ScaleOps تجمع 130 مليون دولار في جولة C لإدخال البنية التحتية المستقلة في صميم عمليات الذكاء الاصطناعي

ScaleOps جمعت 130 مليون دولار في جولة تمويل من الفئة C بتقييم يزيد عن 800 مليون دولار، مع تسارع الطلب على أنظمة يمكنها إدارة حمولات السحابة والذكاء الاصطناعي المتزايدة التعقيد دون تدخل بشري مستمر.

قادت الجولة Insight Partners، مع استمرار دعم Lightspeed Venture Partners، NFX، Glilot Capital Partners، وPicture Capital. وقد جمعت الشركة الآن أكثر من 210 مليون دولار في المجموع.

من تحسين Kubernetes إلى البنية التحتية المستقلة

ظهرت ScaleOps في عام 2022 مع التركيز على أتمتة معالجة أحد أكثر تحديات البنية التحتية الحديثة استمرارًا: تخصيص الموارد في بيئات Kubernetes. بدلاً من الاعتماد على التكوين الثابت، تقوم المنصة بتعديل الموارد الحاسوبية مثل وحدة المعالجة المركزية والذاكرة بشكل مستمر بناءً على سلوك عبء العمل في الوقت الفعلي.

في جوهره، يعمل النظام كمحرك تحسين ذي حلقة تغذية راجعة مغلقة. يراقب احتياجات أعباء العمل، ويقيم إشارات الأداء، وينفذ التغييرات تلقائيًا. وهذا يشمل تعديل حجم الموارد المخصصة لأعباء العمل ديناميكيًا، وتعديل عدد النسخ، وتحسين استخدام العقد عبر العناقيد.

وبمرور الوقت، توسعت هذه القدرات إلى ما وراء تحسين السحابة التقليدية إلى بيئات كثيفة الاستخدام لوحدات معالجة الرسومات ومرتبطة بأنظمة الذكاء الاصطناعي. تطبق المنصة الآن مبادئ مشابهة لتخصيص وحدات معالجة الرسومات، حيث يمكن أن يصبح الاستخدام غير الفعال عائقًا كبيرًا بسرعة.

لماذا تصبح هذه الطبقة ضرورية

تُدخل أنظمة الذكاء الاصطناعي الحديثة مستوى من التباين الذي لم تكن الأدوات التقليدية للبنية التحتية مصممة لمواجهته. ترتفع الحمولات بشكل غير متوقع، تتنافس النماذج على السعة المحدودة لوحدات معالجة الرسومات، وتتغير متطلبات الأداء في الوقت الفعلي.

تاريخيًا، قامت الفرق بإدارة هذا من خلال الضبط اليدوي أو الأتمتة القائمة على القواعد. لكن هذه الأساليب تواجه صعوبات عند تطبيقها على نطاق واسع. Kubernetes نفسه، على الرغم من تصميمه للتنسيق، لا يزال يعتمد بشكل كبير على التكوين الثابت الذي يجب على المهندسين تعديله باستمرار لتجنب تخصيص موارد أقل أو أكثر من المطلوب.

يخلق هذا عدم كفاءة هيكلية. تقضي فرق الهندسة وقتًا كبيرًا في الاستجابة لمشاكل الأداء، وتعديل تخصيص الموارد، وحل حالات الإخلال بأهداف مستوى الخدمة (SLO) بدلاً من بناء أنظمة جديدة.

يستبدل نهج ScaleOps هذا النموذج القائم على رد الفعل بأتمتة مستمرة تراعي السياق. بدلاً من تحديد العتبات مسبقًا، يتكيف النظام في الوقت الفعلي بناءً على السلوك الملاحظ عبر العنقود بأكمله.

الانتقال نحو الأنظمة ذات التحسين الذاتي

ما يجعل هذه الفئة ملحوظة ليس فقط تحسين التكلفة، ولكن التحول في كيفية سلوك البنية التحتية.

