كريستيان ستانو، رئيس قسم التكنولوجيا في أنيسكيل – سلسلة مقابلات

كريستيان ستانو، رئيس قسم التكنولوجيا في أنيسكيل، بنى مسيرته المهنية على تقاطع بين البنية التحتية للذكاء الاصطناعي على نطاق كبير، ومنصات التعلم الآلي، والحوسبة الموزعة. قبل انضمامه إلى أنيسكيل، قاد منظمة منصة الذكاء الاصطناعي/التعلم الآلي في أتنتيف، حيث وسع البنية التحتية لدعم التخصيص لما يزيد على نصف مليار مشترك وساعد في تعزيز اعتماد أنظمة الحوسبة الموحدة التي تعتمد على راي، والتي تحسنت من سرعة التطوير وتقليل التكاليف التشغيلية. في وقت سابق من مسيرته المهنية، عمل عبر الأمن السيبراني، هندسة السحابة، ومبادرات الذكاء الاصطناعي في القطاع العام في منظمات بما في ذلك كوالبير وديلويت، حيث ساهم في واحدة من منصات التعلم الآلي الأولى في وزارة الدفاع الأمريكية. يمتد خلفيته إلى هندسة منصات الذكاء الاصطناعي، ومواد التعلم الآلي، والبنية التحتية الأصلية للسحابة، وتمكين المطورين، وتوسيع المنظمات، مما يمنحه خبرة عميقة في مساعدة الشركات على تشغيل الذكاء الاصطناعي على نطاق الإنتاج.

أنيسكيل هي الشركة وراء راي، إطار الحوسبة الموزعة مفتوح المصدر على نطاق واسع لتحسين التحميلات التي تعمل بالذكاء الاصطناعي وبايثون عبر مجموعات من وحدات المعالجة المركزية والوحدات الرسومية. تأسست من قبل المبتكرين الأصليين لراي من مختبر رايز في جامعة كاليفورنيا في بيركلي، تركز الشركة على تبسيط نشر، وتوجيه، وإدارة البنية التحتية للذكاء الاصطناعي على نطاق كبير لتدريب، واختبار، ومعالجة البيانات، وعمليات الذكاء الاصطناعي. تمكن منصة الشركة المنظمات من تشغيل أنظمة الذكاء الاصطناعي الموزعة عبر بيئات السحابة والمنشآت، مع توفير الرقابة، والحوكمة، وضبط الأداء المصمم لتناسب تطبيقات الذكاء الاصطناعي الحديثة. أصبحت راي طبقة أساسية في بنية تحتية للذكاء الاصطناعي الناشئة، مما يساعد المطورين على تحسين التحميلات من آلة واحدة إلى آلاف العقد مع تغييرات طفيفة في كود بايثون الحالي.

لقد عملت عبر الأمن السيبراني، ومنصات الذكاء الاصطناعي في القطاع العام، وأنظمة التخصيص على نطاق كبير. ما هي الأنماط التي لاحظتها باستمرار عندما تحاول المنظمات الانتقال من تجارب الذكاء الاصطناعي إلى الإنتاج؟

تظهر ثلاثة أنماط بانتظام عبر الصناعات. أولاً، لا تملك الفرق مسارًا موحدًا وموثوقًا من التطوير إلى الإنتاج. يمكنهم بناء نموذج في دفتر ملاحظات، لكن هناك طريقة معيارية لتشغيله في الإنتاج. كل عملية نشر تصبح حالة منفردة، وكل فشل يكون مفاجئًا. ثانيًا، لا يمكن للبنية التحتية أن تتناسب مع الاحتياجات. النظام الذي يعمل في تجربة ينهار عندما يتم تغذية حجم البيانات الحقيقي أو حركة المرور الحقيقية. ثالثًا، الفرق تطير في ظلام. يفتقرون إلى الرقابة لفهم أداء أنظمتهم الفعلي، وأين على وشك الكساد، ومتى يجب التدخل.

ما يربط جميعها هو تحدي الجذر نفسه — الفرق لا تملك نموذجًا عقليًا صحيحًا للتحسين. يحاولون حل كل شيء في وقت واحد بدلاً من أن يكونوا متعمدون في التتابع. أفكر فيه على أنه ثلاث مراحل: جعلها تعمل، جعلها صحيحة، جعلها سريعة. هذه المراحل ليست بمعزل عن بعضها — هذه المراحل تكرر دائمًا. أنت دائمًا تؤجل بين ما هو مكسور الآن وما سيكون مكسورًا فيما بعد. الفرق التي تنجح تعرف أي مرحلة هي فيها وتظل منضبطة حول عدم القفز إلى الأمام قبل أن يكون الأساس صلبًا.

