डेनिस मुयको, RAVEL की सह-संस्थापक और CEO – साक्षात्कार शृंखला

डेनिस मुयको RAVEL की सह-संस्थापक और CEO हैं, जहाँ वे जटिल कंप्यूटिंग और AI अवसंरचना के लिए ऑर्केस्ट्रेशन सॉफ़्टवेयर के विकास का नेतृत्व करती हैं। प्रशिक्षित इंजीनियर के रूप में, उनके करियर में ऊर्जा अवसंरचना, प्रक्रिया अनुकूलन, डिजिटल मीडिया, डेटा सेंटर और वर्चुअल स्टूडियो का अनुभव शामिल है। AI पर ध्यान केंद्रित करने से पहले, उन्होंने वैंकूवर के दृश्य-प्रभाव समुदाय के लिए साझा उच्च-प्रदर्शन कंप्यूटिंग अवसंरचना विकसित करने में मदद की, जिससे लगभग 30 स्टूडियो को कंप्यूटिंग संसाधनों और सुरक्षित कनेक्टिविटी तक पहुँच मिली। इस अनुभव ने महँगे और सीमित संसाधनों के समन्वय के प्रति उनके दृष्टिकोण को आकार दिया। RAVEL में, वे वितरित और संप्रभु AI परिवेशों की बढ़ती ज़रूरतों के साथ-साथ वर्कलोड की तैनाती, अवसंरचना के उपयोग और अंतर्संचालनीयता पर सिस्टम इंजीनियरिंग का दृष्टिकोण लागू करती हैं।

RAVEL ऐसा सॉफ़्टवेयर विकसित करता है जो संगठनों को क्लाउड, ऑन-प्रिमाइसेस और हाइब्रिड अवसंरचना में कंप्यूटिंग और AI वर्कलोड तैनात करने, प्रबंधित करने और बढ़ाने में मदद करता है। इसके उत्पादों में उच्च-प्रदर्शन वाले वर्चुअल वर्कस्टेशन के लिए RAVEL Orchestrate, वर्कलोड स्वचालन और अनुकूलन के लिए RAVEL Orchestrate AI और सॉफ़्टवेयर लाइसेंसिंग तथा टेलीमेट्री के लिए Boost शामिल हैं। कंपनी के उपकरण केंद्रीकृत नियंत्रण और संचालन की दृश्यता उपलब्ध कराने के साथ अवसंरचना, एप्लिकेशन, वर्चुअलाइज़ेशन और सुरक्षा को जोड़ते हैं। RAVEL डेटा सेंटरों, सेवा प्रदाताओं, उद्यमों की IT टीमों, AI अनुसंधान समूहों और रचनात्मक स्टूडियो को सेवाएँ देता है। डिजिटल सामग्री निर्माण के क्षेत्र में अपनी शुरुआत के अनुभव के आधार पर, कंपनी जटिल परिवेशों को सरल बनाने और टीमों को उपलब्ध अवसंरचना का अधिक प्रभावी ढंग से उपयोग करने में मदद करने पर ध्यान देती है।

आपने इंजीनियरिंग, मीडिया अवसंरचना और वितरित कंप्यूटिंग के संगम पर वर्षों तक काम करने के बाद RAVEL की स्थापना की। आखिर किस वजह से आपने यह कंपनी शुरू की, और जनरेटिव AI से कंप्यूटिंग संसाधनों की माँग में भारी वृद्धि होने के साथ RAVEL का मिशन कैसे विकसित हुआ है?

मैंने इंजीनियरिंग की औपचारिक शिक्षा ली है और आज के AI उछाल से बहुत पहले से ऊर्जा, कंप्यूटिंग और अवसंरचना के संगम पर काम करती रही हूँ। करियर की शुरुआत में मैंने एक परमाणु ऊर्जा संयंत्र में इंटर्नशिप की। बाद में मीडिया और दृश्य-प्रभाव के क्षेत्र में काम करने से मुझे GPU, कंप्यूटिंग की भारी माँग और भौतिक अवसंरचना की सीमाओं का अनुभव हुआ।

