Yerel yapay zeka ve bulut tabanlı yapay zeka arasındaki farklar: kapsamlı bir rehber

Informatec Dijital » Ücretsiz Destekler » Yerel yapay zeka ve bulut tabanlı yapay zeka arasındaki farklar: kapsamlı bir rehber

Günümüzdeki en büyük karar artık yapay zekayı kullanıp kullanmamak değil , nerede ve nasıl uygulayacağınızdır: kendi cihazlarınızda, bulutta veya her ikisinin bir kombinasyonunda. Bu seçim, küçük bir uygulamadan binlerce kullanıcısı olan bir platforma kadar her türlü dijital projenin maliyetini, güvenliğini, performansını ve hatta iş modelini etkiler.

Yerel (on-premises) yapay zeka ile bulut tabanlı yapay zeka arasındaki farklardan bahsettiğimizde, aslında modelin nerede bulunduğu, kimin kontrol ettiği ve verilerin ne olduğu konularını ele alıyoruz . Buradan hareketle, düzenleyici uyumluluk (GDPR, HIPAA), gerçek zamanlı gecikme, ölçeklenebilirlik, donanım yatırımı, tedarikçi bağımlılığı ve özelleştirme yetenekleri gibi ciddi sorunlar ortaya çıkıyor. Lafı uzatmadan, sakin bir şekilde konuyu ele alalım.

Yerel yapay zeka ve bulut yapay zeka nedir, basit terimlerle açıklayalım.

İlk ayrım oldukça basit: Yerel yapay zeka, kendi donanımınızda (PC, şirket içi sunucu, mobil cihaz, endüstriyel sistemler vb.) çalışan yapay zekadır; bulut yapay zekası ise bir bulut sağlayıcısının veri merkezlerinde çalışan ve genellikle API veya SDK aracılığıyla kullanılan yapay zekadır.

Bulut tarafında ise Azure AI Services, Azure OpenAI Service, AWS, Google Cloud, OpenAI, Anthropic, Gemini ve Hugging Face gibi hizmetler devreye giriyor . Bunlar arasında internet üzerinden erişebileceğiniz, kullanım başına ödeme yapabileceğiniz veya abonelik yoluyla satın alabileceğiniz son teknoloji modeller (GPT-4, Vision özellikli GPT-4 Turbo, Claude, Gemini, PaLM, DALL-E, büyük gömme modelleri vb.) yer alıyor.

Yerel tarafta, klasik şirket içi dağıtımlardan doğrudan cihaz üzerinde çalıştırmaya kadar her şeyi buluyoruz: GPU'lu PC'ler, iş istasyonları, veri merkezinizdeki sunucular ve hatta mobil ve IoT cihazları. Ollama, LM Studio, KoboldCpp, AnythingLLM gibi araçlar veya Windows ML, ONNX Runtime, Foundry Local ve Windows üzerinde Microsoft Foundry gibi ortamlar, dil modellerini (Llama, Mistral, Phi, Qwen, vb.) veya görüntü modellerini doğrudan makinenize yüklemeyi ve çalıştırmayı kolaylaştırır.

Bu iki uç nokta arasında uç nokta yaklaşımı yer alır: Verileri üretildiği yere yakın bir yerde işleyen ve yalnızca gerekli verileri buluta gönderen, ağın uç noktalarındaki cihazlara (sensörler, giyilebilir cihazlar, endüstriyel makineler, kameralar, cep telefonları) yerleştirilen modeller. Bu, gecikmeyi ve ağ trafiğini azaltmanın çok ilginç bir yoludur.

Yerel yapay zeka ve bulut tabanlı yapay zeka arasında karar verirken dikkate alınması gereken temel faktörler

Doğru seçim yapmak sadece kişisel zevkle ilgili değildir; birçok faktör fark yaratır. Gizlilik, kaynaklar, performans, maliyetler ve ölçeklenebilirlik genellikle en belirleyici olanlardır, ancak tek belirleyici faktörler bunlar değildir.

