生成式人工智能(AI)有可能為企業釋放數萬億美元的價值，并從根本上改變我們的工作方式。這項突破性的技術已經進入了全球經濟的幾乎每個領域，以及我們生活的許多方面，人們已經使用人工智能來查詢其銀行賬單，甚至要求醫療處方。當前的預測表明，生成式人工智能可以自動化高達70%的員工時間。

但無論應用還是行業，生成式人工智能的影響在云計算生態系統中最為明顯。

隨著企業急于在云運營中利用這項技術，在安全、可靠、負責任地部署生成式人工智能模型之前，首先了解網絡連接要求和風險是至關重要的。

訪問數據集

根據其定義，大型語言模型(LLM)是非常大的，因此訓練這樣的LLM將需要大量的數據和超高速的計算，并且數據集越大，對計算能力的需求就越大。

值得注意的是，在公共云環境中訓練生成式人工智能模型的主要連接要求之一是，負擔得起對數據集規模的訪問，而訓練這些LLM所需的巨大處理能力只是拼圖的一部分。除此之外，需要考慮的其他組件還包括管理在公共云中傳輸的數據的主權、安全性和隱私要求。

2022年，39%的企業在其云環境中經歷了數據泄露。考慮到這一點，探索市場上專門為高性能和人工智能工作負載設計的專用連接產品是有意義的。

新興的監管趨勢

全球監管框架錯綜復雜，可能發生變化，因此企業應密切關注圍繞人工智能領域迅速出現的關鍵公共政策和監管趨勢。

企業現在需要實施數據映射和數據丟失預防等技術，以確保其隨時知道所有個人數據的位置，并提供相應地保護。這種方法可以被稱為基于設計的隱私方法，不僅被歐洲《通用數據保護條例》(GDPR)的發展任務所采用，而且也被美國的數據隱私法所采用。

想象一下，一家跨國銀行在其辦公場所安裝了50臺大型機，并將其主要計算能力保存在這里。其目的是對數據進行人工智能分析，但其無法使用公共互聯網連接到這些云環境，因為其的許多工作負載都受到監管限制。另外，私有連接使其能夠訪問存在于企業本地監管框架內的生成式AI功能。

維護數據主權

隨著人工智能立法的不斷擴大，生成式人工智能技術的廣泛采用可能會給數據主權帶來長期的挑戰。企業能夠保證主權邊界的唯一方法可能是，在數據傳輸時使用某種私有連接形式。隨著世界變得更加數字化互聯，這促使各國界定和規范數據的存儲地點，以及處理數據的LLMS存儲地點。

公有云上的人工智能訓練模型也是如此。企業將需要某種類型的連接，從其私有云到公共云，在那里可以進行人工智能訓練模型，然后使用私有連接將其推理模型帶回來。

需要注意的一點是，盡管一些國家法律要求某些數據保留在本國境內，但這并不一定會使其更安全。例如，如果企業使用公共互聯網在公共云服務上向他國和從他國傳輸客戶數據，即使其可能在他國內部傳輸，仍然有人可以攔截該數據，并將其傳送到世界各地。

延遲和網絡擁塞的重要性

隨著我們每天經歷的大量語音和視頻通話，我們都變得對延遲敏感。有些人沒有意識到的是，在與人互動方面，延遲是一個關鍵因素。同樣，用于訓練人工智能模型的大量數據集可能會在公共云上導致嚴重的延遲問題。

舉個例子，如果正在與一個提供客戶服務的人工智能機器人聊天，若延遲時間開始超過10秒，那么退出率就會加速。因此，使用公共互聯網將面向客戶的基礎設施與推理模型連接起來，對于無縫的在線體驗而言是潛在的危險，響應時間的變化可能會影響企業提供有意義結果的能力。

同時，網絡擁塞可能會影響企業按時構建模型的能力。克服這個問題的方法是使用大型管道，以確保在將主要數據集移動到訓練語言模型的地方時不會遇到擁塞。因此，企業將能夠避免嚴重的擁塞，特別是在將新數據傳輸到LLM時，這無疑會導致積壓。

人工智能管理不當的負面后果

治理是目前正在討論的話題，因為如果沒有適當的人工智能治理，可能會給企業帶來嚴重的后果，可能導致商業和聲譽受損。

在云上實施生成式人工智能模型時，缺乏監督很容易導致錯誤和違規，更不用說潛在的客戶數據和其他專有信息的暴露。簡而言之，生成式人工智能的可信度取決于企業如何使用。換言之，誰可以訪問數據，哪里可以獲得數據批準的可追溯性?

生成式人工智能的無限機會

生成式人工智能是一個變革性的領域，但IT領導者在部署其應用之前，必須避免網絡連接錯誤。

定義與現有云架構相關的業務需求至關重要，因為數據可訪問性是生成式人工智能的一切。網絡即服務(NaaS)平臺的高性能靈活性，可以為具有前瞻性思維的企業提供先發優勢，而不是在公共云的風險中導航。

例如，NaaS解決方案結合了新興的網絡技術，支持生成式人工智能的治理需求，用于更廣泛的業務和保護客戶。

通過將云與全球網絡基礎設施互連來采用人工智能系統，該基礎設施可以提供完全自動化的交換和按需路由，這可以通過NaaS敏捷性來簡化。