लगभग 16 साल पहले, वैंकूवर का तेज़ी से बढ़ता दृश्य-प्रभाव उद्योग इन सीमाओं का सीधे सामना कर रहा था। उच्च-मूल्य वाली परियोजनाओं के लिए फ़िल्म और टेलीविज़न की लगातार जटिल होती सामग्री को संसाधित (या रेंडर) करने हेतु स्टूडियो को भारी मात्रा में उच्च-प्रदर्शन कंप्यूटिंग की ज़रूरत थी, लेकिन बहुत कम स्टूडियो सुरक्षित परिवेश में चरम माँग पूरी करने के लिए पर्याप्त समर्पित अवसंरचना तैयार करने का खर्च उठा सकते थे। बिजली की उपलब्धता भी एक बाधा बनती जा रही थी। हमने साझा अवसंरचना विकसित की, जिससे लगभग 30 स्टूडियो को उच्च-प्रदर्शन कंप्यूटिंग और सुरक्षित, उच्च-बैंडविड्थ कनेक्टिविटी मिली।

अवसंरचना साझा करने से एक समस्या हल हुई, लेकिन दूसरी पैदा हो गई: संगठनों और वर्कलोड के बीच महँगे और सीमित संसाधनों का कुशल आवंटन कैसे किया जाए? इसी अनुभव ने अंततः बुद्धिमान अवसंरचना ऑर्केस्ट्रेशन के प्रति RAVEL के दृष्टिकोण को जन्म दिया।

AI इसी मूल चुनौती का कहीं बड़ा रूप है—और इसमें जटिलता तथा दाँव पर लगी पूँजी, दोनों कहीं अधिक हैं। वर्कलोड और अवसंरचना बदल गए हैं, लेकिन महँगे और सीमित संसाधनों को मिलकर कुशलता से काम करने योग्य बनाने की ज़रूरत पहले से भी अधिक अहम हो गई है।

RAVEL से पहले, आपने वैंकूवर के लगभग 30 स्टूडियो, साउंड स्टेज, प्रोडक्शन कंपनियों और दृश्य-प्रभाव कंपनियों का एक संघ बनाने में मदद की थी, जहाँ सभी उच्च-प्रदर्शन कंप्यूटिंग अवसंरचना साझा कर सकते थे। उस अनुभव से आपको वितरित कंप्यूटिंग के बारे में क्या सीख मिली, और उस समय हॉलीवुड की रेंडरिंग संबंधी चुनौतियों तथा आज AI उद्योग के सामने मौजूद अवसंरचना की चुनौतियों में आपको क्या समानताएँ दिखती हैं?

दृश्य-प्रभाव उद्योग में मेरे काम ने मुझे सिखाया कि अवसंरचना तैयार करना और उसका विन्यास करना समस्या का केवल आधा हिस्सा था। महँगे कंप्यूटिंग संसाधनों को सुरक्षित ढंग से साझा करना और उनका कुशल उपयोग करना ज़रूरी था। साथ ही, व्यापक अवसंरचना—जिसमें बहुत बड़ी फ़ाइलें भेजने में सक्षम सुरक्षित नेटवर्क भी शामिल था—का एक साथ मिलकर काम करना आवश्यक था। वर्कलोड का समय तय करना, क्षमता का आवंटन करना और भारी मात्रा में डेटा भेजना पड़ता था; यह सब ऐसे समय में होता था जब प्रोडक्शन टीमें सख़्त बजट और समय-सीमाओं के भीतर लगातार अधिक महत्वाकांक्षी नतीजे हासिल करने की कोशिश कर रही थीं। उपयोग और प्रदर्शन को बेहतर बनाने के लिए अवसंरचना का लगातार अनुकूलन करना पड़ता था।

AI इसी मूल चुनौती का कहीं बड़ा रूप है। संगठन अवसंरचना में भारी निवेश कर रहे हैं, लेकिन केवल क्षमता बढ़ाने से यह सुनिश्चित नहीं होता कि महँगे संसाधनों का कुशल उपयोग होगा। बिजली, क्षमता, सुरक्षा, अर्थव्यवस्था, भूगोल, नियमन और संप्रभुता संबंधी ज़रूरतों के चलते AI अवसंरचना अलग-अलग स्थानों, प्रदाताओं और परिवेशों में तेज़ी से फैल रही है। रेंडरिंग और AI के वर्कलोड बहुत अलग हो सकते हैं, लेकिन अवसंरचना और इकोसिस्टम से जुड़ी एक अहम चुनौती दोनों में समान है: दोनों ही उच्च-प्रदर्शन कंप्यूटिंग, नेटवर्किंग, सुरक्षा और स्टोरेज के कुशलतापूर्वक एक साथ काम करने पर निर्भर हैं।

