• Generatieve AI

    Generatieve AI is hier:
    Bent u er klaar voor?

    Ingebouwde innovatie van Intel®

      • Waar te beginnen

        Een nieuw tijdperk met Generative AI

        Generatieve AI (GenAI) wordt op grote schaal gebruikt door organisaties en individuen, dit veroorzaakt een aanzienlijke maatschappelijke impact. AI van consumentenklasse, zoals ChatGPT en DALL-E, spreekt tot ieders verbeelding met de mogelijkheid om content te genereren. Toch belooft GenAI no meer waarde aan organisaties, waaronder verhoogde productiviteit, kostenreductie en een transformatie in de manier waarop we werken.

      • 76%

        van de IT-leiders gelooft dat GenAI belangrijk, zo niet transformerend zal zijn voor hun organisatie.

        GenAI zal organisaties transformeren

        GenAI brengt beloningen met zich mee, maar ook nieuwe uitdagingen en risico's. Als organisaties beginnen aan hun GenAI-traject, hoeven ze het vertrouwen van klanten en de hoge waarde van hun data niet in gevaar te brengen om als eerste voorbij de finish te komen.

        76%

        van de IT-leiders gelooft dat GenAI belangrijk, zo niet transformerend zal zijn voor hun organisatie.

      • De juiste data voor uw gebruiksscenario

        Om de kracht van GenAI effectief te benutten, moeten organisaties strategisch gebruikmaken van rijke data van hoge kwaliteit. De beste gebruiksscenario's zijn afhankelijk van deze data en vereisen een evenwichtige mix van vaardigheden, budgetten en resources. Daarom is het zo belangrijk dat bedrijfs- en IT-teams samenwerken om prioriteiten te stellen.

        • Content maken

        • Zoeken in natuurlijke taal

        • Codegeneratie

        • Digitale assistent

        • Ontwerp en datacreatie

        • Documentautomatisering

      • Succes behalen met generatieve AI

        Hoewel ondernemingen in elke verticale sector honderden gebruiksscenario's hebben ontdekt, is het cruciaal om de juiste gebruiksscenario's te vinden.

      • Personen en teams

        Bereid uw organisatie voor op het aanpakken van GenAI-kansen, waarbij IT-organisaties zich naar binnen richten en het bedrijf naar buiten kijkt.

      • Processen en beleidsregels

        Definieer en communiceer hoe uw organisatie AI zal benutten en maak er een cruciaal aspect van uw bedrijf van om werknemers te betrekken.

      • Technologie

        Zorg voor veilige toegang tot GenAI binnen uw organisatie, waarbij schaduw-AI-instanties worden vermeden om data-integriteit en naleving te garanderen.

      • Strategie

        Leg de huidige status van uw omgeving vast om de strategische visie en richtlijnen voor toekomstige GenAI-projecten te bepalen.

      • De essentiële rol van uw data in generatieve AI

        Data en risico gaan hand in hand. Data zullen uw GenAI-projecten vooruit helpen, maar u moet ook de potentiële risico's van het hosten van GenAI-modellen in public clouds in kaart brengen, waaronder: verlies van intellectueel eigendom, datalekkage, privacyproblemen, nalevingsschendingen, geloofwaardigheid- en integriteitsverlies, vooroordelen en IP-inbreuk.

        • Beheer van risico's en het verhogen van waarde

          Wanneer u begint met uw reis, is het essentieel om investeringen in technologie en training op elkaar af te stemmen om de operationele groei te versnellen, risico's te verminderen, controle te verbeteren en de waarde voor uw organisatie te maximaliseren. Met genAI die geschikt is voor ondernemingen, krijgt u de controle over wie toegang heeft tot uw data.

      • Enterprise-ready GenAI Onvolwassen GenAI Operationele volwassenheid Risico
        Grafiek die laat zien dat het risico (y-as) in de loop van de tijd afneemt naarmate u de operationele volwassenheid (x-as) bereikt met uw dataverwerking. Het begin van de helling van de grafiek geeft onvolwassen GenAI aan met een hoog risico en een lage operationele volwassenheid. De neerwaartse trend in de grafiek geeft aan dat enterprise-ready AI het risico verlaagt en een hoge operationele volwassenheid vertegenwoordigt.