Gizlilik, uyumluluk ve güvenlik , özellikle bankacılık, sağlık hizmetleri ve kamu yönetimi gibi düzenlemeye tabi sektörlerde başlangıç ​​noktasıdır. Soru açık: Veriler evden dışarı çıkabilir mi, çıkamaz mı?

Ayrıca donanım ve insan kaynaklarının bulunabilirliği , bakım kolaylığı, uzaktan işbirliği ihtiyacı, eşzamanlı kullanıcı sayısı ve modelin karmaşıklığı da önemlidir (küçük bir Phi tipi model, 100 milyardan fazla parametreye sahip bir LLM ile aynı değildir).

Son olarak, mevcut altyapınızla olan araç ekosistemini ve entegrasyonunu göz önünde bulundurmak önemlidir : Eğer zaten Azure, GitHub, AWS veya Google ile çalışıyorsanız veya çok yaygın bir Windows altyapınız varsa (bkz. Windows Pro ve Enterprise ), sıfırdan başlamakla aynı şey değildir.

Buradaki önemli nokta, bu faktörleri gerçek kullanım senaryonuzla birleştirmektir : iç süreç otomasyonu, otonom karar verme ajanları, programlama asistanları, müşteri hizmetleri sohbet botları, endüstriyel görüntüleme, gelişmiş analitik vb.

Gizlilik ve mevzuata uygunluk

Hassas veya düzenlemeye tabi verilerle (sağlık, finans, kişisel müşteri verileri, yüksek değerli fikri mülkiyet) uğraşırken , yapay zeka işlemesinin yeri teknik bir ayrıntı olmaktan çıkıp bir risk kararı haline gelir.

Şirket içi yapay zeka dağıtımında , veriler kendi altyapınızda veya hatta kullanıcının kendi cihazında işlenir ve depolanır. Bu, saldırı yüzeyini önemli ölçüde azaltır ve iç güvenliğiniz iyi tasarlanmışsa GDPR veya HIPAA gibi düzenlemelere uyumu kolaylaştırır . Bununla birlikte, şifreleme, erişim kontrolleri, yama yükleme ve denetim sorumluluğu tamamen size aittir.

Bulutta yapay zeka ile birlikte , büyük sağlayıcılar çok sağlam güvenlik önlemleri sunmaktadır (iletim ve depolama sırasında şifreleme, ISO 27001 sertifikaları, SOC 2, vb.), ancak veriler onların veri merkezlerine gider . Bu durum, sözleşmelerin, veri merkezi konumlarının, veri işleme maddelerinin gözden geçirilmesini ve izinlerin ve güvenli API'lerin dikkatlice yapılandırılmasını gerektirir. Ayrıca, entegrasyonların en az ayrıcalık ilkesine uymasını sağlamak çok önemlidir.

Bu nedenle birçok müşteri hibrit mimarileri tercih ediyor : En kritik veriler yerel olarak işlenirken, daha az hassas veya daha ağır görevler (büyük eğitimler, toplu analizler) riskin daha yönetilebilir olduğu buluta devrediliyor.

Kaynakların mevcudiyeti ve modelin karmaşıklığı

İkinci önemli filtre ise sahip olduğunuz işlem gücüdür . Modern yapay zeka çalıştırmak, basit bir web uygulaması çalıştırmakla aynı şey değildir; CPU ( Intel ve AMD işlemciler ), GPU, NPU, RAM ve depolama alanı çok önemlidir.

Yerel veya şirket içi bir senaryoda , sınır donanımınız tarafından belirlenir: PC'ler, sunucular, GPU iş istasyonları, mobil cihazlar vb. Küçük, verimli modeller (Phi ailesi, küçük Qwen modelleri, 3-7B nicelleştirilmiş parametre modelleri ve NPU optimize edilmiş modeller gibi) bu ortamda çok iyi çalışır ve Copilot+ PC gibi cihazlar , bu amaç için tasarlanmış NPU'ları zaten entegre eder ve Windows ile kullanıma hazır önceden yüklenmiş modeller içerir.