जैसे-जैसे AI अवसंरचना अधिक जटिल होती जा रही है, केवल कंप्यूटिंग क्षमता बढ़ाने से उस क्षमता का कुशल उपयोग सुनिश्चित करने की संचालन-संबंधी चुनौती हल नहीं होती। यहीं ऑर्केस्ट्रेशन और व्यापक अवसंरचना इकोसिस्टम को नियंत्रित करने वाली नीतियाँ अहम हो जाती हैं। ये दोनों मिलकर संगठनों को महँगे और सीमित संसाधनों का बेहतर उपयोग करने और लगातार अधिक वितरित होते परिवेशों में वर्कलोड का समन्वय करने में मदद करती हैं।

RAVEL स्वयं को वितरित एआई फ़ैक्टरियों के लिए एक ऑर्केस्ट्रेशन परत बताता है। आपके लिए “एआई फ़ैक्टरी” का क्या अर्थ है, और आज अवसंरचना स्टैक में ऐसी क्या कमी है जो ऑर्केस्ट्रेशन परत को आवश्यक बनाती है?

मेरी नज़र में, एआई फ़ैक्टरी सिर्फ़ जीपीयू और उच्च-प्रदर्शन वाले क्लस्टर से कहीं अधिक है; यह एक एकीकृत अवसंरचना पारिस्थितिकी तंत्र है, जिसमें कंप्यूट, नेटवर्किंग, भंडारण, सुरक्षा, बिजली, शीतलन और एआई वर्कलोड चलाने के लिए आवश्यक परिचालन परतें एक साथ आती हैं। एआई फ़ैक्टरियाँ अलग-अलग क्लस्टरों से विकसित होकर परस्पर जुड़े संसाधनों के ऐसे पारिस्थितिकी तंत्र बन रही हैं, जो कई साइटों और क्षेत्रों में फैले हैं। इस जटिलता को मैन्युअल तरीक़े से या अलग-अलग, असंबद्ध समाधानों के ज़रिए संभालना लगातार कठिन होता जा रहा है। ऑर्केस्ट्रेशन परत स्टैक के विविध और जटिल हिस्सों के बीच तालमेल बिठाकर और उसकी अंतर्निहित जटिलता के कुछ हिस्सों को अमूर्त बनाकर इस समस्या का समाधान करती है। इससे ऑपरेटरों के लिए अवसंरचना को एक समन्वित प्रणाली के रूप में संभालना आसान हो जाता है।

संगठन मौजूदा डेटा केंद्रों को एआई के अनुकूल बना रहे हैं, जबकि इनमें से कई केंद्र मूल रूप से आज के एआई वर्कलोड की ज़रूरतों को ध्यान में रखकर नहीं बनाए गए थे। आज एआई के सामने संरचनात्मक बेमेल की समस्या है, जिसके तीन प्रमुख पहलू हैं। पहला है बिजली—ऐसी जगह ढूँढ़ना जहाँ बड़े पैमाने पर वर्कलोड चलाने के लिए पर्याप्त और भरोसेमंद बिजली उपलब्ध हो। दूसरा है पारिस्थितिकी तंत्र का बिखराव: एआई स्टैक अक्सर अलग-अलग वातावरणों में बँटे होते हैं और उन्हें एक-दूसरे के साथ काम करने के लिए डिज़ाइन नहीं किया जाता। तीसरा है संचालन और स्वामित्व की कुल लागत को लेकर सीमित जानकारी, जिससे एआई अवसंरचना की वास्तविक लागत छिप सकती है। नतीजतन, वर्कलोड का अनुकूलन नहीं हो पाता, हार्डवेयर का पूरा उपयोग नहीं होता और अप्रत्याशित परिचालन लागतें स्वामित्व की कुल लागत बढ़ा सकती हैं, जिससे अंततः टोकन की लागत भी बढ़ती है।

एआई अवसंरचना अब हाइपरस्केल क्लाउड, निजी डेटा केंद्रों, परिसर में मौजूद प्रणालियों और विशिष्ट जीपीयू प्रदाताओं के बीच तेज़ी से फैल रही है। इन अलग-अलग वातावरणों में एआई वर्कलोड संभालने की कोशिश करते समय संगठनों को किन सबसे बड़ी चुनौतियों का सामना करना पड़ता है?