في البيئات التقليدية، يتم تكوين البنية التحتية. في الأنظمة الجديدة، من المتوقع أن تتكيف.

تعكس ScaleOps هذا الانتقال بالتعامل مع البنية التحتية على أنها شيء يمكن أن يوازن نفسه بشكل مستمر. تطبق المنصة السياسات، وتقيم النتائج، وتنظم التخصيصات دون الحاجة إلى تدخل من المهندسين. في بيئات الإنتاج، يمكن أن يمتد هذا إلى أتمتة شبه كاملة لقرارات الموارد.

لقد أظهر هذا النموذج بالفعل تأثيرًا قابلًا للقياس في عمليات النشر الفعلية. في حالة واحدة، سمحت المواءمة التلقائية للموارد مع الحجم المطلوب لأعباء العمل بالتكيف ديناميكيًا مع تقلبات حركة البيانات مع الحفاظ على أهداف الأداء وتقليل الهدر عبر العناقيد.

التوسع ما وراء تحسين التكلفة

ركزت أدوات تحسين السحابة المبكرة بشكل أساسي على خفض الإنفاق. لا تزال ScaleOps تؤكد على كفاءة التكلفة، مع ادعاءات بتحقيق وفورات كبيرة مدفوعة بالتخلص من تخصيص الموارد الزائد والموارد غير المستغلة.

لكن الاتجاه الأوسع يتحول نحو موثوقية الأداء ومتانة النظام.

مع دمج أنظمة الذكاء الاصطناعي بصورة أوثق في بيئات الإنتاج، فإن قرارات البنية التحتية تؤثر بشكل مباشر على أداء النموذج وزمن الاستجابة والتوافر. لا يصبح سوء التخصيص مجرد مشكلة تكلفة، بل يصبح عائقًا وظيفيًا.

وهذا مهم خصوصًا لأعباء عمل وحدات معالجة الرسومات، حيث غالبًا ما يتجاوز الطلب العرض. يمكن أن يحدد التخصيص الفعال في طبقة البنية التحتية ما إذا كانت النماذج تعمل بكفاءة أو تبقى معطلة في انتظار الموارد.

طبقة تحكم جديدة للبنية التحتية للذكاء الاصطناعي

الاستنتاج طويل الأمد هو ظهور طبقة تحكم جديدة للموارد الحاسوبية.

بدلاً من الاعتماد على المهندسين لتكوين البنية التحتية أو الاعتماد على أدوات متجزئة، تعمل منصات مثل ScaleOps كطبقة تحكم مستقلة توائم العرض مع الطلب باستمرار.

وتزداد أهمية ذلك عندما تنشر المؤسسات أنظمة ذكاء اصطناعي متعددة بالتزامن، لكل منها متطلبات أداء وأنماط استخدام مختلفة.

في ذلك السياق، تبدأ إدارة البنية التحتية في التشابه مع التحكم في حركة المرور أكثر من التهيئة الثابتة. يتم توجيه الموارد، وإعادة التوازن، والتحسين بشكل مستمر بدلاً من تعيينها مرة واحدة وتركها غير متغيرة.

مع هذا التمويل الأخير، من المتوقع أن توسع ScaleOps منصتها إلى ما وراء الحوسبة ووحدات معالجة الرسومات إلى مجالات أوسع من إدارة البنية التحتية، بما في ذلك طبقات إضافية من تنسيق السحابة والذكاء الاصطناعي.

يشير هذا المسار إلى انتقال نحو بيئات حيث لا يتم التعامل مع قرارات البنية التحتية بشكل مباشر من قبل المهندسين. بدلاً من ذلك، تديرها أنظمة تفسر الغرض من عبء العمل وتعدّل الموارد تلقائيًا.

ومع استمرار توسع أعباء الذكاء الاصطناعي، قد يتحول هذا التغيير من مجرد تحسين إلى متطلب أساسي.