اكتشف كيفية تحويل البنية الأساسية السحابية لأعباء عمل الذكاء الاصطناعي: من التكلفة إلى توفير الموارد.
هذه نسخة من مقال نُشر على Spiceworks. انقر هنا لقراءة النسخة الأصلية.
كينيث تان، دكتوراه ومدير تنفيذي ورائد التكنولوجيا متعدد اللغات في شركة Sardina Systems، يتعمق في الضرورة المتزايدة للشركات لدمج الذكاء الاصطناعي في عملياتها بمهارة، ويقدم رؤى استراتيجية حول بناء بنية تحتية قوية للذكاء الاصطناعي لإطلاق إمكاناته الكاملة للابتكار والكفاءة في الأعمال.
في السنوات الأخيرة، أدى التوسع السريع للذكاء الاصطناعي (AI) إلى إحداث ثورة في عالم الأعمال، مما أدى إلى زيادة الطلب على قدرات الذكاء الاصطناعي التي غالبًا ما تتجاوز الاستراتيجيات التنظيمية الحالية. وقد دفع ذلك الشركات إلى البحث عن طرق فعالة لدمج الذكاء الاصطناعي في عملياتها.
كيف وأين يجب أن يبدأ المرء بالبنية التحتية للذكاء الاصطناعي، مع التركيز على استراتيجية طويلة الأجل لتعظيم إمكانات الذكاء الاصطناعي؟
تعمل الشركات بشكل متزايد على أتمتة الأقسام باستخدام الذكاء الاصطناعي ودمج ميزات الذكاء الاصطناعي الجديدة في تطبيقاتها. على الرغم من النمو في اعتماد الذكاء الاصطناعي، كما أبرزه بحث ماكنزي الذي أظهر زيادة كبيرة منذ عام 2017، إلا أن تطبيق أدوات الذكاء الاصطناعي لا يزال يعتمد إلى حد كبير على الاستخدام الشخصي وتحسين الروتين اليومي.
وفي الوقت نفسه، يتطور الذكاء الاصطناعي بسرعة على مستوى المؤسسات. يوضح عملاؤنا، بما في ذلك أولئك الذين يقدمون الذكاء الاصطناعي كخدمة وأولئك الذين يدمجون الذكاء الاصطناعي في منتجاتهم، طلب السوق على أدوات الذكاء الاصطناعي المدمجة بسهولة وتطوير خدمات مبتكرة، مثل تزويد الباحثين بإمكانية الوصول إلى الموارد الحاسوبية.
يخاطب هذا المقال كلاً من مزودي الخدمات ومدمجي المنتجات، ويؤكد على أهمية وجود بنية تحتية لتكنولوجيا المعلومات جيدة التخطيط وقابلة للتطوير لتجنب النفقات غير الضرورية والتقادم بسبب التقنيات سريعة التطور. يتطلب بدء الرحلة نحو تكامل البنية التحتية للذكاء الاصطناعي فهم القدرات الحالية والتخطيط الاستراتيجي للاحتياجات المستقبلية. نحدد خمس خطوات أساسية لتجاوز هذه العملية بفعالية.
1. تقييم البنية التحتية الحالية
لا بد من اتباع نهج استراتيجي للبنية التحتية السحابية والبنية التحتية الشاملة لتكنولوجيا المعلومات.
تتطلب التغييرات، لا سيما البنية التحتية الأساسية لتكنولوجيا المعلومات، إجراء تقييم شامل لنموذج العمل وأعباء العمل المتوقعة، ربما قبل سنوات، مما يسلط الضوء على الأهمية الحاسمة للتخطيط الدقيق في عصر الذكاء الاصطناعي.
تتضمن الخطوة الأولى في هذا التحول إجراء تقييم متعمق للبنية التحتية الحالية لتكنولوجيا المعلومات، وتحديد نقاط القوة والضعف والثغرات المتعلقة بمتطلبات الذكاء الاصطناعي.