पिछले कई वर्षों से एआई अवसंरचना की होड़ एक सरल धारणा पर आधारित रही है: और बड़ा बनाओ। बड़े डेटा केंद्र। बड़े क्लस्टर। ज़्यादा जीपीयू। ज़्यादा क्षमता। लेकिन और बड़ा बनाने का यह मॉडल अब भौतिक, आर्थिक और नियामक बाधाओं से लगातार टकरा रहा है।

बिजली सीमित है। ग्रिड से जुड़ने में समय लगता है। अर्थव्यवस्था, भूगोल और संप्रभुता के विचार अब यह तय करने में तेज़ी से अहम हो रहे हैं कि अवसंरचना कहाँ बनाई जा सकती है और कहाँ बनाई जानी चाहिए। अब चुनौती सिर्फ़ अधिक एआई अवसंरचना बनाने की नहीं है, बल्कि सही जगहों पर सही अवसंरचना बनाने और इन सभी वातावरणों को एक समन्वित प्रणाली के रूप में चलाने की है। यह काम तब विशेष रूप से कठिन हो जाता है, जब क्षमता हाइपरस्केल क्लाउड, निजी डेटा केंद्रों, परिसर में मौजूद अवसंरचना और ऐसे विशिष्ट प्रदाताओं के बीच फैली हो जिन्हें ज़रूरी नहीं कि एक साथ काम करने के लिए डिज़ाइन किया गया हो।

इन बाधाओं में बिजली सबसे बड़ी है। अब बिजली की उपलब्धता ही यह तय कर रही है कि एआई अवसंरचना सबसे पहले कहाँ बनाई जाएगी।

यहीं फ़ेडरेशन अहम हो जाता है। यह अलग-अलग वातावरणों में फैली अवसंरचना को जोड़कर एक साझा परिचालन वातावरण बनाता है। इसके बाद बुद्धिमान ऑर्केस्ट्रेशन क्षमता, बिजली, प्रदर्शन, लागत, नीतियों, लचीलेपन और संप्रभुता के आधार पर तय करता है कि वर्कलोड कहाँ चलने चाहिए।

जैसे-जैसे एआई अवसंरचना अलग-अलग स्थानों और प्रदाताओं में फैलती जाएगी, प्रतिस्पर्धात्मक बढ़त केवल अधिक क्षमता के मालिक होने से नहीं मिलेगी। यह बढ़त उस क्षमता को एक साथ काम में लाने से मिलेगी। फ़ेडरेशन इस नई वास्तविकता के लिए अवसंरचना का मॉडल तैयार करता है, जबकि बुद्धिमान ऑर्केस्ट्रेशन उस मॉडल को बड़े पैमाने पर परिचालन में लाता है।

हमारे एक ग्राहक RT-One—जो लैटिन अमेरिका के सबसे बड़े एआई प्रौद्योगिकी पार्कों और डेटा केंद्रों का विकासकर्ता है—की योजना भी इसी मॉडल पर आगे बढ़ने की है। वह पूरे अमेरिका महाद्वीप में फ़ेडरेटेड अवसंरचना की योजना बना रहा है: वितरित क्षमता को जोड़ना, ताकि अंततः उसे एक समन्वित वातावरण के रूप में संभाला जा सके।

जीपीयू की कमी पर बहुत ध्यान दिया गया है, लेकिन केवल अधिक एक्सेलरेटर जोड़ने से उपयोगी एआई कंप्यूट में ज़रूरी नहीं कि बढ़ोतरी हो। आज की एआई अवसंरचना में अक्षमता के सबसे बड़े स्रोत आपको कहाँ दिखाई देते हैं, और बेहतर ऑर्केस्ट्रेशन से कंपनियाँ कितनी अतिरिक्त क्षमता हासिल कर सकती हैं?

एआई अवसंरचना की होड़ में इस बात पर बहुत ज़ोर दिया गया है कि कितने गीगावाट की नई क्षमता की योजना है और उसे बनाने के लिए कितनी पूँजी लगाई जा रही है। एआई की अवसंरचना संबंधी समस्या को केवल जीपीयू या क्षमता की कमी मानना आकर्षक लग सकता है, लेकिन यह नज़रिया अक्षमता के असली स्रोतों को नज़रअंदाज़ करता है। यह ध्यान रखना ज़रूरी है कि नियोजित क्षमता और उपयोग में लाई जा सकने वाली क्षमता एक ही चीज़ नहीं हैं।