      • GEBRUIK AI MET UW DATA

        Behoud generatieve AI-modellen dicht bij uw data

        • Inzicht in de risico's en voordelen van verschillende implementatieopties is cruciaal bij het bepalen van de optimale workloadplaatsing voor GenAI door uw organisatie. Als het gaat om AI inzetten voor uw data dan biedt de implementatie van privé-instanties van grote GenAI taalmodellen (LLM's), zoals Llama 2 of Falcon voordelen op het gebied van snelheid en implementatie, maar kan dit ook hogere kosten en andere nadelen met zich meebrengen. Hoe dan ook, in-house GenAI biedt waarschijnlijk de meeste waarde voor uw vroege inspanningen.

          Op het gebied van het plaatsen van workloads, is GenAI niet anders dan welke andere workload dan ook. Om de beste resultaten te behalen, plaatst u deze in de omgeving die het meest zinvol is op basis van uw zakelijke vereisten en technische behoeften.

          Het onderstaande diagram bevat concepten en frameworks die van toepassing zijn bij het bepalen van de plaatsing van genAI-workloads.

      • Waar data zich bevinden Kosten Snellere time-to-value Nauwkeurigheid en maatwerk Algemene gebruiksscenario's Beveiligde toegang Public cloud Private cloud
        Een grafiek met zes factoren waarmee u rekening moet houden bij het kiezen tussen private cloud of public cloud voor de plaatsing van GenAI-workloads. U ziet dat 'Waar data zich bevinden' en 'Veilige toegang' naar private cloud leunt. 'Kosten' leunt licht naar de private cloud en 'Nauwkeurigheid en maatwerk' leunt licht naar de private cloud. 'Snellere time-to-value' juist leunt licht naar public cloud. En 'Algemene gebruiksscenario's' leunt sterk naar public cloud.

        • Databeheer voor generatieve-AI

          De meeste organisaties hanteren een tweezijdige benadering van hun GenAI-strategie. Ze experimenteren met tactische implementaties om te leren en te voorkomen dat ze achterlopen, tegelijkertijd ontwikkelen ze een langetermijnstrategie om te voldoen aan de vele gebruiksscenario's die na verloop van tijd ontstaan. Voor deze aanpak is een strategie voor databeheer met twee lagen vereist.

        DATAVOORBEREIDING
        DATA-ENGINEERING

        • Datavoorbereiding

        • Data-ontdekking

          Datasets identificeren en datavereisten definiëren

        • Ontdekking- en verrijking van data

          Ontwerp en implementatie van datapijplijn voor taggen, opschonen, labelen en anonimiseren van data

        • Korte termijn: Datavoorbereiding

          Datavoorbereiding omvat het identificeren van datasets en het definiëren van datavereisten, gevolgd door het opschonen, labelen en anonimiseren van de data en het daarna normaliseren over databronnen. Het vereist ook het bouwen van datapijplijnen om de data in een model te integreren.

        • Data-engineering

        • Opname van data

          Bedrijfsdata integreren in grote taalmodellen

        • Waarneembaarheid en prestaties

          Controleren of getransformeerde data voldoen aan de doelstellingen

        • Lange termijn: Data-engineering

          Organisaties hebben een goed gestructureerde datarepository nodig, zoals een data lake of data lakehouse, om hun data te integreren met GenAI-modellen. Overweeg het data lake iteratief te bouwen om de mogelijkheden van de GenAI-datarepository geleidelijk uit te breiden, terwijl het team hun databeheer en GenAI-vaardigheden verbetert.

        • “Deze samenwerking [met Dell Technologies] stelt bedrijven in staat hun eigen AI-systemen te bouwen die gebruikmaken van de ongelooflijke innovatie van de open source-community en tegelijkertijd profiteren van de beveiliging, naleving en prestaties van Dell systemen.”

