Типичные проблемы с внедрением ИИ
В свежих публикациях блога Rackspace упоминаются знакомые многим трудности: неструктурированные данные, неясная ответственность, пробелы в управлении и расходы на запуск моделей в продакшене. Компания рассматривает эти вызовы с точки зрения предоставления услуг, операций по безопасности и модернизации облака — именно здесь она сосредоточила свои усилия.
RAIDER в работе по киберзащите
Один из ярких примеров операционного ИИ в Rackspace применяется в сфере безопасности. Компания создала RAIDER (Rackspace Advanced Intelligence, Detection and Event Research) — специализированную платформу для внутреннего центра киберзащиты. Сотрудники по безопасности ежедневно сталкиваются с потоком оповещений и логов, и традиционная инженерия детекции не справляется, если она полагается на ручное написание правил. Система RAIDER сочетает разведку угроз с процессами инженерии детекции, применяя AI Security Engine (RAISE) и большие языковые модели для автоматической генерации правил. Эти правила сразу готовы к использованию на платформе и соответствуют стандартам вроде MITRE ATT&CK. Rackspace сообщает, что время на разработку детекции сократилось более чем вдвое, а также уменьшилось среднее время обнаружения и реагирования. Такие изменения внутренних процессов особенно ценны.
Агентный ИИ упрощает сложные проекты
Rackspace видит в агентном ИИ способ устранить препятствия в масштабных инженерных задачах. В материале о модернизации сред VMware на AWS описывается подход, где ИИ-агенты берут на себя рутинные операции. Компания подчеркивает необходимость четкой стратегии, механизмов управления и операционных моделей. Для масштабирования ИИ она выбирает инфраструктуру в зависимости от типа нагрузки: обучение, дообучение или инференс. Большинство задач довольно просты и позволяют запускать инференс прямо на имеющемся оборудовании.
Основные барьеры на пути к ИИ
Rackspace выделяет четыре повторяющихся препятствия для внедрения ИИ, в первую очередь — фрагментированные и неоднородные данные. Компания советует вкладываться в интеграцию и управление данными, чтобы модели получали надежную основу. Конечно, это не уникальное мнение Rackspace, но когда такую позицию озвучивает крупный технологический игрок, она четко иллюстрирует проблемы, с которыми сталкиваются предприятия при развертывании ИИ в большом масштабе.
Что говорит Rackspace о Microsoft
Гигант вроде Microsoft тоже координирует работу автономных агентов между системами. Copilot превратился в слой оркестрации, и в экосистеме Microsoft есть поддержка многоэтапных задач и выбор моделей. Однако Rackspace отмечает, что рост производительности достигается только при строгом контроле идентификации, доступа к данным и надзора в операциях.
Ближайшие и долгосрочные планы
В ближайшей перспективе Rackspace фокусируется на ИИ-поддержке в инженерии безопасности, модернизации с помощью агентов и управлении услугами с ИИ. О будущих шагах можно судить по статье о тенденциях ИИ в приватных облаках: экономика инференса и управление станут ключевыми факторами для архитектуры как минимум до 2026 года. Ожидается всплесковый поиск в публичных облаках, а инференс перенесут в приватные облака ради стабильных затрат и соответствия нормам. Это план для операционного ИИ, ориентированный на бюджет и аудит, а не на новизну.
Что взять на заметку менеджерам
Для тех, кто ускоряет свои проекты ИИ, ключевой урок от Rackspace — воспринимать ИИ как часть операционной рутины. Конкретные примеры из блога компании показывают сокращение циклов в повторяемых задачах. Можно разделять курс Rackspace, но скептически относиться к заявленным цифрам. В растущем бизнесе стоит выявлять повторяющиеся процессы, определять зоны строгого контроля из-за управления данными и искать возможности сократить расходы на инференс, перенеся часть вычислений внутрь компании.