70 milyardan fazla parametreye sahip büyük GPT-4, Claude ve Gemini modelleri veya LLM'leri, çok yüksek performanslı GPU'lara (RTX 4090 ve benzeri) ve son derece optimize edilmiş bir ortama sahip olmadığınız sürece, iyi bir kullanıcı deneyimiyle yerel olarak barındırmak zordur. Çoğu kuruluş için, bu modelleri zaten optimize edilmiş ve ölçeklendirilmiş oldukları buluttan kullanmak daha mantıklıdır .

Azure AI Services, Azure OpenAI Service, AWS ve Google Cloud gibi bulut tabanlı yapay zeka platformları, neredeyse ihtiyacınız kadar güç kullanmanıza ve yalnızca tükettiğiniz kadar ödeme yapmanıza olanak tanır. Burada, tek bir GPU satın almak zorunda kalmadan LLM'lere, görüntü işleme modellerine, sese, öneri sistemlerine ve çok daha fazlasına erişebilirsiniz.

Performans, gecikme ve güvenilirlik

Bir diğer önemli faktör ise yapay zekanın ne kadar hızlı ve güvenilir bir şekilde yanıt vermesi gerektiğidir. Gecikme, birçok senaryoda belirleyici bir faktör olabilir : algoritmik ticaret, tesislerde öngörücü bakım, gerçek zamanlı arıza tespiti, destekli sürüş, robotik veya basitçe bir sohbet robotunda iyi bir kullanıcı deneyimi.

Yerel veya uç yapay zeka ile veriler cihazın kendisinde veya dahili ağınızda işlenir, bu nedenle internet bağlantınızın kalitesine bağımlı olmazsınız (kablolamanızı ve Cat5, Cat6 ve Cat7 kablolarınızı kontrol edin ) . Bu, gecikmeyi önemli ölçüde azaltır ve titreşimi önler; bu da endüstriyel görüntüleme, IoT veya ağ kesintisi durumunda bile çalışmaya devam etmesi gereken uygulamalar için kritiktir. Dezavantajı ise maksimum performansın donanımınızla sınırlı olmasıdır.

Bulut tabanlı yapay zeka, son derece güçlü ve özel donanımlara dayanabilir , ancak her zaman ek ağ gecikmesi söz konusu olacaktır . İyi bağlantılarla, sanal asistanlar, metin oluşturma veya toplu analiz için genellikle kabul edilebilir düzeydedir, ancak gerçek zamanlı kontrol için yetersiz kalabilir. Bunu hafifletmek için sağlayıcılar, düşük gecikmeli bölgeler ve uç bilişim sunarak bilişimi son kullanıcıya daha yakın hale getirir.

Güvenilirlik açısından, iyi yönetilen yerel bir dağıtım, dış kaynaklı kesintilere bağımlılığı ortadan kaldırır, ancak kendi yüksek kullanılabilirlik ve yedekleme stratejinize sahip olmanızı gerektirir . Bulut ise SLA'lar, coğrafi yedeklilik ve felaket kurtarma sunar, ancak ara sıra meydana gelen sağlayıcı arızalarına karşı da savunmasızdır.

Maliyetler, ölçeklenebilirlik ve ekonomik model

Maliyet tartışması, "yerinde kurulum ucuz, bulut pahalı" veya tam tersi kadar basit değil. İlk yatırım (CapEx) ve işletme giderleri (OpEx) arasında ayrım yapmak , ayrıca enerji tüketimi, personel, bakım ve ölçeklenebilirliği de dikkate almak gerekiyor.

