直到大约两年前，许多企业还在尝试孤立的概念验证或管理有限的人工智能项目，其结果往往对公司的整体财务或运营绩效影响不大。很少有公司在人工智能上投入大笔资金，而当人工智能计划没有取得成功时，失去工作的高管领导者就更少了。
然后是 GPU 和法学硕士。
突然间，各行各业的企业发现自己正在全力以赴，将人工智能（传统的和生成式的）定位为尽可能多的业务流程的核心，并在尽可能多的业务流程中提供面向员工和客户的人工智能应用程序。许多地区，因为他们可以同时管理。他们都试图领先于竞争对手进入市场。尽管如此，大多数人发现他们在人工智能的适度举措中所采取的非正式操作方法不足以支持大规模的分布式人工智能。
他们需要不同的方法。
平台工程必须超越应用程序开发领域
与此同时，在 DevOps 中，平台工程正在达到临界质量。预测到 2026 年，80% 的大型软件工程组织将建立平台工程团队，而 2022 年这一比例为 45%。随着组织规模的扩大，平台工程对于创建更高效、更高效的软件工程团队至关重要。一致且可扩展的软件开发和部署流程。它还有助于提高整体生产力并创造更好的员工体验。
应用程序开发平台工程的兴起，与人工智能的大规模兴起同时发生，带来了巨大的机遇。一个有用的范例已经建立：开发人员欣赏平台工程，因为这些解决方案给他们的工作带来了简单性，抽象了他们组装理想开发环境所需的配置基础设施、工具和框架的外围复杂性；运营团队喜欢平台工程在 DevOps 等式的运营方面引入的自动化和效率；高管套件的出售是为了更广泛的组织在其平台工程投资上看到的回报。
组织的人工智能运营 (AIOps) 中也存在类似结果的潜力。拥有成熟AIOps的企业可以随时拥有数百个AI模型在开发和生产中。事实上，根据 S&P Global 受 Vultr 委托对 1,000 名 IT 领导者和从业者进行的一项新研究显示，雇用这些调查受访者的每个企业平均同时有 158 个人工智能模型正在开发或生产，而且这些组织中的绝大多数预计这个数字很快就会增长。
当将 AIOps 推向全球范围时，企业需要一种能够提供敏捷性和弹性的运营模式来支持这样的数量级。如果没有量身定制的 AIOps 方法，所带来的风险就是效率低下、延迟的完美风暴，并最终由于对机器学习 (ML) 工程师体验的影响而导致收入、第一市场优势甚至关键人才的潜在损失。 。
幸运的是，平台工程可以为 AIOps 做它已经为传统 DevOps 所做的事情。
现在是专门为 AIOps 构建平台工程的时候了
尽管 DevOps 的平台工程是一种既定范例，但 AIOps 的平台工程解决方案必须是专门构建的；企业无法采用专为 DevOps 工作流程设计的平台工程解决方案并对其进行改造以适应 AI 操作。大规模 AIOps 的要求差异很大，因此必须从头开始构建平台工程解决方案来满足这些特定需求。
AIOps 的平台工程必须支持成熟的 AIOps 工作流程，这在不同公司之间可能略有不同。然而，分布式企业应该部署中心辐射型运营模式，通常包含以下步骤：
除了能够自助配置 AI 卓越中心和区域数据中心位置的每位 ML 工程师首选的基础设施和工具之外，为分布式 AIOps 构建的平台工程解决方案还可以自动化并简化该中心的工作流程 -并辐式运营模式。
作者的更多内容：Vultr 将 CDN 添加到其云计算平台
成熟的人工智能不仅仅涉及运营和业务效率。它还必须包括负责任的端到端人工智能实践。人工智能的道德规范是公众信任的基础。与任何新技术创新一样，对隐私控制、数据或偏见的管理不当可能会损害采用（用户和业务增长）并引发政府加强审查。
2024 年 3 月通过的《欧盟人工智能法案》是迄今为止管理人工智能商业用途最著名的立法。这可能只是解决短期和长期风险的新法规的开始。领先于监管要求不仅对于保持合规性至关重要，而且对于保持合规性至关重要。不合规者的业务往来可能会受到全球范围内的影响。作为正确平台工程策略的一部分，负责任的人工智能可以通过以下方式识别和减轻风险：
平台工程还可以适应未来的企业人工智能运营
随着人工智能的发展以及由此产生的对企业资源的需求的复合，IT 领导者必须将其全球 IT 架构与旨在大规模适应分布式人工智能的运营模型相结合。这样做是让数据科学和 AIOps 团队为成功做好准备的唯一方法。
专门构建的平台工程解决方案使 IT 团队能够满足业务需求和运营要求，同时为公司提供战略优势。这些解决方案还帮助组织扩展其运营和治理，确保合规性并与负责任的人工智能实践保持一致。
没有更好的方法来扩展人工智能操作。构建平台工程解决方案来为公司的 AI 成熟铺平道路，永远不会太早（或太晚）。
您可能还喜欢……
平台工程不仅仅是基础设施！
IT 仍需要解决平台的实际问题