في أنيسكيل، نرى الفرق تأتي في كل مرحلة. بعضهم ما زال يحاول جعلها تعمل — họ يحتاجون إلى مسار موثوق به من التطوير إلى الإنتاج. الآخرون لديهم ذلك لكنهم غرقون في تعقيد تشغيلي ويتطلبون جعلها صحيحة. والكثيرون يأتون إلينا لأنهم بنوا شيئًا يعمل، لكنهم لا يستطيعون دفعها إلى النطاق الذي يتطلبه الأعمال. تساعد طبقة الحوسبة الموحدة في كل مرحلة، لكن نقطة الدخول تعتمد على مكان الألم الحاد.

في أتنتيف، ساعدت في تحسين أنظمة الذكاء الاصطناعي التي تدعم مئات الملايين من المستخدمين. ما هي أكبر عائق بنيوي أو تنظيمي واجهته لتحقيق هذا المستوى من التحسين؟

كان العائق الأكبر هو منحنى تعقيد البنية التحتية. عندما دفعنا نماذجنا لتشمل المزيد من البيانات وخدمة المزيد من العملاء، وصلنا إلى نقطة انعطاف في الحوسبة حيث حتى أكبر العقد الرأسية ألقت أخطاء خارج النطاق، والتمديد الأفقي البسيط لم يكن كافياً. لم تتمكن حوسبتنا من مواكبة حجم البيانات.

الاستجابة الطبيعية كانت إضافة أدوات أكثر للعمل حول القيود. كان هذا كتابي الداخلي من الخبرة السابقة. كل أداة حلت مشكلة ضيقة، لكنها أضافت تعقيدًا تشغيليًا. واجهت خط أنابيب التعلم الآلي خطر أن تصبح خياطة من التكاملات، وكل حالة استخدام جديدة تعني مزيدًا من الخياطة، وطرق فشل أكثر، وتكاليف أعلى، وعبء أكبر على فريق المنصة.

ما فتح في النهاية النطاق لنا كان توحيد معالجة البيانات، والتدريب، والاختبار، والخدمة على راي وأنيسكيل. كان التأثير فورياً: مع تقليل كبير في التكاليف البنية التحتية، وتسريع دورات التدريب بشكل كبير حتى مع نمو حجم البيانات، والقدرة على تحسين نماذج إلى أوامر أكبر من العملاء.

ما هو ما دفعك إلى الانضمام إلى أنيسكيل في هذه المرحلة، وكيف ترى دور رئيس قسم التكنولوجيا في تشكيل تبني الذكاء الاصطناعي في الشركات؟

خلفيتي مع جلب أنيسكيل إلى أتنتيف غيرت بشكل أساسي كتابي الداخلي لبناء منصات التعلم الآلي. قبل ذلك، كانت جزء كبيرة من هندسة المنصة هي تكلفة خياطة أنظمة منفصلة. مع أنيسكيل، كنا قادرين على القضاء على الكثير من هذا العبء وبدلاً من ذلك ركزنا على تجربة المطور، والموثوقية، والأداء. كان لهذا التغيير تأثير كبير على إنتاجية الفريق ونتائج النظام. الانضمام إلى أنيسكيل كان فرصة للعمل على هذا المشكل دائمًا ومساعدة المنظمات الأخرى على التنقل عبر نفس التحول. كقسم رئيس التكنولوجيا، دوري في الواقع هو أخذ تلك الدروس من العالم الحقيقي وتحويلها إلى أنماط قابلة للتكرار التي يمكن للعملاء تطبيقها أثناء تحسين الذكاء الاصطناعي.