Şirket içi yapay zeka stratejisinde , donanıma (sunucular, GPU'lar, depolama ( SSD vs. HDD ), soğutma, veri merkezleri), gerektiğinde lisanslara ve genellikle her şeyi bakımını yapacak yetenekli personele yatırım yapmanız gerekir. Buna karşılık, yatırım geri kazanıldıktan sonra, özellikle istikrarlı ve iyi boyutlandırılmış iş yükleriniz varsa, çıkarım başına maliyet çok düşük olabilir .

Bulut tabanlı yapay zeka, kullandıkça öde veya abonelik modelini takip eder . Önceden yatırım yapmanıza gerek yok; saatler içinde çalışmaya başlayabilir ve 10'dan 10.000 isteğe neredeyse anında ölçeklendirme yapabilirsiniz. Ancak hacim hızla artarsa ​​veya model çok kaynak yoğun hale gelirse, aylık fatura çok hızlı bir şekilde artabilir . Ayrıca, veri aktarımları, genişletilmiş depolama veya yoğun GPU eğitimi gibi daha az belirgin maliyetlere de dikkat etmeniz gerekir.

Bu nedenle birçok şirket hibrit ve optimize edilmiş bir modelle sonuçlanıyor : Yoğun ancak tahmin edilebilir işlemleri (örneğin, dahili bir sınıflandırma modeli veya dokümanlarıyla eğitilmiş kurumsal bir sohbet robotu) yerel olarak çalıştırıyorlar ve bulutu, zirve noktaları, deneysel durumlar veya şirket içinde barındırılamayan öncü modeller için kullanıyorlar.

Erişilebilirlik, iş birliği ve tipik kullanım örnekleri

Ekiplerinizin yapay zekâ ile etkileşim biçimi, yapay zekânın nerede konuşlandırıldığına bağlı olarak önemli ölçüde değişir. Yerel bir model üzerinde iş birliği yapmak , paylaşımlı bir bulut hizmeti üzerinde iş birliği yapmak kadar kolay değildir .

Yerel yapay zekâ ile , model genellikle yalnızca barındırıldığı cihaz veya ağdan erişilebilir . Bu, izole ortamlar, dahili süreçler veya tamamen kapalı kalması gereken projeler (laboratuvarlar, kritik sistemler, endüstriyel tesisler) için idealdir. Bununla birlikte, iyi bir şekilde erişilebilir bir dahili hizmet katmanı kurmadığınız sürece, ekipler ve ofisler arasındaki dağıtılmış işbirliğini zorlaştırır.

Bulut tabanlı yapay zeka hizmetleri, küresel erişilebilirlik ve ekip çalışması konusunda üstünlük sağlar . Yetkisi olan ve internet bağlantısı bulunan herhangi bir üye, API'ye her yerden erişebilir. Bu da onu halka açık sanal asistanlar, çok kullanıcılı SaaS uygulamaları, iş birliği araçları veya son kullanıcı ürünleri için mantıklı bir seçim haline getirir.

Bulutta yaygın olarak uygulanan yapay zekanın bazı açık örnekleri şunlardır: Windows uygulamalarında ChatGPT veya Azure OpenAI entegrasyonları, DALL-E ile görüntü oluşturma , .NET MAUI ve bulut tabanlı LLM'ler üzerine kurulu öneri asistanları veya REST API'leri aracılığıyla sunulan görüntü, ses, çeviri ve anlamsal arama hizmetleri.

Uygulama, bakım ve ekosistem kolaylığı

Genellikle hafife alınan bir husus: modelin ve ona eşlik eden araçların güncellenmesinden ve bakımından kim sorumlu ?

Yerel bir yapay zeka dağıtımında , neredeyse her şeyden siz sorumlusunuz: modelleri kurmak ve güncellemek, ONNX Runtime veya diğer çalışma ortamlarını yönetmek, GPU sürücülerini korumak, performansı izlemek, güvenlik açıklarını yamalamak ve uygulamalarınızla uyumluluğu sağlamak. Windows ML, Foundry Local veya Windows üzerinde Microsoft Foundry gibi çözümler , modelleri doğrudan masaüstü veya uç uygulamalarına entegre ederek hayatı kolaylaştırır, ancak operasyonel yük yine de size düşer.