يجب أن يشمل هذا التقييم الأجهزة (مثل الخوادم والتخزين والشبكات) والبرمجيات (مثل قواعد البيانات ومنصات التطبيقات) وممارسات إدارة البيانات الحالية.
يعد فهم الحالة الحالية للبنية التحتية لتكنولوجيا المعلومات أمرًا ضروريًا للتخطيط للتحديثات أو التغييرات اللازمة لاعتماد الذكاء الاصطناعي.
هناك العديد من المفاهيم والأطر التي تساعد المؤسسات عادةً في تقييم البنية التحتية لتكنولوجيا المعلومات الخاصة بها.
ويمكن أن يوفر استخدام مثل هذه المنهجيات أساليب منظمة لتقييم فعالية وكفاءة وأمن ومواءمة نظم تكنولوجيا المعلومات مع أهداف العمل:
- من بين المنهجيات الكلاسيكية، تعتبر ITIL (مكتبة البنية التحتية لتكنولوجيا المعلومات) ذات أهمية خاصة، حيث يجب أن يكون تكامل الذكاء الاصطناعي متوائماً بشكل وثيق مع استراتيجية العمل. تقدم ITIL، التي طورتها حكومة المملكة المتحدة ويتم تحديثها بانتظام، إطار عمل مفصل لإدارة خدمات تكنولوجيا المعلومات لمواءمة خدمات تكنولوجيا المعلومات مع احتياجات العمل، ويغطي تصميم الخدمة إلى التحسين. وهو يشجع على اتباع نهج مرن في إدارة تكنولوجيا المعلومات، حيث يوفر ITIL 4 تطورات كبيرة. يعد دمج الإدارة مع التكنولوجيا أمرًا ضروريًا؛ فالتركيز التقني المجرد يمكن أن يفوت التأثيرات الأوسع نطاقًا، خاصة في تكامل الذكاء الاصطناعي.
- ومن الأدوات الأخرى ذات الصلة COBIT، من قبل جمعية تدقيق ومراقبة نظم المعلومات، والتي توفر إطار عمل شامل لإدارة وحوكمة تكنولوجيا المعلومات في المؤسسة، مما يضمن التوافق مع أهداف العمل وإدارة المخاطر وتحسين الأداء. إن استخدام COBIT يضمن أن ترقيات تكنولوجيا المعلومات تعزز الكفاءة وتتماشى مع أفضل الممارسات للتشغيل الآلي والإدارة.
2. الطاقة الحاسوبية والمعالجات عالية الأداء
يتطلب الذكاء الاصطناعي، والتعلم العميق على وجه الخصوص، معالجات ذات قدرات حسابية كبيرة، مثل وحدات معالجة الرسومات (GPU) أو وحدات معالجة الماسحات (TPU) أو مصفوفات البوابات القابلة للبرمجة الميدانية (FPGA).
سوق الأجهزة في حالة تطور مستمر، مع ظهور معالجات ومسرعات جديدة مصممة للذكاء الاصطناعي على مستوى العالم.
أحد هذه الابتكارات الحديثة هو معالج Gaudi3.
على الرغم من أنه قد يكون من السابق لأوانه اعتماد منتجات جديدة على عجل، إلا أنه مما لا شك فيه أنه من الضروري مراقبة السوق عن كثب، والبقاء على اطلاع على الحلول الجديدة، واستكشاف هذا القطاع بدقة.
تشمل الأسئلة الرئيسية التي يجب أخذها في الاعتبار كيفية اختلاف هذه العروض الجديدة من الناحية النوعية، وما هي البرامج القادرة على دعم هذه البنية التحتية، وما إذا كانت الحلول الجديدة يمكن أن تعالج التحديات الحالية التي يواجهها نظامك.
وحدات معالجة الرسومات هي الخيار الأكثر شيوعًا اليوم نظرًا لتوفرها التجاري على نطاق واسع وأدائها العالي.