الكثير من الشركات ما زالت عالقة في مرحلة “تجربة” الذكاء الاصطناعي. من منظورك، ما الذي يكسره على وجه التحديد عندما تحاول الشركات تحويل هذه التجارب المبكرة إلى أنظمة الإنتاج؟

عندما تتحرك الشركات من تجارب الذكاء الاصطناعي إلى الإنتاج، ما يكسره نادرًا ما يكون فقط النموذج — إنه النظام المحيط والعمليات. في بعض الحالات، تصل الفرق إلى حدود البنية التحتية مبكرًا ولا تستطيع التدريب أو الخدمة على النطاق الذي يريدون. يجب عليهم وضع حد للعدد من العملاء أو حالات الاستخدام التي يخدمها نموذجهم نتيجة لذلك. أكثر الحالات شيوعًا، تظهر المشاكل في الإنتاج من خلال حالات حافة غير متوقعة أو تغييرات في البيانات. واحدة من أكثر نقاط الفشل شيوعًا هي الذاكرة: عندما يتغير حجم البيانات أو توزيعها أو طريقة العرض، تفشل الوظائف بسبب نقص الذاكرة. هذه القضايا صعبة التنبؤ بها وأصعب في التعافي التلقائي منها. الواقع هو أن الفشل لا مفر منه في إنتاج الذكاء الاصطناعي. الهدف ليس تجنبها تمامًا، ولكن الكشف السريع عنها، وفهمها، وبناء أنظمة ذاتية العلاج لحلها قبل أن تؤثر على الأعمال.

راي، إطار الحوسبة الموزعة الذي أنشأه فريق وراء أنيسكيل، يكتسب زخمًا كأساس للتحميلات التي تعمل بالذكاء الاصطناعي. لماذا أصبحت التنفيذ الموزع طبقة حرجة في بنية تحتية للذكاء الاصطناعي الحديثة؟

أصبحت التنفيذ الموزع وإدارة التحميلات أصبحت رهانات كبيرة للأنابيب التي تعمل بالذكاء الاصطناعي. التحميلات التي تعمل بالذكاء الاصطناعي الحديثة تتطلب بشكل طبيعي موازاة ومتطلبات موارد كبيرة. التدريب، والاختبار، ومعالجة البيانات جميعها تتطلب تنسيقًا كبيرًا للوظائف عبر وحدات المعالجة المركزية والوحدات الرسومية، غالبًا بشكل ديناميكي. في منظر الحوسبة الحالي، يعتبر تعقيد إدارة هذه التحميلات عبر موارد نادرة عبئًا تشغيليًا ضخمًا. لم تكن الأنظمة التقليدية مصممة لهذا المستوى من التعقيد أو النطاق. أطر مثل راي حرجة لأنها تسمح للفرق بتحسين التحميلات بسلاسة من آلة واحدة إلى آلاف العقد عن طريق تلقائي التنسيق الأساسي. يعكس هذا التحول تحركًا أوسع نحو الحوسبة الأصلية للذكاء الاصطناعي، حيث يتم تصميم البنية التحتية خصيصًا لأنماط التحميلات التي تعمل بالذكاء الاصطناعي بدلاً من التكيف معها من مفاهيم قديمة.

随着 المزيد من الشركات التي تتبنى راي من خلال منصة أنيسكيل، ما هي الفروق التي تلاحظها بين المنظمات التي تعتمد على نهج موحد مقابل تلك التي تجمع أدوات منقطة؟

تعتمد الفرق في النهاية بين منصات موحدة وأدوات منقطة على التركيز والكفاءة. عندما تعتمد الفرق على أنظمة منفصلة متعددة، ي dànhون الكثير من الوقت في تجميع هذه الأنظمة معًا، وإدارة الاختلافات، والاستجابة للفشل عبر بيئات مختلفة. هذا يخلق عبئًا تشغيليًا ويبطئ التجارب. في المقابل، يسمح النهج الموحد للفرق بتركيز جهودهم على تحسين نظام واحد، مما يؤدي إلى موثوقية أفضل وأداء أقوى وتجربة مطور أكثر سلاسة. كما يبسط عملية الدعم والتصحيح لأن الأنماط تكون متسقة وأسهل في الفهم. النتيجة ليست مجرد كفاءة تقنية، ولكن وضوح تنظيمي.

بناءً على خبرتك في بناء منصات التعلم الآلي من النهاية إلى النهاية، ما مدى أهمية تجربة المطور في تسريع تبني الذكاء الاصطناعي عبر الفرق؟

تجربة المطور هي واحدة من المناطق ذات القيمة العالية لتسريع تبني الذكاء الاصطناعي. عندما تستثمر فرق المنصة في جعل الأنظمة أسهل في الاستخدام من خلال سير عمل موحدة، وقوالب، وتقليل احتكاك البنية التحتية، فإنهم يضاعفون إنتاجية كل مهندس في المنظمة. هذا尤ما هام في الذكاء الاصطناعي حيث يعد معدل التغيير سريعًا ويتطلب الفرق التكرار بسرعة للبقاء في المنافسة. التحسينات في تجربة المطور تترجم مباشرة إلى تجارب أسرع، ووقت أقصر إلى الإنتاج، وتأثير أعمال أكبر. أدوات الترميز التي تعمل بالذكاء الاصطناعي تعزز هذه الأساسيات لتجربة المطور. في العديد من الطرق، إنه أكثر الطرق قابلة للتوسيع لزيادة السرعة عبر المنظمة.