Bulutta yapay zeka ile , sağlayıcı güncellemeleri, yamaları, yeni özellikleri ve dahili ölçeklendirmeyi üstlenir . Microsoft Foundry, Azure AI Services ve Azure OpenAI Service gibi platformlar , Azure DevOps, GitHub Copilot, Semantic Kernel ve diğer DevOps hizmetleriyle entegre edilmiş, iyi geliştirilmiş API'ler ve SDK'lar sunar . Geliştirme ekibi için bu, altyapıyı yönetmek yerine iş mantığına daha fazla odaklanmak anlamına gelir.

Ekosistem de önemlidir: GitHub Copilot, Cursor, Claude Code veya Google Gemini Code Assist gibi birçok bulut tabanlı geliştirme yardımcısı , IDE eklentileri, CLI'lar ve son derece gelişmiş kod analiz araçları sunan bu bulut hizmetlerine dayanır ve fiyatlandırma planları ücretsiz seviyelerden Pro aboneliklerine veya API aracılığıyla kullanım başına ödemeye kadar değişir.

Geliştiriciler ve işletmeler için yerel yapay zeka: avantajları ve dezavantajları

Birçok geliştirici ve kuruluş için, gizlilik nedenleri ve uzun vadeli maliyet tasarrufu açısından, şirket içi bir yapay zeka ortamı kurmak oldukça cazip bir seçenek haline geldi. Tipik kombinasyon genellikle VS Code + Continue veya Cline gibi eklentiler + Ollama veya özel bir sunucu aracılığıyla yerel bir LLM'dir.

Bu yaklaşım, tüm kod ve sorguların makinenizde kalmasına olanak tanır ; bu da, son derece hassas fikri mülkiyet veya henüz üçüncü taraflara ifşa edilemeyen kodlarla çalışıyorsanız kritik öneme sahiptir. Qwen, Code Llama, Llama 3, Mistral gibi açık kaynaklı modeller veya programcı odaklı varyantlar , özellikle orta boyutlarda (14B, 32B) ve iyi GPU'larda şaşırtıcı derecede iyi performans gösterebilir.

Bunun bedeli, güçlü donanıma (örneğin, 7-14B modelleri rahatça çalıştırmak için en az 8 GB VRAM'e sahip bir GPU) ihtiyaç duymanız ve manuel yapılandırmalar, nicelemeler, optimizasyonlar ve güncellemelerle uğraşmanız gerektiğidir. Bu yaklaşım, son derece hassas verilere sahip şirketler , teknik laboratuvarlar, kurcalamayı seven ekipler ve aylık aboneliklerden kaçınmak isteyenler için mükemmeldir.

İş dünyasında, birçok danışmanlık firması ve özel yazılım geliştiricisi, süreç otomasyonu, akıllı ajanlar, siber güvenlik ve iş zekasını birleştiren şirket içi veya hibrit mimariler tasarlama konusunda uzmanlaşmıştır. Bankacılık, sağlık veya düzenlemeye tabi sektörlerde faaliyet gösteren firmalar genellikle hassas verilerin işlenmesi için şirket içi yapay zekayı, toplu analizler veya müşteri odaklı hizmetler için ise bulutu tercih etmektedir.

Bulutta yapay zeka: potansiyeli, kullanım alanları ve zorlukları

Öte yandan, bulut tabanlı yapay zeka, kendi veri merkezlerini kurma ihtiyacı duymadan hız, ölçeklenebilirlik ve en son teknolojiye sahip modellere erişim arayan birçok kuruluş için fiili standart haline geldi . İşte bu noktada hem büyük hiper ölçekli sağlayıcılar (Azure, AWS, Google Cloud) hem de uzmanlaşmış çıkarım sağlayıcıları (runpod, vast.ai, together, deepinfra, vb.) öne çıkıyor.