عند اختيار وحدة معالجة الرسومات للبنية التحتية للذكاء الاصطناعي، من المهم مراعاة المتطلبات المحددة لعبء العمل الخاص بك.
ويشمل ذلك تحديد ما إذا كان التركيز على التدريب أو الاستدلال، وتقييم حجم وتعقيد النماذج الخاصة بك، والنظر في قيود الميزانية، وتقييم النظام البيئي للبرامج.
تُعد وحدات معالجة الرسومات من NVIDIA، وخاصةً وحدات معالجة الرسومات A100 أو H100 أو H200، مفضلة للغاية في هذا المجال لأدائها ودعمها الشامل للبرامج وميزات تسريع الذكاء الاصطناعي المتخصصة.
ومع ذلك، أصبحت AMD وIntel بدائل قابلة للتطبيق بشكل متزايد، لا سيما في السيناريوهات التي تقدم فيها ميزاتها الفريدة أو فعاليتها من حيث التكلفة فوائد واضحة.
هناك اعتبار آخر بالغ الأهمية وهو القدرة على توسيع نطاق الموارد وفقًا لمتطلبات عبء العمل.
تُعد قابلية التوسع هذه ضرورية لإدارة التكاليف والحفاظ على الكفاءة في مختلف مراحل تطوير نموذج الذكاء الاصطناعي ونشره.
لتوضيح الدور الحاسم لقابلية التوسع في عمليات الذكاء الاصطناعي، ضع في اعتبارك الطلب الموسمي المنتظم الذي تواجهه منصات التجارة الإلكترونية الرئيسية.
تستخدم شركة أمازون الذكاء الاصطناعي لتحسين جوانب مختلفة من عملياتها، بما في ذلك إدارة المخزون والتوصيات المخصصة والخدمات اللوجستية.
خلال فترات ذروة التسوق مثل الجمعة السوداء أو يوم الإثنين الإلكتروني، يزداد الطلب على أنظمة أمازون بشكل كبير.
وللتعامل مع هذا الأمر، تستفيد أمازون من منصات الحوسبة السحابية التي تسمح بتوسيع نطاق الموارد بشكل ديناميكي.
تعد قابلية التوسع هذه ضرورية للتعامل مع زيادة حركة المرور وإدارة التكاليف.
من خلال زيادة الموارد عند الحاجة فقط والتراجع عند تراجع الطلب، يمكن لأمازون إدارة التكاليف بكفاءة دون التضحية بالأداء.
يضمن هذا النهج عدم استخدام البنية التحتية بأقل من طاقتها في غير أوقات الذروة وإثقالها بالأعباء خلال فترات ارتفاع الطلب، مما يحافظ على التوازن الأمثل الذي يدعم الابتكار المستمر القائم على الذكاء الاصطناعي ورضا العملاء.
3. التخزين الكبير الحجم والإدارة
تتطلب أنظمة الذكاء الاصطناعي القدرة على تخزين كميات كبيرة من البيانات وإدارتها.
وهذا يستلزم حلول تخزين سريعة وقابلة للتطوير، مثل تخزين الكائنات للبيانات غير المهيكلة وقواعد البيانات عالية الأداء للبيانات المهيكلة.
يعد الوصول السريع والموثوق إلى هذه البيانات أمرًا ضروريًا للتدريب الفعال لنماذج الذكاء الاصطناعي.
قد ينطوي تحقيق ذلك على استخدام التخزين المؤقت المتقدم للبيانات، ونشر الشبكات ذات النطاق الترددي العالي، وتنفيذ أنظمة استرجاع البيانات الفعالة.
تجسد Ceph، كحل تخزين، المرونة والكفاءة في التعامل مع أحجام البيانات الكبيرة.
فهو يضمن التوافق مع التطبيقات الحالية ويسهل التكامل مع المنصات السحابية، مما يجعله حلاً فعالاً من حيث التكلفة.
