قادة الفكر
توقف عن تصميم بنية الذكاء الاصطناعي حول وحدة معالجة الرسومات
أضف Unite.AI إلى مصادرك المفضلة على Google
لماذا يجب على مزودي الخدمات المدارة أن يبدأوا بالحمل العملي، لا بالأجهزة
إذا قضيت خمس دقائق في مؤتمر للذكاء الاصطناعي، يمكنك بسهولة أن تخرج معتقدًا أن كل نشر ناجح للذكاء الاصطناعي يبدأ بشراء المزيد من وحدات معالجة الرسومات. من السهل فهم السبب. تهيمن الأجهزة على الحوار. يسمع العملاء عن أنظمة Blackwell، وأقمشة InfiniBand، والسحب الضخمة، ومجموعات الذكاء الاصطناعي الضخمة المتزايدة. يتجه البائعون بطبيعتهم نحو أحدث المسرعات وأسرع الأنظمة لأنها مثيرة، ذات صلة، وسهلة نسبياً في السوق.
المشكلة ليست أن الحوسبة لا تهم. بل هي مهمة للغاية.
المشكلة هي أن البدء من هناك قد يدفع المنظمات إلى طرح السؤال الخطأ. لم يعد سوق الذكاء الاصطناعي في مرحلة التجربة. يتم الآن وضع الذكاء الاصطناعي في الإنتاج، وتستثمر الشركات أموالًا حقيقية، وتنتظر نتائج تجارية قابلة للقياس. أصبحت قرارات البنية التحتية أكثر أهمية مما كانت عليه قبل عامين. ومع ذلك، لا تُقاد الكثير من القرارات بمتطلبات الأعمال – لا تزال القرارات التقنية هي السائدة.
السؤال الأول لا ينبغي أن يكون “أي وحدة معالجة رسومات يجب أن نشتريها؟”
“ما هو الحمل العملي الذي نحاول دعمه؟” يجب أن يكون التركيز.
هذا التغيير البسيط الظاهر يؤثر على تقريبًا كل قرار بنية تحتية يتبع ذلك.
لا توجد بنية تحتية قياسية للذكاء الاصطناعي
إحدى أكبر المفاهيم الخاطئة في السوق هي وجود مخطط قياسي لبنية تحتية للذكاء الاصطناعي. لا وجود لذلك.
نتحدث عن الذكاء الاصطناعي كما لو كان عبء عمل واحد. في الواقع، يشمل الذكاء الاصطناعي مجموعة هائلة من التطبيقات التجارية ذات المتطلبات المختلفة جدًا. منصة الذكاء الاصطناعي الصوتي لا تحتاج إلى نفس متطلبات البنية التحتية مثل التصوير الطبي. استرجاع المعرفة يختلف عن توليد الصور. الكشف عن الاحتيال لا يشبه التحليلات التنبؤية، ولا يشبه معالجة الفيديو. جميعها تستخدم الذكاء الاصطناعي، لكنها تستخدم البنية التحتية بطرق مختلفة.
أنت لا تصمم بنية تحتية للذكاء الاصطناعي بحد ذاته. أنت تصمم بنية تحتية لتطبيق تجاري يستخدم الذكاء الاصطناعي. هذا التمييز مهم. كل عبء عمل يفرض متطلبات فريدة على البنية التحتية الداعمة له. بعضها يتطلب موارد حوسبة كبيرة. والبعض الآخر يعتمد بشكل كبير على أداء التخزين لأنه يسترجع مجموعات بيانات ضخمة باستمرار. بعض الأحمال مقيدة بعرض النطاق الشبكي، بينما قد تعتمد أخرى على زمن الاستجابة لأن كل ملي ثانية تؤثر على تجربة العميل.