İş ortamlarında bulut yapay zekası , tekrarlayan görevlerin otomasyonunu, tahmine dayalı analitiği, dolandırıcılık tespitini, lojistik optimizasyonunu ve gelişmiş sohbet botlarıyla 7/24 müşteri desteğini mümkün kılar. Perakende ve üretim gibi sektörler , satış analitiği, tahmine dayalı bakım ve üretim hatlarında makine görüşü için buluta büyük ölçüde bağımlıdır.

Sektör verilerine göre, Latin Amerika'da bulut altyapısı yatırımlarında, özellikle yapay zeka projeleri sayesinde, güçlü bir büyüme yaşanıyor . İçerik oluşturmak, ürün önermek, belgeleri analiz etmek ve karar verme süreçlerine yardımcı olmak için üretken modellerin kullanımı, Kuzey Amerika ve Avrupa gibi daha olgun bölgelerle aradaki dijital uçurumu azaltmaya yardımcı oluyor.

Piyasa haberleri, bulut teknolojisini kullanan şirketlerin çok yüksek bir yüzdesinin, genellikle çoklu bulut veya hibrit mimarilerde, aynı sağlayıcılar tarafından sunulan yapay zeka hizmetlerini de tükettiğini vurguluyor . Büyük Dil Modelleri (LLM'ler) yalnızca sohbet botları için kullanılmıyor: aynı zamanda dahili araçlara, komut dosyası asistanlarına, akıllı arama motorlarına ve büyük ölçekli belge analiz çözümlerine de güç sağlıyorlar.

Otonom ajanlar ve Ajan Çağı: "Nerede" sorusunun cevabı neden daha da önemli?

Yalnızca yanıt vermekle kalmayıp aynı zamanda harekete geçen (komutları yürüten, sistemleri değiştiren, süreçleri yöneten) otonom yapay zeka ajanlarının (Ajan Çağı) ortaya çıkmasıyla birlikte , yerel ve bulut tabanlı çözümler arasındaki seçim daha da hassas bir hal alıyor.

Yerel bir aracı kurulumunda , tüm etkileşim, karar ve eylem döngüsü sizin ortamınızda gerçekleşir: günlükler, müşteri verileri, dahili sistemlere verilen komutlar vb. Bu, düzenlemeye tabi sektörlerde hayati önem taşıyan maksimum kontrol ve izlenebilirlik sağlar . Karar verme süreçlerini inceleyebilir, davranışlarını denetleyebilir ve faaliyet alanlarını önemli ölçüde hassasiyetle sınırlayabilirsiniz.

Bulutta , aracıların dağıtımı çok daha basittir: sağlayıcılar, SaaS, CRM'ler, ERP'ler ve her türlü harici API ile entegre olmaya hazır çerçeveler, düzenleyiciler ve bağlayıcılar sunar. Ancak bu durum güvenlik ve gizlilik risklerini de artırır : yanlış bir yapılandırma veya yetersiz test edilmiş bir satıcı güncellemesi, müşterilerinizin deneyimini etkileyebilir veya istemeden verilerin açığa çıkmasına neden olabilir.

Bulut aracıları, kontrolleri dışında gerçekleşen temel modellerdeki değişikliklerin ardından tutarsız veya zararlı yanıtlar vermeye başlayan şirketlerle ilgili gerçek dünya örnekleri zaten mevcut . Bu durum, aracı tabanlı ortamlarda zincirin kontrolünün tamamen kaybedilmesinin ne kadar sorunlu olabileceğini açıkça göstermektedir.

Uç noktalarda yapay zeka: Anlık kararlar vermeniz gerektiğinde ve internet bağlantısına ihtiyaç duyduğunuzda.

Denkleme dahil edilmesi gereken bir diğer unsur ise , bağlantılı cihazlara odaklanan yerel yapay zekanın yakın bir akrabası olan uç yapay zekadır .