علاوةً على ذلك، تقلل Ceph بشكل كبير من النفقات المرتبطة بتخزين بيانات المؤسسة وتدعم المؤسسات في إدارة النمو الهائل للبيانات. من خلال التشغيل على أجهزة الخوادم السلعية، يمكن ل Ceph خفض النفقات الرأسمالية (CapEx) والنفقات التشغيلية (OpEx) من خلال قدراتها الذاتية الإدارة والشفاء الذاتي.
من الطرق البديلة لتوفير تخزين البيانات بكميات كبيرة وسعة عالية بكفاءة استخدام NVMe عبر الأقمشة (NVMe-oF). وهو ليس منتجًا لمصنع واحد بل هو معيار يمكن للعديد من الشركات استخدامه لإنشاء منتجاتها وحلولها.
يمكن أن يساعد NVMe عبر الأقمار (NVMe-oF) بشكل كبير في بناء أنظمة تخزين بيانات قوية وفعالة من حيث التكلفة، خاصةً عندما تكون هناك حاجة إلى أداء عالٍ وقابلية للتوسع. تستفيد تقنية NVMe-oF من مزايا NVMe SSD مثل زمن الوصول المنخفض وسرعات نقل البيانات العالية عبر اتصالات الشبكة. يتيح ذلك للأنظمة البعيدة الوصول إلى البيانات بنفس السرعة تقريبًا كما لو كانت أجهزة التخزين متصلة محليًا عبر PCIe، وهو مثالي للتطبيقات عالية الطلب مثل قواعد البيانات وأعباء العمل الحسابية الكبيرة ومعالجة البيانات الضخمة في الوقت الفعلي.
هناك ميزة أخرى تتمثل في سهولة توسيع نطاق أنظمة التخزين عن طريق إضافة المزيد من أجهزة NVMe إلى الشبكة دون فقدان الأداء، مما يسمح للمؤسسات بتلبية احتياجات تخزين البيانات المتزايدة دون إجراء إصلاح شامل للبنية التحتية.
على الرغم من أن أجهزة NVMe قد تكون أغلى من محركات أقراص SATA SSD أو محركات الأقراص الصلبة التقليدية، إلا أن استخدام NVMe-oF يمكن أن ينشئ أنظمة تخزين أكثر كفاءة وسرعة.
تتحقق الوفورات من خلال الأداء الأفضل لكل جهاز، مما يقلل من العدد الإجمالي للأجهزة المطلوبة ويقلل من تكاليف الصيانة والطاقة.
4. مزودو البرامج والمنصات السحابية
يعد اختيار المنصة السحابية أو البائع المناسب قرارًا حاسمًا للبنية التحتية للذكاء الاصطناعي. على الرغم من أن معظم المنصات السحابية قادرة على دعم أعباء عمل الذكاء الاصطناعي، إلا أن الاعتبار الأساسي يجب أن يكون التوافق مع المعالج المختار لنظامك. ومع ذلك، لكي تكون البنية التحتية فعالة حقًا، فإن هذا وحده لا يكفي.
إن خبرة فريق البنية التحتية للذكاء الاصطناعي أمر حيوي لتحقيق الأداء الأمثل.
على الرغم من انتشار المحاكاة الافتراضية السحابية، إلا أنها قد لا تكون الأفضل دائمًا لأنظمة الذكاء الاصطناعي.
يمكن للنموذج الهجين الذي يجمع بين السحابة والمحاكاة الافتراضية والمعدن المجرد، كما هو موضح في إحدى الحالات، أن يلبي متطلبات التعلم العميق بشكل فعال، ويمزج بين توزيع طاقة الحوسبة والوصول إلى المعدن المجرد عالي الأداء.
وبالتالي، من الأهمية بمكان أن يفهم البائعون أهداف النظام بدقة لتصميم الحل التقني السحابي الأكثر فعالية.