जीपीयू क्लस्टर पूरी तरह बुक दिखाई दे सकते हैं, लेकिन स्टैक के दूसरे हिस्सों में प्रदर्शन संबंधी अड़चनें आने पर महँगे जीपीयू बेकार भी पड़े रह सकते हैं। इन अड़चनों में भंडारण की डेटा-प्रवाह क्षमता, डेटा पाइपलाइन, नेटवर्क की भीड़, जॉब शेड्यूलिंग की अक्षमताएँ, सुरक्षा संबंधी ज़रूरतें और आर्किटेक्चर, एप्लिकेशन, ड्राइवरों तथा निर्भरताओं के बीच बेमेल शामिल हो सकते हैं। जीपीयू जोड़ने से हमेशा उपयोगी कंप्यूट क्षमता नहीं बढ़ती।

अधिक अवसंरचना जोड़ने से दक्षता अपने-आप नहीं बढ़ती। कई मामलों में इससे लागत बढ़ने के साथ-साथ अलग-अलग खाँचे और बन जाते हैं।

संगठनों को अधिक दृश्यता और नियंत्रण की आवश्यकता है, ताकि वे संसाधनों के उपयोग में सुधार कर सकें, बुनियादी ढाँचे से जुड़े निर्णयों को स्वचालित कर सकें और वर्कलोड को उपलब्ध संसाधनों तथा व्यावसायिक प्राथमिकताओं के साथ बेहतर ढंग से संरेखित कर सकें। अधिक दृश्यता और नियंत्रण से बुनियादी ढाँचे के संसाधनों के समूह को अधिक समन्वित परिचालन परिवेश में बदलने में मदद मिल सकती है। ऑर्केस्ट्रेशन के ज़रिए कितनी क्षमता का उपयोग संभव हो सकता है, इसका कोई सटीक या सार्वभौमिक आँकड़ा नहीं है; हर वर्कलोड की अपनी विशिष्ट आवश्यकताएँ होती हैं। लेकिन एक बात स्पष्ट है: निष्क्रिय या कम उपयोग हो रही क्षमता का समाधान केवल और अधिक खरीदना या बनाना नहीं है।

RAVEL ने बुनियादी ढाँचे, वर्चुअलाइज़ेशन तकनीकों, पहचान प्रणालियों और अनुप्रयोगों के बीच अंतरसंचालनीयता पर ज़ोर दिया है। जैसे-जैसे एआई वर्कलोड अधिक जटिल और वितरित होते जा रहे हैं, अंतरसंचालनीयता विशेष रूप से महत्वपूर्ण क्यों होती जा रही है?

जैसे-जैसे बुनियादी ढाँचा अधिक विविधतापूर्ण होता जा रहा है, संगठनों को अलग-अलग तकनीकों और परिवेशों का उपयोग करने की ऐसी लचीलता चाहिए जिससे बुनियादी ढाँचे के और अधिक अलग-थलग खंड न बनें। अंतरसंचालनीयता से अलग-अलग विक्रेताओं और परिवेशों की गणना, भंडारण, नेटवर्किंग और अनुप्रयोग एक साथ काम कर सकते हैं। इससे बुनियादी ढाँचे के विकसित होने के साथ विकल्प खुले रहते हैं। लेकिन केवल अंतरसंचालनीयता से यह तय नहीं होता कि इन संसाधनों का उपयोग कैसे किया जाना चाहिए।

यहीं ऑर्केस्ट्रेशन की भूमिका आती है—यह विभिन्न परिवेशों में वर्कलोड के चलने की जगह, उनके स्थानांतरण के तरीके और नीतियों के अनुपालन का समन्वय करता है। जैसे-जैसे एआई का बुनियादी ढाँचा अधिक वितरित और संघबद्ध होता जा रहा है, अंतरसंचालनीयता अलग-अलग तकनीकों में काम करने की लचीलता देती है, जबकि ऑर्केस्ट्रेशन इन संसाधनों को एक समन्वित परिचालन परिवेश में बदल देता है।

RAVEL Orchestrate AI, गणना, भंडारण, नेटवर्किंग और अन्य बुनियादी ढाँचा तकनीकों के लिए एक साझा ऑर्केस्ट्रेशन परत उपलब्ध कराता है, जो क्लाउड, ऑन-प्रिमाइसेस और हाइब्रिड परिवेशों में एआई वर्कलोड का समन्वय करती है।

एआई लागू करने वाली सरकारों और उद्यमों के लिए डेटा संप्रभुता एक प्रमुख विचार बनती जा रही है। संप्रभु एआई बुनियादी ढाँचे के विस्तार से वर्कलोड के स्थान-निर्धारण, डेटा के आवागमन, सुरक्षा और ऑर्केस्ट्रेशन के बारे में संगठनों की सोच कैसे बदलती है?

