مقابلات
عمري جيلر، الرئيس التنفيذي ومؤسس Run:AI – سلسلة المقابلات
أضف Unite.AI إلى مصادرك المفضلة على Google
عمري جيلر هو الرئيس التنفيذي ومؤسس شركة Run:AI
تتيح Run:AI افتراضية وتسريع الذكاء الاصطناعي من خلال تجميع موارد الحوسبة على وحدات معالجة الرسومات (GPU) لضمان الرؤية والسيطرة على الأولوية والتخصيص للموارد. هذا يضمن أن مشاريع الذكاء الاصطناعي تتماشى مع الأهداف التجارية وتحقق تحسينًا كبيرًا في إنتاجية فرق العلوم البيانية، مما يسمح لهم ببناء وتدريب نماذج متوازيّة دون قيود الموارد.
ما هو ما جذبك في البداية إلى الذكاء الاصطناعي؟
عندما بدأت دراستي الجامعية في الهندسة الكهربائية والإلكترونية في جامعة تل أبيب، اكتشفت أشياء مثيرة للاهتمام حول الذكاء الاصطناعي التي عرفت أنها ستساعدنا على التقدم إلى الخطوة التالية في إمكانيات الحوسبة. من هناك، عرفت أنني أريد الاستثمار في مجال الذكاء الاصطناعي. سواء كان ذلك في البحث عن الذكاء الاصطناعي أو افتتاح شركة تساعد على إدخال طرق جديدة لتطبيق الذكاء الاصطناعي على العالم.
هل كنت دائمًا مهتمًا بالعتاد الحاسوبي؟
عندما تلقيت حاسوبي الأول مع معالج إنتل 486 في السادسة أو السابعة من عمري، كنت مهتمًا على الفور لمعرفة كيفية عمل كل شيء، على الرغم من أنني ربما كنت صغيرًا جدًا لفهمه حقًا. إلى جانب الرياضة، أصبحت الحواسيب واحدة من أكبر هواياتي أثناء نموي. منذ ذلك الحين، بنيت حواسيب، عملت معها، ودرست في هذا المجال بسبب الشغف الذي كان لدي في الطفولة.
(INTC )ما هو ما ألهمك لإنشاء Run:AI؟
عرفت من البداية أنني أريد الاستثمار في مجال الذكاء الاصطناعي. في السنوات القليلة الماضية، شهدت الصناعة نموًا كبيرًا في الذكاء الاصطناعي، وقد جاء جزء كبير من هذا النمو من العلماء الحاسوبيين مثل نفسي ومن العتاد الذي يمكن دعمه لمزيد من التطبيقات. أصبح من الواضح لي أنني سأبدأ شركة مع شريكي المؤسس رونين دار – لمواصلة الابتكار ومساعدة إدخال الذكاء الاصطناعي إلى المزيد من الشركات.
تتيح Run:AI لمختصي التعلم الآلي الحصول على نوع جديد من السيطرة على تخصيص الموارد الغرضية الغالية الثمن. هل يمكنك شرح كيفية عمل ذلك؟
ما نحتاج إلى فهمه هو أن مهندسي التعلم الآلي، مثل الباحثين وعلماء البيانات، يحتاجون إلى استهلاك القوة الحاسوبية بطريقة مرنة. لا فقط الحسابات الحديثة هي كثيفة الحوسبة، ولكن هناك أيضًا سلاسل عمل جديدة تستخدم في العلوم البيانية. هذه السلاسل العمل مبنية على حقيقة أن العلوم البيانية تعتمد على التجربة وتنفيذ التجارب.
من أجل تطوير حلول جديدة لتشغيل تجارب أكثر كفاءة، نحتاج إلى دراسة هذه السلاسل العمل عبر الوقت. على سبيل المثال: يستخدم عالم البيانات ثمانية وحدات معالجة رسومات في يوم واحد، ولكن في اليوم التالي قد يستخدم صفرًا، أو يستخدم وحدة معالجة رسومات واحدة لفترة طويلة، ولكن ثم يحتاج إلى استخدام 100 وحدة معالجة رسومات لأنهم يريدون تشغيل 100 تجربة متوازيّة. بمجرد فهم هذه السلسلة العمل لتحسين قوة المعالجة لوحدة مستخدم واحدة، يمكننا البدء في توسيعها إلى عدة مستخدمين.