واجهت إحدى المؤسسات المالية، وهي JPMorgan Chase، التحدي المتمثل في معالجة كميات هائلة من البيانات للتحليل المالي وإدارة المخاطر في الوقت الفعلي.
وإدراكًا لمحدودية المحاكاة الافتراضية السحابية التقليدية لأعباء عمل الذكاء الاصطناعي الخاصة بها، اعتمدت JPMorgan Chase بنية تحتية سحابية هجينة تجمع بين الحلول السحابية والمحاكاة الافتراضية والمعدنية المجردة.
يسمح هذا النموذج الهجين لبنك JPMorgan Chase بالاستفادة من مرونة السحابة والمحاكاة الافتراضية من أجل قابلية التوسع والفعالية من حيث التكلفة مع الاستفادة من قوة الخوادم المعدنية المجردة للتعامل مع مهام الذكاء الاصطناعي كثيفة الحوسبة.
توفر الخوادم المعدنية المجردة وصولاً مباشراً إلى موارد الأجهزة، متجاوزةً بذلك النفقات العامة التي تأتي مع المحاكاة الافتراضية، وهو أمر بالغ الأهمية لمتطلبات الأداء المكثف لخوارزميات التعلم العميق المستخدمة في النمذجة المالية وتقييم المخاطر.
يجب أن تكون البنية التحتية مرنة بما يكفي للتكيف مع متطلبات الذكاء الاصطناعي المتطورة، مما يتيح دمج التقنيات الجديدة وتعديل الموارد أو توسيعها بأقل قدر من التعطيل.
يقدم العديد من موفري الخدمات السحابية خدمات الذكاء الاصطناعي والتعلم الآلي التي يمكن دمجها في البنية التحتية للذكاء الاصطناعي، مما يوفر إمكانية الوصول إلى أدوات قوية لتطوير النماذج والتدريب والنشر.
تلعب تقنيات مثل OpenStack للمحاكاة الافتراضية و Kubernetes للحاويات دوراً حيوياً في إدارة تطبيقات الذكاء الاصطناعي.
فهي تعمل على تبسيط عملية نشر أعباء عمل الذكاء الاصطناعي وتوسيع نطاقها وتشغيلها عبر بيئات متنوعة، مما يعزز من سرعة البنية التحتية واستجابتها للاحتياجات المتغيرة.
5. كفاءة الطاقة واستهلاكها
يؤدي دمج الذكاء الاصطناعي في البنية التحتية لتكنولوجيا المعلومات إلى تعزيز قدرات معالجة البيانات وتنفيذ الخوارزميات ولكنه يثير مخاوف بشأن استهلاك الطاقة، خاصةً بالنسبة لنماذج التعلم العميق التي تحتاج إلى طاقة حاسوبية كبيرة. ويعد الجزء المتعلق بالطاقة هو الجانب الأكثر تحديًا لأن الاستراتيجية التقليدية لتحسين كفاءة الطاقة تتضمن إعادة توزيع الأحمال وإيقاف القدرات غير المستخدمة.
ومع ذلك، في سياق الذكاء الاصطناعي، يمكن أن يكون إيقاف تشغيل الآلات أمرًا صعبًا بشكل خاص وقد لا يؤدي إلا إلى تعزيز كفاءة الطاقة بشكل هامشي.
وبالتالي، يُنصح بالتركيز على موازنة الأداء وتحديد وإدارة مكونات البنية التحتية التي تستهلك أكبر قدر من الطاقة.
في البنية التحتية للذكاء الاصطناعي، عادةً ما تكون هذه المكونات هي وحدات معالجة الرسومات (GPU) و FPGAs ومكونات الأجهزة الأخرى التي تتطلب تبريداً مستمراً أو تبديداً للحرارة.
إذا ثبتت صعوبة تحسين استخدام الطاقة بشكل مباشر، فلا يزال من الممكن تحقيق وفورات كبيرة من خلال تحسين كفاءة أنظمة التبريد.