هناك أيضًا واقع عملي. البنية التحتية التي صُمم من أجلها النموذج ليست دائمًا متاحة عندما يحين وقت النشر. قد تجبر توفر الأجهزة، أو فترات الانتظار الطويلة، أو مواعيد التسليم الضيقة المنظمات على استخدام وحدات معالجة رسومات أو مسرعات أو تكوينات بنية تحتية مختلفة عما كان مخططًا له. قد يعني ذلك إعادة تحسين النموذج أو حتى إعادة تصميمه حول الأجهزة التي يمكنهم نشرها فعليًا.
متطلبات الأمان والحكم تكون أيضًا خاصة بالحمل العملي. التطبيق الذي يعالج معلومات عامة لديه متطلبات مختلفة تمامًا عن التطبيق الذي يتعامل مع المعاملات المالية، أو السجلات الصحية، أو الملكية الفكرية الخاصة. لا يمكن إضافة حماية البيانات، وإدارة الهوية والوصول، والامتثال، والسيادة، والنسخ الاحتياطي، والاستعادة، والتوافر بعد النشر فقط. إنها قرارات معمارية.
متطلبات الأعمال تضيف طبقة أخرى. ما السرعة التي سيحتاج فيها التطبيق إلى التوسع؟ ما هي تكاليف التشغيل المستدامة؟ ما مستوى التوافر الذي تتطلبه الأعمال؟ ما مقدار التعقيد الذي يمكن للمنظمة إدارته بواقعية؟ ستُجاب هذه الأسئلة بطرق مختلفة من قبل كل عميل. لهذا السبب لا توجد بنية تحتية للذكاء الاصطناعي تناسب الجميع.
المنظمات التي تبدأ بسحابة مفضلة أو منصة أجهزة أو بائع لا تحقق بنية تحتية صحيحة للذكاء الاصطناعي. القادة يبدأون بالحمل العملي ويصممون بنية تحتية حول هدف الأعمال.
التدريب يلفت الأنظار. الاستدلال يحقق قيمة الأعمال.
الإعجاب الصناعي بالتدريب هو سبب آخر قد يدفع محادثات بنية الذكاء الاصطناعي إلى الاتجاه الخاطئ.
تدريب نموذج لغة كبير هو تحدٍ هندسي استثنائي. يتطلب مجموعات بيانات هائلة، وعناقيد GPU ضخمة، وطاقة كبيرة، وبنية تحتية قادرة على العمل بأقصى طاقتها لأيام أو أسابيع أو حتى أشهر. إنه مكلف، ومثير من الناحية التقنية، ويجذب الانتباه بطبيعة الحال.
مع ذلك، لا تقوم معظم المنظمات ببناء نموذج الجبهة التالية. بل يبنون تطبيقات خدمة العملاء، وأنظمة الذكاء الاصطناعي الصوتي، ومساعدي الموظفين، ومساعدي المعرفة، وأدوات البحث، ومنصات تلخيص المستندات، وأنظمة اكتشاف الاحتيال، وعشرات التطبيقات العملية الأخرى باستخدام نماذج تم تدريبها بالفعل.
هذه أحمال استدلال، وتغيّر الاستدلال معادلة البنية التحتية. بدلاً من تحسين الأداء لأقصى حوسبة، قد تحتاج المنظمات إلى تحسين أوقات الاستجابة السريعة، وانخفاض زمن الاستجابة، وتكاليف تشغيل متوقعة، وأداء ثابت.
لا يهتم العميل بمدى قوة وحدة معالجة الرسومات الأساسية إذا استغرق الروبوت الدردشة خمس ثوانٍ للرد. ولا يهتم المتصل بمواصفات مجموعة الذكاء الاصطناعي إذا كان المساعد الصوتي يسيء فهم الطلبات أو يتردد أثناء المحادثة. إنهم فقط يعرفون أن التطبيق لا يعمل بشكل جيد.
لذلك، تصميم كل بيئة ذكاء اصطناعي كما لو كنت تدرب نموذجًا أساسيًا عادة ما يكون النهج الخاطئ وغالبًا ما يكون مكلفًا بشكل غير ضروري.
