Превращение высокого технического долга в низкую стоимость

Планирование на долгосрочную перспективу может показаться здравой мудростью. Но в быстро меняющемся мире технологий долгосрочная перспектива ощущается как день, который никогда не наступит. Новые технологии или цифровой опыт всегда привлекают менеджеров, ищущих операционное преимущество. Дискуссия часто переходит к замене существующей системы в их организации.

Во многих случаях менеджерам часто приходится решать проблему технического долга, прежде чем внедрять новую технологию. Технический долг — это стоимость принятых компромиссов по поддержанию существующих систем для достижения немедленного запуска или достижения бюджета. Задолженность возникает в ряде случаев: из-за программного решения в рамках проекта разработки программного обеспечения или из-за решения по экономии средств отложить обновление устаревшей системы. Например, при разработке приложений быстрый запуск более простой версии продукта приводит к упущению функций, создавая технический долг, который необходимо устранить при добавлении новых функций. Иногда технический долг «ощущается» как шаг по экономии средств по сравнению с технически лучшим выбором в долгосрочной перспективе.

Техническая задолженность становится все более популярной темой среди менеджеров, поскольку число потенциальных первопричин запуска корпоративного решения растет. Компании внедряют машинное обучение, искусственный интеллект и облачные решения, чтобы заменить многие устаревшие системы, которые в настоящее время управляют услугами и процессами. Технический долг, связанный со старыми системами, проявляется как скрытые эксплуатационные расходы, которые со временем выросли и которые необходимо решать.

На многие технологические преобразования влияют решения по управлению данными в такой же степени, как и выбор дизайна программного обеспечения. Возьмем, к примеру, регулирование конфиденциальности данных. Сохранение данных в системах должно быть идентифицировано в соответствии с требованиями соблюдения конфиденциальности. Управление данными должно показывать, как соблюдается соблюдение требований.

Фактически среди ИТ-специалистов возник вариант технического долга — долг данных. Задолженность по данным — это накопление компромиссов в области управления данными. Задолженность по данным обычно возникает там, где данные лежат в основе операций, таких как контроль качества или анализ угроз для кибербезопасности. Как и технический долг, долг по данным возникает из-за отложенных инвестиций в поддержание или управление цифровыми активами — в данном случае, операционными данными.

Долг данных создает знакомую, но отчетливую разницу в компромиссах по сравнению с теми, что возникают в случае технического долга. Пока Технический долг — это скорее общий термин, обозначающий технологии, используемые для доставки продуктов и услуг, долг данных — это общий термин, обозначающий точки соприкосновения с данными, такие как разрозненность, дублирование наблюдений и несогласованность источников. Развитие машинного обучения, а также нынешнее широкое внедрение искусственного интеллекта усложняют предотвращение потенциальных рисков, связанных с плохо инвестированным управлением данными.

ИТ-менеджеры столкнутся с увеличением проблем с задолженностью по данным по мере роста инвестиций в ИИ. Модели больших языков (LLM) с открытым исходным кодом, такие как платформа LangChain и недавно выпущенная Meta Llama2, предоставляют возможность создавать модели и приложения ИИ с меньшим количеством параметров и, следовательно, меньшим размером модели, чем модель обучения, лежащая в основе ChatGPT. LLM с открытым исходным кодом предлагает более управляемую разработку ИИ для приложений с расширенными возможностями ИИ, которые работают с вашими собственными данными. Это обеспечивает большую прозрачность данных обучения и тестирования, устраняя зависимость от доступа к данным со сторонних серверов и API, которые могут изменить и нарушить производительность модели.

Управление внутренней платформой искусственного интеллекта также устраняет проблемы с использованием данных. Многие LLM разрабатываются с использованием векторных хранилищ — среды хранения данных для индексации неструктурированных данных и документов. В векторных хранилищах хранятся встроенные данные — набор данных, созданный из неструктурированных данных с использованием LLM. Хранилища векторов созданы специально для облегчения доступа к документам для обучения и тестирования моделей. Но предприятие, планирующее модель, может использовать документацию, хранящуюся на старых носителях. Таким образом, передовая разработка часто выявляет ситуации с задолженностью по данным, доступ к которым осуществляется из старого хранилища данных.