على سبيل المثال، توضح مراكز البيانات في أيسلندا، مثل بورياليس أو أت نورث، نهجاً فعالاً لإدارة الطاقة.
بالاستفادة من المناخ البارد في أيسلندا ومصادر الطاقة المتجددة الوفيرة، تستخدم مراكز البيانات هذه التبريد الطبيعي والطاقة الحرارية الأرضية، مما يقلل بشكل كبير من الحاجة إلى التبريد الاصطناعي وبالتالي يقلل من استهلاك الطاقة الإجمالي للبنى التحتية للذكاء الاصطناعي.
ومع ذلك، فإن العمل في أيسلندا يمثل أيضاً تحديات، خاصةً فيما يتعلق بزمن انتقال الشبكة والاتصال بسبب موقعها البعيد.
وبالتالي، من الحكمة اختيار أنواع أعباء العمل وتوقيت المشاريع المنفذة في مراكز البيانات هذه بعناية.
يمكن لأحمال العمل الأقل حساسية لوقت الاستجابة أو تلك التي يمكن جدولتها في غير ساعات الذروة تحسين كل من استخدام الطاقة وأداء الشبكة، والاستفادة القصوى من البيئة الفريدة في آيسلندا مع تخفيف العيوب المحتملة.
يؤكد هذا النهج الاستراتيجي على أهمية التخطيط المدروس للبنية التحتية في تعظيم كل من الأداء وكفاءة الطاقة في عمليات الذكاء الاصطناعي.
هناك طريقة أخرى لاستكشاف تعزيز كفاءة الطاقة تتمثل في وحدات معالجة الرسومات ووحدات معالجة الرسوميات ووحدات المعالجة الحرارية الموفرة للطاقة، وتحسين خوارزميات الذكاء الاصطناعي من خلال تشذيب النماذج وتكميمها، وهي أمور أساسية لتقليل استخدام الطاقة مع الحفاظ على الأداء. كما أن التطورات التكنولوجية في أشباه الموصلات ومسرعات الذكاء الاصطناعي تساعد أيضاً في تقليل استهلاك الطاقة.
وعلاوة على ذلك، فإن اعتماد تقنيات مراكز البيانات الخضراء، والاستفادة من المحاكاة الافتراضية والحوسبة السحابية، وتوظيف التوسع الديناميكي وإدارة الموارد القائمة على الذكاء الاصطناعي يحسن كفاءة الطاقة في عمليات الذكاء الاصطناعي من خلال تكييف استخدام الموارد حسب الطلب. وهذا يضمن كفاءة استخدام الطاقة عبر البنى التحتية لتكنولوجيا المعلومات دون التضحية بالأداء.
وختامًا، بالنسبة للمؤسسات التي تهدف إلى تسخير الابتكار واكتساب ميزة تنافسية، فإن تحويل البنية التحتية لتكنولوجيا المعلومات لتكون جاهزة للذكاء الاصطناعي أمر ضروري. إن إعطاء الأولوية لتحسين البيانات، والاستثمار في الأجهزة المتخصصة، ودمج الحلول السحابية القوية، وتأمين الشبكات، وتكوين فريق عمل ماهر، هي خطوات أساسية ترسي الأساس لنشر الذكاء الاصطناعي بفعالية والتقدم التكنولوجي المستقبلي. تضمن هذه الجهود التطبيق الناجح للذكاء الاصطناعي والمرونة اللازمة للتكيف مع التطورات والفرص الناشئة في مجال الذكاء الاصطناعي.
إذا كنت بحاجة إلى مساعدة الخبراء في تحويل البنية التحتية السحابية الخاصة بك، انقر هنا لتحديد موعد لاستشارة مجانية مع فريقنا. نحن هنا دائماً لمساعدة الشركات على تحقيق أقصى استفادة من بنيتها التحتية السحابية.