Генеративный искусственный интеллект не поможет решить проблему миграции в облаках

Руководство компании XYZ, Inc. было настроено оптимистично, когда приступило к миграции своих обширных унаследованных систем в облако с использованием передовых инструментов генеративного искусственного интеллекта. Сотрудничество с ведущим поставщиком решений в области искусственного интеллекта обещало эффективность и снижение затрат. Однако инструменты генеративного ИИ нуждались в помощи, чтобы справиться со сложностью и спецификой систем XYZ, что приводило к частым ручным вмешательствам. Сроки постоянно пересматривались, и проект вышел за рамки бюджета через шесть месяцев после перехода. То, что должно было стать упорядоченным процессом, превратилось в запутанную паутину непредвиденных расходов и задержек. Как такое могло произойти?

Опыт XYZ противоречит утверждению McKinsey о том, что "использование генеративного ИИ при правильном подходе сокращает затраты на миграцию в облако на 30-50 %". Smash переключился на мой почтовый ящик, где предприятия, желающие провести миграцию в облако по дешевке, продолжают спрашивать об инструментах миграции на основе генеративного ИИ, которые сокращают этот процесс.

Конечно, использование ИИ для миграции имеет свои законные преимущества, такие как разработка новых приложений и рефакторинг приложений. Однако общий тон этой и других статей часто подкрепляет надежду на то, что генеративный ИИ спасет нас от нехватки кадров и сжатых графиков миграции.

Предупреждение о спойлере: это выдача желаемого за действительное.

Обещания и опасности

На первый взгляд, использование больших языковых моделей (LLM) для миграции в облако кажется серебряной пулей. Теоретически эти модели могут понять инфраструктуру системы и создать необходимые сценарии для облегчения миграции. Однако предположение о том, что генеративный ИИ может гомогенизировать разнообразные и запутанные ландшафты корпоративных ИТ, - это идея, которую необходимо пересмотреть. И вот почему:

• Каждый проект миграции в облако уникален. Его тонкости требуют специальных инструментов и процессов, адаптированных к конкретным проблемным областям. Генеративный ИИ редко учитывает индивидуальный характер этих требований, что приводит к полуфабрикатным решениям, для исправления которых требуется значительное вмешательство человека.
• Многие предприятия работают с унаследованными системами. Рабочие процессы часто имеют свои нюансы и не документированы. LLM может потребоваться помощь для точной интерпретации этих сложностей, что приводит к пробелам в процессе миграции. Эти пробелы могут привести к необходимости дорогостоящего переписывания и интенсивной отладки, что сводит на нет всю цель использования ИИ.
• Предприятия, работающие в регулируемых отраслях, сталкиваются с жесткими требованиями к соблюдению нормативных требований. Хотя генеративный ИИ может помочь выявить потенциальные проблемы с соблюдением нормативных требований, окончательная проверка часто требует человеческого контроля, чтобы убедиться, что рекомендации, созданные ИИ, соответствуют нормативным стандартам, что усложняет процесс и увеличивает затраты.

Нет простого решения

Привлекательность генеративного ИИ заключается в том, что он обещает автоматизацию и эффективность. Если бы миграция в облако была универсальным сценарием, это бы сработало. Но каждое предприятие сталкивается с уникальными проблемами, основанными на его технологическом стеке, бизнес-требованиях и нормативно-правовой базе. Ожидать, что генеративная модель искусственного интеллекта справится со всеми задачами по миграции без проблем, нереально.

Я подозреваю, что к тому времени, когда вы создадите цепочку инструментов для миграции с помощью ИИ, временная задержка и стоимость этой цепочки сведут на нет все потенциальные преимущества. Если задуматься, то в ИТ-индустрии можно найти и другие примеры, когда какая-либо технология убирает ценность, а не добавляет ее - примерно в половине случаев, по моему опыту.

Успешная миграция в облако опирается на специализированные инструменты и человеческий опыт. Например, специализированные инструменты решают конкретные проблемы, возникающие в процессе миграции. Синтетическое тестирование в реальном времени и инфраструктура как код незаменимы при решении мелких задач миграции.

Кроме того, по-прежнему необходим человеческий контроль. Квалифицированные специалисты обладают важнейшими знаниями, которые не может повторить ИИ. Их опыт необходим для преодоления непредвиденных проблем и обеспечения целостности процесса миграции.

Реальная стоимость генеративного ИИ

Помимо первоначальных инвестиций в инструменты ИИ, скрытые затраты на генеративный ИИ для миграции в облако быстро возрастают. Например, для запуска моделей генеративного ИИ часто требуются значительные вычислительные ресурсы, что может быть дорого. Кроме того, обновление и обеспечение безопасности моделей генеративного ИИ требует надежного управления API и мер кибербезопасности. Наконец, модели ИИ нуждаются в постоянном совершенствовании и переобучении, чтобы оставаться актуальными, что влечет за собой постоянные расходы.

Все эти факторы часто приводят к ситуации, очень похожей на нашу вымышленную компанию XYZ Inc. Генеративный ИИ, хотя и ценен в некоторых аспектах, пока не является панацеей от сложностей миграции в облако.

Я знаю, что некоторые из вас сейчас скажут. "Опять этот Линтикум, который обрушился на парад генеративного ИИ и убил все желание использовать ИИ в качестве мультипликатора силы для людей, занимающихся миграцией в облако". Успешная бизнес-стратегия заключается в том, что хорошо работает и что нужно улучшить. Мы все понимаем, что ИИ - мощный инструмент, и он был таковым на протяжении десятилетий, но его нужно рассматривать с осторожностью - после того, как вы определили конкретную проблему, которую хотите решить.

Миграция в облако - сложный, многогранный процесс, требующий решений, адаптированных к уникальным потребностям предприятия. Хотя генеративный ИИ многообещающ, чрезмерная зависимость от него может привести не к упрощению, а к росту затрат и сложностей. Ключ к успешной миграции лежит в сбалансированном подходе: использование искусственного интеллекта там, где он наиболее эффективен, и в то же время опора на специализированные инструменты и человеческий опыт для навигации по запутанному ландшафту перехода в облако.

Понимая ограничения и реалистичность применения генеративного ИИ, предприятия смогут лучше спланировать свои стратегии миграции, избежать подводных камней чрезмерной автоматизации и обеспечить более плавный и экономически эффективный переход в облако.