Fikir basit: hesaplamayı verinin üretildiği yere mümkün olduğunca yaklaştırmak . Endüstriyel bir kameradan gelen tüm görüntüleri analiz için buluta göndermek yerine, model önceden yüklenmiş olarak doğrudan bir uç cihazda işleniyorlar. Aynı durum akıllı saatler, akıllı telefonlar, tedarik zincirindeki sensörler ve giyilebilir tıbbi monitörler için de geçerli.

Bu, internet bağlantısının kesintili veya hiç olmadığı durumlarda bile gerçek zamanlı karar vermeyi mümkün kılar ve ağ trafiğini, bant genişliği maliyetlerini ve uzak veri merkezlerine olan bağımlılığı azaltır. Uç noktada yapay zeka, özellikle gecikme ve dayanıklılığın kritik olduğu üretim, lojistik, enerji yönetimi ve sağlık hizmetleri sektörlerinde oldukça ilgi çekicidir.

Aynı zamanda, bu uç cihazlar eğitim, veri toplama ve küresel koordinasyon için bulut hizmetleriyle birleştirilerek çok güçlü dağıtık yapay zeka mimarileri elde edilebilir.

Hibrit stratejiler ve seçim için pratik kriterler

Yukarıdakilerin tümü bizi oldukça açık bir noktaya götürüyor: şirket içi yapay zeka ile bulut tabanlı yapay zeka arasında nadiren net bir kazanan vardır . Olgun kuruluşların çoğu, neyin nerede çalışacağını bilinçli olarak tasarlayarak hibrit bir yaklaşım benimser.

Birçok proje için makul bir strateji , yerel yapay zekayı şu alanlarda kullanmayı içerir : son derece hassas bilgiler (klinik, finansal ve Ar-Ge verileri), şirket içi sohbet botları, arka ofis süreç otomasyonu ve bağlantı garantisi olmayan ortamlar. Burada öncelik gizlilik, kontrol ve öngörülebilir maliyettir.

Buna paralel olarak, bulutta yapay zekayı şu alanlarda kullanmak son derece mantıklıdır : halka açık asistanlar, binlerce eş zamanlı kullanıcısı olan hizmetler, yeni kullanım senaryolarının hızlı test edilmesi, büyük veri analizi ve şirket içinde barındıramayacağınız öncü modellere erişim. Burada ölçeklenebilirlik, kolaylık ve pazara sunma süresi çok önemlidir.

Her ikisinin de gerekli olduğu senaryolar için hibrit ve çoklu bulut mimarileri tasarlayabilirsiniz : iş akışının bir kısmı yerel olarak (veri temizleme, anonimleştirme, acil kararlar) ele alınırken, diğer bir kısmı buluta devredilir (eğitim, toplu analiz, bağlantı olduğunda yoğun çıkarım).

Önemli olan, karar vermeden önce düzenleyici risk, veri hassasiyeti, trafik profili, büyüme ufku, bütçe, mevcut teknik yetenek ve üçüncü taraflara kabul edilebilir bağımlılık gibi faktörleri dikkatlice değerlendirmektir . Bunlar netleştikten sonra, şirket içi çözümlere, buluta veya iyi düşünülmüş bir orta yola yoğun yatırım yapmanın en iyisi olup olmadığına karar vermek çok daha kolay olacaktır.

Hemen hemen tüm şirketlerin halihazırda bir şekilde bulutta faaliyet gösterdiği ve aynı zamanda maliyetleri veya riskleri artırmadan yapay zeka yatırımlarından maksimum getiri elde etmeyi hedeflediği bir bağlamda, yerel yapay zeka, uç yapay zeka ve bulut yapay zekasını akıllıca birleştirmek kazanan yaklaşım haline geliyor : Her ortamın en iyi özelliklerinden yararlanıyorsunuz, güvenlik, performans ve bütçeyi uyumlu hale getiriyorsunuz ve hızla değişen teknolojiye uyum sağlamak için yeterli esnekliği koruyorsunuz.