يصبح كفاءة التكلفة قلقًا كبيرًا随ما تتحسن التحميلات التي تعمل بالذكاء الاصطناعي. ما هي بعض الطرق الأكثر إهمالًا التي يمكن للشركات من خلالها تقليل التكاليف البنية التحتية دون التضحية بالأداء؟

随ما تتحسن التحميلات التي تعمل بالذكاء الاصطناعي، يصبح إدارة التكلفة أكثر أهمية ومعقدة. واحدة من التحديات الأكثر إهمالًا هي كيف يمكن للتكاليف أن تتضخم بسرعة بسبب عدم الكفاءة، خاصة مع البنية التحتية التي تعتمد على وحدات المعالجة الرسومية. يمكن لتراكب كبير أن ي启动 آلاف العقد، وإذا لم تُدار الموارد بشكل صحيح أو إيقاف تشغيلها، تتراكم التكاليف بسرعة. هذا يخلق نوعًا من انتشار الذكاء الاصطناعي، حيث ينمو استخدام الحوسبة بشكل أسرع من قدرة الفرق على تتبعه أو ضبطه. يتطلب معالجة هذا مزيجًا من الحوكمة القوية، والرؤية، والتحكم الآلي، مثل التوسيع التلقائي، وإنهاء تلقائي، وإدارة الموارد المركزية. على النطاق، يعد كفاءة التكلفة ليس فقط قلقًا تشغيليًا، بل هو جزء أساسي من تصميم النظام.

لقد عملت على كل شيء من مخازن الميزات إلى أنظمة الاستدلال في الوقت الفعلي. كيف ترى توازن التحميلات التي تعمل بالذكاء الاصطناعي بين الدفعات والزمن الفعلي يتطور؟

لم يتغير توازن التحميلات التي تعمل بالذكاء الاصطناعي بين الدفعات والزمن الفعلي بشكل أساسي — لا يزال الأمر يتعلق بالمتطلبات التجارية. معالجة الدفعات عادة ما تكون أكثر كفاءة في التكلفة وأسهل في التشغيل، مما يجعلها مناسبة ل许多 حالات استخدام. الأنظمة في الوقت الفعلي ضرورية عندما يؤثر التأخر مباشرة على تجربة المستخدم أو نتيجة الأعمال، مثل في تطبيقات الدردشة أو كشف الاحتيال. سوف تستمر كلا النهجين في التواجد، والمفتاح للشركات هو بناء منصات يمكنها دعم كل منهما بشكل فعال. القرار يعود في النهاية إلى التبادل بين التكلفة، والتأخر، والموثوقية.

نظرًا إلى الأمام، ما يشبه منصة شركة ناضجة للذكاء الاصطناعي في 2-3 سنوات — وكيف تتناسب أدوات مثل راي ومنصات مثل أنيسكيل مع هذا المستقبل؟

على مدى السنوات القليلة القادمة، ستحدد منصات الشركة الناضجة للذكاء الاصطناعي بسمات رئيسية. سوف تعتمد على بنية تحتية موحدة تدعم دورة حياة الذكاء الاصطناعي الكاملة، من معالجة البيانات إلى التدريب إلى الاختبار، بدلاً من مجموعة من الأدوات المنفصلة. سوف يكون لديها عمليات يوم 2 قوية، مع قدرات الرقابة التلقائية، والموثوقية، وعمليات التصحيح السريعة. سوف يكون إدارة التكلفة متوقعة ومنظمة، مما يسمح للشركات بالنمو بشكل مستدام. وأهم شيء، سوف تمكن من تحقيق سرعة عالية للمطورين، مما يسهل على الفرق الانتقال من الفكرة إلى الإنتاج بسرعة. تلعب منصات مثل راي وأنيسكيل دورًا مركزيًا في هذا المستقبل من خلال توفير الأساس الأصلي للذكاء الاصطناعي الذي يجعل هذا المستوى من النطاق والكفاءة ممكنًا.

شكرًا على المقابلة الرائعة، يرغب القراء في التعلم المزيد فيزيتم أنيسكيل.