AIワークロードが対応可能なデバイスに分散されるにつれて、エンドポイントとAI戦略は融合しています。ITリーダーは、デバイスの決定が将来のAIプラットフォームにどのように影響するかを考慮する必要があります。エンタープライズAIはプラットフォーム、モデル、クラウドサービスに焦点を当ててきましたが、AI PCはエンドポイントを重要な実行環境として導入しています。異なるAIワークロードは多様な実行環境を必要とし、機密性の高いタスクやレイテンシが重要なタスクはローカル処理の恩恵を受けます。クラウドモデルは、大規模または複雑な推論タスクに引き続き最適です。ハイブリッドインテリジェンスは、ローカルリソースとクラウドリソースを統合し、デバイスをAIプラットフォームの能動的な一部とします。時間とともに動作し、データにアクセスするエージェントは、アーキテクチャの決定をさらに複雑にします。この交差点は、アプリケーション設計、セキュリティ、コストに影響を与え、エンドポイント、セキュリティ、アプリケーションチーム間の協力を必要とします。組織は、要求の厳しいAIワークロードに対して特別な構成を提供しながら、デバイスを標準化できます。既存のクラウドベースのAIソリューションは、ローカル推論によって拡張でき、デバイスとクラウド間で処理を分散します。障害およびフォールバック戦略は、エンドポイントベースおよびクラウドベースのワークロードの両方にとって重要であり、セキュリティ、プライバシー、信頼性に影響を与えます。エージェント型アプリケーションは、ファイルアクセス、ツール使用、および環境全体のアクティビティに対する制御を必要とします。Microsoft Execution ContainersやMicrosoft Agent 365のようなテクノロジーは、エンタープライズの一部としてエージェントアクティビティを管理することを目指しています。ワークロードの配置は、応答時間、プライバシー、接続性、利用可能なリソースなどの要因に依存します。ハイブリッドランタイムは、リアルタイムの条件に基づいて、適切なローカルまたはクラウドリソースに動的にタスクをルーティングできます。ソフトウェア開発は、複雑な問題にはクラウドモデルを、ターゲットを絞ったタスクにはローカルモデルを活用することで、これを実証しています。ローカル実行には、互換性のあるモデル、ランタイム、アプリケーションパス、および十分なシステム容量が必要です。Windows MLは、さまざまなハードウェアリソース全体でサポートされているモデルを実行するための基盤を提供します。ローカル推論を組み込むことは、ハードウェアがアーキテクチャの不可欠な一部となり、パフォーマンスとコストに影響を与えることを意味します。デバイス計画は、従業員の役割と潜在的な専用ローカルインフラストラクチャを考慮する必要があります。フィールド検査ワークフローとコパイロットは、ローカル機能とクラウド機能を組み合わせることで、ハイブリッドインテリジェンスを例示しています。ローカルAIワークロードは、全体的なデバイスアクティビティのコンテキスト内で評価する必要があります。デバイスメーカーは、コンピューティング、RAM、および電力を考慮して、進化するAIランドスケープをサポートするハードウェアを設計しています。代表的なハードウェアでアプリケーションをテストすることは、実際のパフォーマンスを理解し、情報に基づいた配置決定を行うために重要です。ローカル推論の経済性は、ローカルコンピューティングコストとクラウド推論費用との間のトレードオフを含みます。