مع الحوسبة التقليدية، يتم تخصيص عدد معين من وحدات معالجة الرسومات لكل مستخدم، دون أخذ في الاعتبار ما إذا كانت قيد الاستخدام أم لا. مع هذه الطريقة، غالبًا ما تظل وحدات معالجة الرسومات الغالية الثمن غير مشغولة بدون أن يكون أحد能够 الوصول إليها، مما يؤدي إلى عائد استثمار منخفض لوحدات معالجة الرسومات. ن理解 الأولويات المالية للشركة، ونقدم حلولًا تتيح تخصيص ديناميكي لتلك الموارد وفقًا لاحتياجات المستخدمين. من خلال تقديم نظام مرن، يمكننا تخصيص قوة إضافية لمستخدم معين عند الحاجة، من خلال استخدام وحدات معالجة الرسومات غير قيد الاستخدام من قبل مستخدمين آخرين، مما يخلق عائد استثمار أقصى لموارد الحوسبة الخاصة بالشركة وتسريع الابتكار ووقت الوصول إلى السوق للحلول الذكاء الاصطناعي.
واحدة من وظائف Run:AI هي تقليل النقاط العمياء التي تُحدثها التخصيص الثابت لوحدات معالجة الرسومات. كيف يتم ذلك؟
لدينا أداة توفر لنا رؤية كاملة في مجموعة الموارد. باستخدام هذه الأداة، يمكننا ملاحظة وفهم ما إذا كانت هناك نقاط عمياء، ثم استخدام وحدات معالجة الرسومات غير مشغولة لمستخدمين يحتاجون إلى التخصيص. نفس الأداة التي توفر رؤية في مجموعة الموارد والسيطرة عليها أيضًا تضمن أن تلك النقاط العمياء تُتلافى.
في كلمة最近، لفتت إلى بعض الفروق بين سلاسل العمل لبناء وتدريب النماذج، هل يمكنك شرح كيفية استخدام Run:AI لآلية إدارة طوابير وحدات معالجة الرسومات لتخصيص إدارة الموارد لكلاهما؟
النموذج الاصطناعي يتم بناؤه في مرحلتين. الأولى هي مرحلة البناء، حيث يكتب عالم البيانات رمزًا لبناء النموذج الفعلي، بنفس الطريقة التي يبني بها مهندس سيارة. الثانية هي مرحلة التدريب، حيث يبدأ النموذج المكتمل في التعلم و”التدريب” على تحسين مهمة معينة. مشابهة لشخص يتعلم قيادة السيارة بعد تجميعها.
لبناء النموذج نفسه، لا يُحتاج إلى قوة حوسبة كبيرة. ومع ذلك، في النهاية، قد يحتاج إلى قوة معالجة أقوى لبدء الاختبارات الداخلية الصغيرة. على سبيل المثال، الطريقة التي يريد بها مهندس اختبار المحرك قبل تثبيته. بسبب هذه الاحتياجات المتميزة خلال كل مرحلة، تتيح Run:AI تخصيص وحدات معالجة الرسومات بغض النظر عما إذا كانوا يبنون أو يدرّبون النموذج، ومع ذلك، كما ذكرنا سابقًا، عادةً ما يتطلب التدريب النموذج استخدام وحدات معالجة الرسومات أكثر من بناءه.
كم يمكن توفير وقت الحوسبة الخام / الموارد بواسطة مطورو الذكاء الاصطناعي الذين يرغبون في دمج Run:AI في أنظمتهم؟
حلولنا في Run.ai يمكن أن تحسن رخصة الموارد الرقمية، بحوالي مرتين إلى ثلاث مرات، مما يعني 2-3 مرات أفضل إنتاجية بشكل عام.
شكرًا على المقابلة، يمكن للقراء الذين يرغبون في معرفة المزيد زيارة Run:AI.
