Apesar de toda a conversa sobre a infraestrutura de IA, chips e grandes quantidades de energia necessárias para apoiar o treinamento e inferência de modelos em grande escala, ainda há uma parte mais silenciosa da história que raramente recebe o mesmo nível de atenção dentro da empresa, e que é o estado dos dados nos quais esses sistemas realmente são executados.
A Agência Internacional de Energia prevê que a produção de electricidade para alimentar centros de dados aumentará de 460 TWh em 2024 para mais de 1.000 TWh em 2030 e para 1.300 TWh em 2035 no caso base, destacando a rapidez com que a procura de energia relacionada com a IA está a crescer.
Fundador e CEO da Coalescent Cloud.
Nos Estados Unidos a pressão já é visível. O Departamento de Energia dos EUA afirma que os data centers consumiram cerca de 4,4% de toda a eletricidade dos EUA em 2023 e deverão consumir cerca de 6,7% a 12% até 2028.
O artigo continua abaixo
Estes números são importantes, mas também podem fazer com que o problema pareça distante, como se a sustentabilidade da IA só acontecesse ao nível do hiperescalador.
Na verdade, uma parte significativa dos custos e desperdícios associados à IA começa muito mais perto de casa, dentro de casa. Você tem um CRM, uma plataforma PSA, um sistema financeiro, planilhas que ainda guarda de lado porque alguém não confia no painel principal e registros duplicados que ninguém se deu ao trabalho de organizar.
carga digital
Muito menos empresas fazem perguntas imediatas sobre o seu ambiente. Isso significa perguntar quanta carga digital desnecessária é criada simplesmente porque os dados estão sujos.
A IA não chega dentro de uma empresa e começa a operar com base em algum conjunto de informações idealizado e perfeitamente estruturado. Ele herda tudo o que já existe.
Os sistemas técnicos não corrigem estas deficiências por si próprios. Cada fluxo de trabalho desnecessário, cada consulta redundante, cada rodada de verificação humana, cada ciclo extra gasto na validação de resultados é percebido com mais frequência e custa mais porque consome mais armazenamento, mais processamento e mais tempo da equipe.
Dados íntegros não são apenas dados que foram apagados acidentalmente em uma data específica. Dados que são compreendidos, gerenciados, mantidos e coordenados em toda a empresa de uma forma em que as pessoas possam confiar.
A pesquisa recente da IBM sobre a má qualidade dos dados deixa isso claro do ponto de vista empresarial. 43% dos Chief Operating Officers (COOs) citam a qualidade dos dados como o seu principal desafio e mais de um quarto estimam que as suas organizações estão a perder mais de 5 milhões de dólares anualmente devido à má qualidade dos dados.
Os líderes de tecnologia empresarial devem estar mais conscientes do que nunca do que acontece quando os mesmos desafios de dados são colocados em camadas em ambientes de IA já computacionalmente intensivos.
A má qualidade dos dados é sempre cara. O que está a mudar com a IA é a velocidade e a escala a que os custos aumentam.
Processos interrompidos que costumavam frustrar as equipes agora têm o potencial de criar carga repetitiva em vários sistemas e modelos, ao mesmo tempo que minam a confiança nos resultados que deveriam facilitar seu trabalho.
sustentabilidade
A conversa sobre sustentabilidade em torno da IA precisa de se tornar mais eficaz. Não podemos sobreviver apenas com a aquisição de energia, com objectivos de carbono e com níveis de investimento em infra-estruturas. Estas questões são importantes, mas também o são as realidades quotidianas daquilo que as empresas exigem que os seus sistemas façam.
Se a empresa estiver operando Adicionar ferramentas de IA a registros fragmentados, fluxos de trabalho desarticulados e relatórios não confiáveis cria parte da carga ambiental associada a essa IA. As organizações estão consumindo mais computação para obter respostas mais fáceis de alcançar.
Por trás de tudo isso há também uma questão de governança. Porque um número surpreendente de organizações ainda está avançando mais rapidamente em direção à implantação do que à propriedade e à responsabilização.
A fiabilidade dos dados continua a ser uma das maiores barreiras à adoção útil da IA, e com razão.
Se você não consegue explicar claramente de onde vêm os dados principais, quem os possui, como são mantidos e por que as definições variam entre os sistemas, sua empresa já criou as condições para desperdício desnecessário antes do modelo entrar em produção.
Nesse ambiente, a IA torna-se outra camada de complexidade sobre uma base já instável.
As organizações que alcançam melhores resultados tendem a seguir caminhos mais rigorosos que parecem menos estimulantes do lado de fora.
Reduza a duplicação. Classifique a lógica do sistema. Eles determinam o que as métricas realmente significam e garantem que essa definição se aplique a toda a equipe. Simplifique seu fluxo de trabalho antes de automatizá-lo. Modifique a propriedade antes de expandir o acesso.
Este tipo de trabalho raramente é estruturado numa estratégia de IA, mas é muitas vezes o que diferencia os programas de IA que se tornam úteis na prática daqueles que silenciosamente geram mais despesas gerais do que valem.
Um sistema de base mais saudável
À medida que os sistemas subjacentes se tornam mais saudáveis, a IA começa a fazer o que os líderes esperavam que fizesse. Como a entrada é estável, as previsões tornam-se mais confiáveis. Os dados dos clientes tornam-se mais acionáveis porque as equipes não discutem se os dados dos clientes estão atualizados.
Para empresas que buscam compreender os custos crescentes da IA, este é o lugar certo para começar. Antes de perguntar como controlar mais modelos, vale a pena perguntar quanta carga digital desnecessária já está sendo criada por dados não saudáveis.
Antes de tratar a sustentabilidade como algo fora do âmbito empresarial, é útil reconhecer que os sistemas limpos utilizam os recursos de forma mais inteligente.
E antes de assumir que o impacto da IA no ambiente é apenas uma questão de infraestrutura, os líderes devem analisar atentamente o estado dos dados que as suas empresas introduzem todos os dias.
Os dados limpos não resolverão todos os problemas associados à infraestrutura de IA e às restrições energéticas, mas tornarão os sistemas empresariais mais eficientes, fiáveis e sustentáveis de uma forma imediata e mensurável.
Esta é uma maneira muito melhor de começar do que presumir que simplesmente mais computação resolverá problemas que poderiam ter sido evitados através de uma melhor disciplina operacional.
Apresentando o melhor chatbot de IA para negócios.
Este artigo foi produzido como parte do . Perspectiva TechRadar ProUm canal que apresenta os melhores e mais brilhantes talentos da indústria de tecnologia atualmente.
As opiniões expressas aqui são de responsabilidade do autor e não necessariamente da TechRadarPro ou Future plc. Se você estiver interessado em contribuir, saiba mais aqui: https://www.techradar.com/pro/perspectives-how-to-submit