संप्रभु एआई अब एक रणनीतिक प्राथमिकता है। इसके साथ ही एक अधिक बुनियादी सवाल उठता है: संप्रभु होने का वास्तव में क्या अर्थ है? इस विषय पर चर्चा मुख्यतः डेटा के भौतिक स्थान पर केंद्रित रही है, लेकिन मेरा मानना है कि यह परिभाषा बहुत सीमित है।

मैं संप्रभु एआई को किसी राष्ट्र, उद्यम, सरकारी एजेंसी या अन्य संगठन की उस क्षमता के रूप में परिभाषित करता हूँ, जिसके तहत वह अपने एआई वर्कलोड पर नीतियों द्वारा निर्धारित नियंत्रण बनाए रख सके—इसमें उन वर्कलोड को नियंत्रित करने वाले डेटा, मॉडल, गणना संबंधी बुनियादी ढाँचे, पहुँच, सुरक्षा, संचालन और अधिकार-क्षेत्र शामिल हैं। संप्रभुता का यह अर्थ नहीं है कि हर वर्कलोड को एक ही डेटा केंद्र में या किसी एक संगठन के स्वामित्व वाले बुनियादी ढाँचे पर ही रहना होगा। बल्कि, इसका अर्थ है कि संगठन तय करता है कि वर्कलोड कहाँ चल सकता है, उसका डेटा कहाँ रखा या भेजा जा सकता है, उस तक किसकी पहुँच हो सकती है, उसे कौन-सा बुनियादी ढाँचा चला सकता है, और किन सुरक्षा, नियामक, भौगोलिक, परिचालन तथा व्यावसायिक नीतियों का हर समय पालन करना होगा। वर्कलोड-केंद्रित यह परिभाषा, संप्रभुता को केवल डेटा के भौतिक स्थान के बजाय पूरे एआई परिवेश पर नियंत्रण के रूप में देखने की व्यापक उद्योगगत प्रवृत्ति के अनुरूप है।

संप्रभु एआई और फेडरेशन के मेल पर RAVEL का दृष्टिकोण विशेष रूप से अलग पहचान रखता है। RAVEL Orchestrate AI, संप्रभुता संबंधी आवश्यकताओं को ऑर्केस्ट्रेशन और नीति परत में बाध्यकारी शर्तों के रूप में शामिल कर सकता है: कोई वर्कलोड कई साइटों, क्लाउड, डेटा केंद्रों, एज स्थानों या अन्य बुनियादी ढाँचों के फेडरेशन में चलने के योग्य हो सकता है, लेकिन केवल उन्हीं संसाधनों पर जो उस वर्कलोड की संप्रभुता संबंधी नीतियों को पूरा करते हों। इस स्वीकृत सीमा के भीतर, RAVEL फिर बिजली, लागत, प्रदर्शन, क्षमता, उपयोग, नेटवर्क की विशेषताओं, स्थान और प्राथमिकता जैसे कारकों के आधार पर उपयुक्त बुनियादी ढाँचा निर्धारित कर सकता है। फेडरेशन से संप्रभुता समाप्त नहीं होती; बल्कि, फेडरेशन संप्रभुता द्वारा निर्धारित सीमाओं के भीतर काम कर सकता है। उदाहरण के लिए, सरकार का कोई संवेदनशील वर्कलोड पूरी तरह अमेरिका की स्वीकृत सुविधाओं के भीतर रह सकता है और फिर भी कई अधिकृत साइटों के बीच गतिशील रूप से ऑर्केस्ट्रेट किया जा सकता है। इसका नतीजा ऐसा मॉडल है, जिसमें संगठन अपने सबसे संवेदनशील वर्कलोड कहाँ और कैसे चलते हैं, इस पर नियंत्रण छोड़े बिना वितरित एआई बुनियादी ढाँचे से मिलने वाले बेहतर उपयोग और लचीलेपन के लाभ हासिल कर सकते हैं।

RAVEL की शुरुआत मीडिया, मनोरंजन, गेमिंग और डिज़ाइन जैसे उद्योगों में हुई, जहाँ वर्कलोड में गणना की ज़रूरत बहुत अधिक हो सकती है। रचनात्मक पेशेवरों के लिए बुनियादी ढाँचे की जिन चुनौतियों का आप मूल रूप से समाधान कर रहे थे, उनकी तुलना में जनरेटिव एआई की ज़रूरतों ने प्लेटफ़ॉर्म को कैसे बदला है?