هدف معظم عملاء مزودي الخدمات المدارة ليس بناء أكبر مجموعة GPU في العالم. الهدف هو إدخال تطبيقات الذكاء الاصطناعي إلى الإنتاج بسرعة، وبشكل موثوق، وآمن، واقتصادي.
التحدي هو إيجاد التوازن المناسب بين الأداء، والأمان، والقابلية للتوسع، والمرونة، والتكلفة للأحمال التي يشغلونها فعليًا.
ربما لا تكون وحدة معالجة الرسومات هي عنق الزجاجة لديك
أصبحت وحدات معالجة الرسومات نجمة بنية الذكاء الاصطناعي. فهي مكلفة، وصعبة الحصول، وسهلة المقارنة، مما يجعلها محورًا للعديد من محادثات البنية التحتية. ومع ذلك، قد لا تكون وحدة معالجة الرسومات هي ما يعيق التطبيق عندما يصل إلى الإنتاج.
“كم عدد وحدات معالجة الرسومات التي نحتاجها؟” ليس السؤال الذي ينبغي أن نطرحه، بل السؤال هو “ما الذي سيبطئ هذا التطبيق بعد ستة أشهر من الآن؟”
قد يكون الجواب أيضًا في مكان آخر ضمن الهندسة.
التخزين مثال جيد. تستهلك أحمال الذكاء الاصطناعي كميات هائلة من البيانات – وتزداد هذه المجموعات مع مرور الوقت. حتى وحدة معالجة رسومات قوية جدًا قد تقضي وقتًا ثمينًا في الانتظار بدلاً من العمل إذا لم يتمكن التخزين من توفير المعلومات بسرعة كافية. تلك البيانات تحتاج أيضًا إلى الحماية، والنسخ الاحتياطي، والاحتفاظ، والأمان، وإدارتها طوال دورة حياتها.
وبنفس القدر، الشبكات مهمة. يؤثر عرض النطاق، وزمن الاستجابة، وحركة المرور الشرقية-الغربية، والاتصال بين مجموعات الذكاء الاصطناعي على أداء التطبيق. لا يمكن لبيئة حوسبة مصممة جيدًا أن تعوّض إلى ما لا نهاية عن شبكة سيئة التصميم.
كما يجب أن يكون الأمان جزءًا من الهندسة منذ البداية. الأسئلة التي يجب معالجتها قبل الإنتاج تشمل: أين تكمن البيانات الحساسة، وكيف يتم تقسيم الشبكات، وما إذا كانت الأحمال تتواصل عبر اتصال خاص أو عام، وكيف يتم التعامل مع متطلبات الامتثال والسيادة.
عامل آخر يُهمل بسهولة هو الاتصال. رغم أنه قد لا ينتج عناوين لامعة، فإن تنوع الألياف، وتنوع الطرق، وعلاقات التبادل، والقرب الجغرافي، يمكن أن تؤثر بشكل حاسم على تجربة المستخدم – ناهيك عن مرونة المنصة.
العملاء النهائيون لا يعرفون ولا يهتمون بأي وحدة معالجة رسومات موجودة في الرف. ما يهمهم هو ما إذا كان التطبيق يستجيب فورًا أم يتركهم ينتظرون.
البنية التحتية المادية تستحق الاهتمام أيضًا. توفر الطاقة، وسعة التبريد، وكثافة الرفوف، وسعة التوسع تحدد ما إذا كان النشر الناجح اليوم يمكنه استيعاب نمو الغد.
ثم هناك جاذبية البيانات. مع توسع مجموعات البيانات، يصبح نقل بيتابايتات من المعلومات بين المواقع، لمجرد أن الحوسبة موجودة في مكان آخر، غير فعال بشكل متزايد. في كثير من الحالات، تقريب الحوسبة من البيانات يمكن أن يكون أكثر عملية وأقل تكلفة.
لهذا السبب الهندسة مهمة.
