Երբ կազմակերպությունների ղեկավար կազմը հավաքվում է քննարկելու գեներատիվ արհեստական բանականության (AI) ֆինանսական հետևանքները, խոսակցությունը գրեթե միշտ շեղվում է դեպի սարքավորումների «չվերականգնվող ծախսերը» (sunk cost): Մենք կենտրոնանում ենք NVIDIA H100-ների սակավության, տվյալների կենտրոնների էլեկտրաէներգիայի սրընթաց աճող գների և խոշոր հիմնարար մոդելների մարզման համար անհրաժեշտ հսկայական կապիտալ ներդրումների վրա: Սակայն, մինչ հիփը (hype cycle) վերածվում է գործառնական իրողության, ի հայտ է գալիս մի ավելի լուռ ու նենգ ֆինանսական «արյունահոսություն». դա ինֆերենսի (inference) արդյունքում ստեղծված տվյալների զանգվածային, մշտական և հաճախ վատ կառավարվող աճն է:

Ներկայումս մենք ականատես ենք լինում AI-ի «հետազոտական» փուլից (երբ բիզնեսները պարզապես փորձարկում էին չաթ-բոտեր) դեպի «ինտեգրման» փուլ անցմանը, որտեղ AI-ն ներհյուսվում է Հաճախորդների հետ հարաբերությունների կառավարման (CRM) համակարգերի, ավտոմատացված աշխատանքային հոսքերի և ներքին որոշումների կայացման գործընթացների մեջ: Ամեն անգամ, երբ AI գործակալը մշակում է հարցում, այն ոչ միայն պատասխան է տալիս, այլև ստեղծում է տվյալների մի ամբողջ շղթա: Սա ներառում է սկզբնական հարցումը, համատեքստային պատուհանը, մոդելի ներքին տրամաբանական շղթան և արդյունքը: Երբ սա մասշտաբավորվում է ողջ ընկերության մակարդակով, այն վերածվում է պետաբայթերով նոր, չկառուցվածքավորված տվյալների, որոնք մշակելու համար ավանդական պահեստավորման ռազմավարությունները նախատեսված չեն եղել:

Ինֆերենսի դարաշրջանի անտեսանելի հաշվապահությունը

Տվյալների պահեստավորման ավանդական տրամաբանությունը հետևում է շերտավոր մոտեցմանը. «թեժ» պահեստավորում՝ ակտիվ հասանելիության համար, «սառը» պահեստավորում՝ օրենսդրական պահանջների համար և, ի վերջո, ջնջում: Սակայն AI-ի կողմից ստեղծված տվյալները սկզբունքորեն տարբեր են. դրանք բարձր կոնտեքստային են: Եթե ընկերությունն օգտագործում է LLM-ներ (Խոշոր լեզվական մոդելներ)՝ հազարավոր աջակցման հարցումները ամփոփելու համար, ապա այդ ամփոփումները պարզապես տեքստային ֆայլեր չեն, այլ ինստիտուցիոնալ գիտելիքի «լուսանկարներ»: Բիզնեսի ղեկավարները արագորեն գիտակցում են, որ եթե ջնջեն այդ տվյալները պահեստավորման ծախսերը խնայելու համար, նրանք փաստացի ջնջում են իրենց թվային աշխատուժի «հիշողությունը»:

Այստեղ տնտեսական մարտահրավերը երկակի է: Նախ, առկա է պահեստավորման հումքային արժեքը՝ ֆիզիկական բիթերը, որոնք պահվում են ամպային պահեստներում, ինչպիսիք են Amazon S3-ը կամ Google Cloud Storage-ը: Թեև մեկ գիգաբայթի պահեստավորման գինը նվազել է, AI-ի կողմից գեներացվող բովանդակության ծավալն աճում է էքսպոնենցիալ տեմպերով, որը գերազանցում է ծախսերի նվազման արագությունը: Երկրորդ, առկա է «հետկանչման հարկը» (retrieval tax): Քանի որ բիզնեսները փորձում են կառուցել RAG (Retrieval-Augmented Generation) ճարտարապետություններ, նրանք պետք է պահեն այդ տվյալները մասնագիտացված Վեկտորային տվյալների բազաներում (Vector Databases), ինչպիսիք են Pinecone-ը կամ Milvus-ը: Այս բազաները զգալիորեն ավելի թանկ են, քան ստանդարտ օբյեկտային պահեստները, քանի որ դրանք պահանջում են մշտական ինդեքսավորում և բարձր արդյունավետության հաշվողական հզորություններ՝ որոնելի մնալու համար:

Եթե ընկերությունը պարզապես պահում է ամեն ինչ «համենայն դեպս» սկզբունքով, ապա այն հրավիրում է ROI-ի (ներդրումների վերադարձելիության) զգալի կորուստ: Ծախսերն ավելի են աճում, երբ հաշվի ենք առնում հետևյալը.

  • Տարբերակների վերահսկում (Version Control): Հետևելը, թե որ մոդելի տարբերակն է ստեղծել որ արդյունքը, ինչը էական է աուդիտի և օրենսդրական պահանջների համապատասխանության համար:
  • Տվյալների կրկնօրինակում (Data Redundancy): Տարբեր գործակալներ կամ միկրոսերվիսներ հաճախ հարցում են կատարում նույն տեղեկատվության համար, ինչը հանգեցնում է տեխնոլոգիական ստեկի տարբեր հատվածներում կրկնվող արդյունքների մատյանների առաջացմանը:
  • Համապատասխանության ծավալունություն (Compliance Bloat): Ֆինանսների և առողջապահության ոլորտներում յուրաքանչյուր փոխազդեցություն՝ ներառյալ AI-ի կողմից տրված խորհուրդները, կարող է ենթակա լինել տվյալների պահպանման պարտադիր պահանջների, ինչը պահեստավորումը վերածում է IT ընտրությունից իրավական պատասխանատվության:

AI գիտելիքի կենսացիկլի ռազմավարություն

Այս աճող ծախսերը մեղմելու համար բիզնեսի ղեկավարները պետք է անցնեն «ամեն ինչ պահելու» մտածելակերպից դեպի «արժեքի վրա հիմնված պահպանման» ռազմավարություն: Սա պահանջում է վերանայել Թվային փոխակերպման ճանապարհային քարտեզները՝ AI տվյալների կառավարումը դարձնելով հիմնական սյուն: Մենք տեսնում ենք տվյալների խելացի զտման անցում, որտեղ ընկերություններն օգտագործում են երկրորդական, ավելի թեթև մոդելներ՝ ինֆերենսի արդյունքների օգտակարությունը գնահատելու համար, նախքան դրանք թանկարժեք պահեստավորման շերտեր տեղափոխելը:

Սա անտեսելու բիզնես հետևանքները զգալի են: Քանի որ AI գործակալները դառնում են բիզնես գործառնությունների հիմնական ինտերֆեյսը, նրանց կողմից ստեղծված տվյալները դառնում են ձեռնարկության հիմնական ակտիվը: Եթե այդ ակտիվը թաղված է անկազմակերպ, թանկարժեք և անորոնելի տվյալների «աղբանոցում», ընկերությունը ոչ միայն վատնում է գումար, այլև չի կարողանում օգտագործել այն բանականությունը, որի համար վճարում է:

Դիտարկեք հետևյալ քայլերը՝ ձեր մոտեցումը արդիականացնելու համար.

  • Ավտոմատացված շերտավորում (Automated Tiering): Ներդրեք կենսացիկլի քաղաքականություններ, որոնք ինֆերենսի