          Jeff Boudier, Head of Product and Growth, Hugging Face

      • AI VAN HET JUISTE FORMAAT

        Infrastructuur en AI van het juiste formaat definiëren

      • 75%

        Dell AI-oplossingen voor on-premise inferencing LLM's kunnen tot 75% kosteneffectiever zijn dan de public cloud.1

        Met uw unieke data kunt u gebruik maken van domein- en ondernemingsspecifieke gebruiksscenario's, waardoor industriewaarde wordt gerealiseerd door taken of functies waarvoor u exclusief eigenaar bent van de data. Verschillende soorten GenAI hebben bijbehorende toegangspunten en investeringen die nodig zijn om succes te garanderen. LLM's die zijn getraind op grote hoeveelheden tekst zijn als encyclopedieën, handig voor algemeen gebruik, maar zijn mogelijk niet geschikt voor het beantwoorden van specifieke vragen met betrekking tot uw organisatorische data.

        75%

        Dell AI-oplossingen voor on-premise inferencing LLM's kunnen tot 75% kosteneffectiever zijn dan de public cloud.1

      •  

         

      • Uw data verbeteren de efficiëntie en waarde van GenAI aanzienlijk

      • Beperkte functionaliteit Kleinste/meest rendabele Domeinexpertise Meest nauwkeurig Kleiner formaat Nauwkeuriger Meer hallucinaties Kostbaar en energie-intensief Groot aantal gebruiksscenario's Algemene doeleinden Enterprise-specifiek Domeinspecifiek Grote taalmodellen Waarde
        Grafiek met de relatieve hoeveelheden data die nodig zijn voor 3 typen AI-modellen, evenals hun bedrijfswaarde. Large Language Models, of LLM's, zijn bedoeld voor algemene gebruiksscenario's en gebruiken de meeste data. Ze kunnen kostbaar en energie-intensief zijn en ze zijn vatbaarder voor hallucinaties. Domeinspecifieke AI gebruikt minder, maar meer specifieke data. Het heeft een beperkte functionaliteit, maar is relevanter voor uw bedrijf en heeft meer waarde. Bedrijfsspecifieke AI gebruikt nog minder data, maar is wel het meest specifiek en nauwkeurig, en biedt de grootste waarde voor uw bedrijf.

      • AI-implementatiemodellen: Kosten en waarden afwegen

        De eerste drie typen implementatiemodellen die hieronder worden weergegeven, zijn wat de meeste organisaties momenteel implementeren, te beginnen met 'model augmentation' en uiteindelijk over op 'modellen afstemmen'. Het AI-model dat u kiest, hangt af van het niveau van de gereedheid van datawetenschappen van uw organisatie, de implementatiepatronen en de implicaties hiervan.

      • Vooraf getraind model

        Deze benadering wordt 'prompt engineering' genoemd en omvat het stellen van een vraag aan een vooraf getraind model en het ontvangen van een resultaat.
        Voorbeeld: ChatGPT

        Model augmentation

        Verbeter uw GenAI-model door uw data toe te voegen om aanvullende context te bieden voor de antwoorden, zoals inferencing, met gebruiksscenario's zoals Retrieval-augmented generation (RAG).

        Modellen afstemmen

        Hierbij moet de grootte van het model worden aangepast en uw data worden opgenomen. Hoewel het leidt tot verbeterde resultaten, vereist het ook meer inspanning tijdens het creatieproces.

        Modeltraining

        Dit omvat het bouwen van een specifiek model en het trainen met een dataset. Dit vereist vaak het meeste werk en middelen en is wordt vaak gebruikt voor het oplossen van complexe problemen.
        Inspanning Kleine inspanning Gemiddelde inspanning Grote inspanning Aanzienlijke inspanning
        Kosten Lage kosten Gemiddelde kosten Hoge kosten Aanzienlijke kosten
        Waarde en
        differentiatie        		 Minimale waarde en differentiatie Gemiddelde waarde en differentiatie Hoge waarde en differentiatie Aanzienlijke waarde en differentiatie
        Data-integratie Geen data-integratie Hoge data-integratie Hoge data-integratie Aanzienlijke data-integratie
        Infrastructuur Client – server Client – server GPU geoptimaliseerd Grote GPU-implementatie
        Vaardigheden IT-ops Ontwikkelaar Datawetenschapper(s) Datawetenschapper(s)
        Vereenvoudigde implementatiereferentie Validated Design Referentieontwerp Validated Design Referentieontwerp