فكر في سيارة سباق – مجرد امتلاكها لأقوى محرك لا يعني أنها ستحقق النصر. ناقل الحركة، والإطارات، وتعليق السيارة، والمسار، وخاصة السائق كلها مهمة أيضًا. تعمل بنية الذكاء الاصطناعي بطريقة مشابهة.
المنظمات التي تولد أكبر قيمة من الذكاء الاصطناعي لن تكون بالضرورة تلك التي تمتلك أكبر مجموعات GPU. إنهم سيكونون الذين يفهمون كيف تتعاون كل طبقة من البنية التحتية معًا.
هذا هو الفرق بين شراء البنية التحتية وتصميمها.
إطار تخطيط يركز على عبء العمل أولاً
لدى مزودي الخدمات المدارة فرصة لتغيير حوار البنية التحتية.
بدلاً من البدء بـ:
- أي وحدة معالجة رسومات؟
- أي سحابة؟
- أي بائع؟
ابدأ بالحمل العملي:
- ما هي مشكلة الأعمال التي نحاول حلها؟
- هل هذا عبء عمل تدريب أم استدلال؟
- ما هو حد زمن الاستجابة الذي يمكن للتطبيق تحمله؟
- أين توجد البيانات، وإلى أي مدى ستنمو بسرعة؟
- ما هي متطلبات الأمان والامتثال والسيادة التي تنطبق؟
- كيف سيتوسع عبء العمل؟
- ما هو مستوى التوافر الذي تتطلبه الأعمال؟
- ما هو مستوى المخاطرة التشغيلية المقبول؟
- ما هي تكلفة تشغيل هذه البيئة مع زيادة الاستخدام؟
يجب أن تحدد الإجابات بنية النظام. وليس العكس.
الفرصة لمزودي الخدمات المدارة
هذا التحول يغير دور مزود الخدمة المدارة.
لا يحتاج العملاء إلى شريك آخر قادر على بيع البنية التحتية لهم. ما يحتاجونه هو شريك قادر على مساعدتهم في اتخاذ قرارات بنية تحتية أفضل.
النهج القائم على عبء العمل أولاً هو أمر ضروري لأنه يمنح مزودي الخدمات المدارة الفرصة لتقييم الحوسبة، والتخزين، والشبكات، والاتصال، والأمان، وموقع البيانات، والتوافر، والتكلفة كجزء من بنية واحدة – بدلاً من اتخاذ قرارات شراء منفصلة.
بهذه الطريقة، يمكنك التحكم في التكاليف، وتحسين الأداء، وتحديد المخاطر التشغيلية والأمنية قبل وصول التطبيقات إلى الإنتاج.
كما يتم إنشاء نموذج أعمال أفضل لمزود الخدمة المدارة.
يمكن لمزودي الخدمات المدارة بناء خدمات متكررة ذات قيمة أعلى حول الهندسة، والنشر، والتحسين، والأمان، وإدارة دورة الحياة، وتخطيط السعة، والتحسين المستمر – بدلاً من المنافسة أساسًا على تقليل هوامش الأجهزة.
القيمة لا تكمن في التوصية بأحدث وحدة معالجة رسومات أو أحدث منصة سحابة. بل تكمن في معرفة متى يحتاج العميل إليها، ومتى لا يحتاجها، وما الذي يجب تصميمه حولها.
في النهاية، بنية الذكاء الاصطناعي ليست قرارًا متعلقًا بالأجهزة. إنها قرار هندسي يُقَاد بالحمل العملي، والبيانات، ونتيجة الأعمال التي يسعى العميل لتحقيقها.
سيتم وضع مزودي الخدمات المدارة الذين يفهمون هذا التمييز في موقع يمكنهم من أن يصبحوا أكثر قيمة من موردي البنية التحتية.
سيصبحون الأشخاص الذين يثق بهم العملاء للمساعدة في تحديد البنية التحتية التي يحتاجونها فعليًا.
