konfigurim i gabuar ose një përditësim i dobët i testuar nga shitësi mund të ndikojë në përvojën e klientëve tuaj ose të ekspozojë të dhëna pa dashje.

Ka pasur raste në botën reale të kompanive, agjentët e cloud-it të të cilave filluan të lëshonin përgjigje të paqëndrueshme ose të dëmshme pas ndryshimeve në modelet themelore përtej kontrollit të tyre. Kjo ilustron qartë se sa problematike mund të jetë humbja e kontrollit të plotë të zinxhirit në mjediset agjentike.

IA në kufi: kur duhet të merrni vendime në moment dhe pa internet

Një pjesë tjetër që duhet të përfshihet në ekuacion është AI në skaj , një lloj kushëriri i ngushtë i AI-së lokale të fokusuar në pajisjet e lidhura.

Ideja është e thjeshtë: zhvendosni informatikën sa më afër vendit ku gjenerohen të dhënat . Në vend që të dërgoni të gjitha imazhet nga një aparat fotografik industrial në cloud për analizë, ato përpunohen direkt në një pajisje periferike me modelin e ngarkuar tashmë. E njëjta gjë vlen edhe për orët inteligjente, telefonat inteligjentë, sensorët në zinxhirin e furnizimit dhe monitorët mjekësorë që vishen.

Kjo mundëson vendimmarrje në kohë reale , edhe kur lidhja e internetit është me ndërprerje ose nuk ekziston fare, dhe zvogëlon trafikun e rrjetit, kostot e bandwidth-it dhe varësinë nga qendrat e të dhënave në distancë. IA në skaj është veçanërisht interesante në prodhim, logjistikë, menaxhim të energjisë dhe kujdes shëndetësor , ku vonesa dhe qëndrueshmëria janë kritike.

Në të njëjtën kohë, këto pajisje skajore mund të kombinohen me shërbime cloud për trajnim, grumbullim të të dhënave dhe koordinim global , duke arritur kështu arkitektura shumë të fuqishme të IA-së të shpërndarë.

Strategjitë hibride dhe kriteret praktike për zgjedhjen

Të gjitha sa më sipër na çojnë në një pikë mjaft të qartë: rrallë ka një fitues të qartë midis inteligjencës artificiale në vend dhe inteligjencës artificiale të bazuar në cloud . Shumica e organizatave të zhvilluara përfundojnë me një qasje hibride, duke projektuar me vetëdije se çfarë funksionon dhe ku.

Një strategji e arsyeshme për shumë projekte përfshin përdorimin e inteligjencës artificiale lokale për: informacion shumë të ndjeshëm (të dhëna klinike, financiare dhe të kërkim-zhvillimit), chatbot-e të brendshëm të korporatave, automatizim të proceseve të zyrës së mbështetjes dhe mjedise pa lidhje të garantuar. Këtu, përparësia është privatësia, kontrolli dhe kostoja e parashikueshme.

Paralelisht, ka kuptim të përdoret IA në cloud për: asistentë publikë, shërbime me mijëra përdorues të njëkohshëm, testim të shpejtë të rasteve të reja të përdorimit, analizë masive të të dhënave dhe qasje në modele të përparuara që nuk mund t'i hostoni brenda kompanisë. Këtu, shkallëzueshmëria, komoditeti dhe koha e daljes në treg janë thelbësore.

Për skenarë ku nevojiten të dyja, mund të projektoni arkitektura hibride dhe shumëcloud : një pjesë e rrjedhës së punës trajtohet në nivel lokal (pastrimi i të dhënave, anonimizimi, vendimet urgjente) dhe një pjesë tjetër i delegohet cloud-it (trajnimi, analiza agregate, nxjerrja e konkluzioneve të rënda kur ka një lidhje).

Çelësi është të vlerësohen me kujdes, përpara se të vendoset, faktorë të tillë si rreziku rregullator, ndjeshmëria e të dhënave, profili i trafikut, horizonti i rritjes, buxheti, talenti teknik i disponueshëm dhe varësia e pranueshme nga palët e treta . Duke e bërë këtë të qartë, është shumë më e lehtë të vendoset nëse është më mirë të investohet shumë në zgjidhje lokale, në cloud apo në një zgjidhje të menduar mirë.

Në një kontekst ku pothuajse të gjitha kompanitë tashmë operojnë në cloud në një mënyrë ose në një tjetër dhe në të njëjtën kohë kërkojnë të maksimizojnë kthimin e investimeve të tyre në IA pa kosto ose rreziqe marramendëse, kombinimi inteligjent i IA lokale, IA në skaj dhe IA në cloud po bëhet qasja fituese : ju shfrytëzoni më të mirën e secilit mjedis, harmonizoni sigurinë, performancën dhe buxhetin dhe ruani fleksibilitet të mjaftueshëm për t'u përshtatur me një teknologji që ndryshon me shpejtësi.