      • Kies de juiste infrastructuur voor uw model

        De infrastructuur die uw GenAI-implementatie ondersteunt, is grotendeels afhankelijk van de computervereisten, afhankelijk van het modeltype, de grootte van het model en het aantal gebruikers. Aanvullende overwegingen omvatten de benodigde storagecapaciteit voor data die worden gebruikt tijdens implementatie, training en afstemmen van het model.

      • ALGEMENEN COMPUTING (CPU-georiënteerd) AI GEOPTIMALISEERD (GPU-intensief) Dell laptops Precision-workstations PowerEdge rackservers PowerEdge XE servers ObjectScale storage PowerScale storage PowerFlex storage PowerSwitch Z Series switches Modeltraining Model afstemmen Model augmentation Vooraf getraind model Miljoenen parameters Miljarden parameters Triljoenen parameters Klein aantal gebruikers Groot aantal gebruikers
        Grafiek met drie GenAI-vereisten en toewijzing ervan aan de juiste hardwareoplossingen van Dell. De hardwareoplossingen variëren in vermogen van algemene computingopties, die CPU-georiënteerd zijn, tot AI-geoptimaliseerde opties, die GPU-intensief zijn. De specifieke opties beginnen met Dell laptops aan de kant van het algemene computingvermogen en gaan verder via Precision workstations en PowerEdge servers, eindigend met PowerEdge XE servers aan de kant van de AI-geoptimaliseerde oplossingen. Dell storage- en netwerkhardware kunnen hierbij over de hele breedte worden gebruikt. Aan deze oplossingen worden drie infrastructuurkenmerken van GenAI toegewezen in een model waarbij steeds meer verwerkingscapaciteit nodig is. De complexiteit van het model kan variëren van het gebruik van vooraf getrainde modellen en het uitbreiden of verfijnen van modellen tot het trainen van nieuwe modellen. Het aantal parameters kan variëren van miljoenen tot miljarden, tot biljoenen aan toe.

      • Versnel uw AI-traject

        Begin met een voorsprong

        Retrieval-augmented generation (RAG) is een ideaal vroeg gebruiksscenario voor veel organisaties die gebruik maken van extra bronnen, zoals uw eigen data, om een model uit te breiden zonder het opnieuw te moeten trainen. Ontdek hoe u RAG-gebruiksscenario's kunt opzetten die kunnen worden toegepast om uw bedrijf en data te verbeteren.

      • RAG-gebruiksscenario

        Pas RAG toe op een aangepaste PDF-dataset

      • DOOR DELL GEVALIDEERD ONTWERP VOOR RAG

        Implementeer een digitale assistent op het Dell APEX Cloud Platform voor Red Hat OpenShift

    • Laat ons u helpen uw traject te versnellen

      Dell Technologies helpt barrières weg te nemen en de acceptatie van GenAI in de hele onderneming mogelijk te maken door middel van een end-to-end holistische aanpak, van bureau tot datacenter.

    • PowerEdge servers voor AI

    • Storage voor AI

    • Databeheer voor AI

    • Precision-workstations

    • Laptops met AI-ondersteuning

    • Professionele services voor AI

    •   1Gebaseerd op onderzoek van de Enterprise Strategy Group in opdracht van Dell, "Maximizing AI ROI: Inferencing On-premises With Dell Technologies Can Be 75% More Cost-effective Than Public Cloud" waarbij on-premises Dell infrastructuur wordt vergeleken met native public cloud-infrastructuur as a service en op tokens gebaseerde API's, april 2024. De verwachte kosten werden gemodelleerd met behulp van RAG voor kleine (5k gebruikers), middelgrote (10K gebruikers) en grote (50K gebruikers) omgevingen en twee LLM's (7 miljard en 70 miljard parameters) gedurende 3 jaar. De werkelijke resultaten kunnen afwijken. Economische samenvatting