Je to změna, kterou zatím nelze jasně ohraničit ani vyčíslit.

Téma posledního business roundtablu se točilo kolem důvodů, proč je tak těžké dostat AI bezpečně do provozu.

Debata byla živá od začátku; začíná se nám scházet pěkná komunita odborníků, přibývá konkrétních zkušeností, ale i nových překážek, nad nimiž je dobré se zamýšlet společně. Pár hlavních postřehů: Data mají také svůj životní cyklus Modely stárnou. Bez observability nad daty i chováním modelu změny nepoznáte. Jakmile data změní strukturu, může model selhávat.

„Nevíme, kolik nás to bude stát. A to je horší než vědět, že to bude drahé.” Rozpočtovat AI bez znalosti provozu je špatně. Nejde jen o trénink a vývoj, jde i o infrastrukturu a životní cyklus – a ten u AI není lineární.

„Není jasné, kdo je kdy za AI odpovědný. Infrastruktura, vývoj, nebo někdo třetí?” Typický MLOps přístup dnes porušuje základy agilního vývoje, pokud probíhá paralelně. Model se přehazuje přes zeď jako dřív kód – DevOps přístup zmizel. Chyba.

Potřebujeme tým a platformy, které drží celý životní cyklus pod kontrolou. „AI se špatně verzuje. Ne proto, že by to nešlo technicky, ale protože mizí kontext.” Verze modelu nestačí. Potřebujete snapshot dat, konfigurací, výpočtů i chování. Jinak nemáte co auditovat.

Jak z toho ven:  AI se musí chovat jako komponenta – verzovatelná, nasaditelná. Proto ji „zavíráme” do infrastrukturních bloků (Docker kontejnery, mikroslužby) – přesně tak, jak funguje jakýkoli jiný kus softwaru určený pro cloud.

.