Vertiv, specialista globale nelle infrastrutture digitali critiche, e Deloitte Center for Integrated Research hanno deciso di collaborare per aiutare le aziende ad affrontare una delle principali sfide nel passaggio dell’AI dalla fase sperimentale alla produzione: determinare dove eseguire i workload AI e verificare se l’infrastruttura fisica disponibile sia in grado di supportarli.
La nuova guida Designing Infrastructure for Enterprise AI, sviluppata da Vertiv e STL Partners, società di ricerca specializzata nelle infrastrutture digitali, fornisce ai responsabili aziendali, IT e delle strutture un framework basato sui workload per prendere le decisioni prima di investire in un piano infrastrutturale. Partendo dall’obiettivo di business e dal workload AI previsto, le organizzazioni possono valutare la sede di implementazione, i requisiti infrastrutturali e la preparazione delle strutture, per poi associare ciascun carico di lavoro a un modello di infrastruttura fisica e a un design di riferimento appropriati, utili per la pianificazione successiva e la validazione tecnica.
La ricerca evidenzia un aspetto cruciale mentre le aziende portano i worload AI in ambienti di produzione su larga scala: il livello di preparazione dell’infrastruttura può determinare dove tali workload possano essere implementati e con quale rapidità possano entrare in produzione. Disponibilità di energia, raffreddamento, connettività e capacità operative sono fattori che stabiliscono se un carico di lavoro possa essere supportato all’interno di una struttura esistente o richieda un diverso modello di implementazione.
La guida traduce queste considerazioni in un processo articolato in quattro fasi: (1) definire il risultato di business desiderato e il carico di lavoro AI, (2) valutare scala, prestazioni e requisiti operativi del workload, (3) determinare la sede di implementazione più appropriata e (4) abbinare workload e sede a un modello di infrastruttura fisica e a un design di riferimento.
“La prossima fase dell’AI aziendale sarà determinata non solo dai modelli e dalla capacità di calcolo, ma anche dalla possibilità per le organizzazioni di fornire l’alimentazione elettrica, il raffreddamento, la connettività e l’ambiente operativo richiesti da ciascun workload,” ha dichiarato Giordano Albertazzi, CEO di Vertiv. “Partendo dal workload, le aziende possono prendere decisioni infrastrutturali in una fase più precoce, identificare prima i vincoli e costruire un percorso più credibile per trasformare le ambizioni legate all’AI in realtà produttive.”
“Gli aspetti economici e i requisiti operativi dell’AI cambiano quando i workload passano alla produzione,” ha affermato Nicholas Merizzi, principal, Silicon2Service U.S. Lead di Deloitte Consulting LLP. “Le organizzazioni devono considerare insieme valore di business, governance, responsabilità operative e infrastruttura. Affrontare questi temi fin dalle prime fasi di pianificazione consente ai decisori di disporre di basi più solide per stabilire dove eseguire i workload AI e come supportarli nel tempo.”
Il processo riconosce che l’AI aziendale è costituita da un portfolio di workload e non da una singola decisione infrastrutturale. I workload esplorativi possono rimanere nel cloud, mentre quelli continuativi o mission-critical possono essere più adatti a infrastrutture ibride o a capacità gestite direttamente dall’azienda. I workload che richiedono tempi di risposta più rapidi, maggiore controllo, prossimità ai dati o specifiche prestazioni dei modelli possono invece necessitare di ambienti edge o di altri contesti controllati.
Questo approccio specifico per workload consente a cloud pubblici, colocation, infrastrutture di proprietà dell’impresa, ambienti ibridi e infrastrutture edge di svolgere ciascuno un ruolo appropriato. Piuttosto che sostenere in modo generico il cloud o scoraggiarne l’utilizzo, la guida propone un metodo coerente per individuare l’ambiente operativo più adatto a ciascun workload AI.
La ricerca classifica i workload AI aziendali in sei archetipi, che coprono lo sviluppo dei modelli, il retraining e quattro categorie di utilizzo in produzione. Questi archetipi aiutano le organizzazioni a identificare workload con requisiti prestazionali, operativi e infrastrutturali simili, creando una base più coerente per la pianificazione. Ogni workload può quindi essere associato a uno dei quattro modelli di infrastruttura fisica: Edge AI Cluster, Small AI Cluster, Large AI Cluster e High-Density AI Cluster.
I quattro modelli costituiscono un punto di partenza per decisioni riguardanti alimentazione elettrica, raffreddamento, sistemi di controllo, connettività, resilienza, supporto operativo e crescita futura. I relativi design di riferimento possono poi essere adattati sulla base della valutazione del sito, dei requisiti del workload e delle analisi ingegneristiche di dettaglio.
La preparazione delle strutture è un elemento critico per tutti e quattro i modelli. La guida aiuta le aziende a valutare se una determinata sede disponga di alimentazione, raffreddamento, connettività, capacità operative e spazio per la crescita sufficienti. Effettuare questa valutazione nelle prime fasi può contribuire a individuare vincoli infrastrutturali prima che diventino ostacoli all’implementazione.