RAVEL की शुरुआत बुनियादी ढाँचे की ऐसी समस्याओं को सुलझाने से हुई, जिनमें कलाकार और इंजीनियर महंगे गणना, भंडारण और नेटवर्किंग संसाधनों पर बड़े पैमाने के रेंडरिंग, सिमुलेशन और सामग्री-निर्माण वर्कलोड पहले से चला रहे थे। मूल चुनौती यह थी कि उपयोग और प्रदर्शन को अधिकतम करते हुए विविधतापूर्ण बुनियादी ढाँचे तक पहुँच, उसे साझा करना और उसका ऑर्केस्ट्रेशन करना आसान कैसे बनाया जाए।

जनरेटिव एआई ने इसी समस्या के पैमाने और जटिलता को नाटकीय रूप से बढ़ा दिया है। पहले हमारा मुख्य ध्यान अनुप्रयोगों और रेंडरिंग वर्कलोड के ऑर्केस्ट्रेशन पर था; अब हमें एआई मॉडल, इंजन, एजेंट, प्रशिक्षण और इन्फ़रेंस वर्कलोड, अलग-अलग जीपीयू आर्किटेक्चर, तेज़ी से बदलते सॉफ़्टवेयर स्टैक, डेटा के विशाल आवागमन और बिजली, लागत, सुरक्षा तथा उपलब्धता से जुड़ी कहीं अधिक कठोर सीमाओं का भी ध्यान रखना पड़ता है।

इसके परिणामस्वरूप, RAVEL का दायरा मुख्य रूप से कंप्यूटिंग संसाधनों के समन्वय से बढ़कर AI अवसंरचना के लिए एक बुद्धिमान नियंत्रण और अनुकूलन परत उपलब्ध कराने तक पहुँच गया है। Orchestrate AI टेलीमेट्री और नीतियों का उपयोग करके यह तय करता है कि अवसंरचना उपलब्ध है या नहीं, इतना ही नहीं, बल्कि लागत, गति, ऊर्जा, प्रदर्शन, उपयोग दर, स्थान और संप्रभुता संबंधी आवश्यकताओं जैसे कारकों के आधार पर यह भी कि किसी कार्यभार को कहाँ और कैसे चलाया जाना चाहिए।

फेडरेशन भी लगातार अधिक महत्वपूर्ण होता गया है, क्योंकि अब AI अवसंरचना को अलग-अलग डेटा केंद्रों के समूह के रूप में नहीं देखा जा सकता; संगठनों को शासन और सुरक्षा बनाए रखते हुए विभिन्न स्थलों की क्षमता का बुद्धिमानी से उपयोग करने की सुविधा चाहिए। कई मायनों में, जनरेटिव AI ने उस मूल समस्या को नहीं बदला जिसे हल करने के लिए RAVEL की स्थापना हुई थी—उसने समस्या का पैमाना और जटिलता बहुत बढ़ा दी, जिससे बुद्धिमान समन्वय, अनुकूलन और फेडरेशन का महत्व लगातार बढ़ गया।

आपका करियर मैकेनिकल इंजीनियरिंग और Starbucks में प्रक्रिया अनुकूलन से लेकर डिजिटल मीडिया, डेटा केंद्रों, वर्चुअल स्टूडियो और अब AI अवसंरचना तक पहुँचा है। इंजीनियरिंग की इस पृष्ठभूमि ने कंपनियाँ बनाने और अवसंरचना संबंधी समस्याएँ सुलझाने के आपके तरीके को किस तरह प्रभावित किया है?

मेरी इंजीनियरिंग पृष्ठभूमि ने शायद कंपनियाँ बनाने के मेरे लगभग हर पहलू को प्रभावित किया है। मैकेनिकल इंजीनियरिंग आपको किसी एक घटक के बजाय पूरी प्रणाली को देखने और यह पूछने की सीख देती है कि उसकी सीमाएँ कहाँ हैं, ऊर्जा या संसाधन कहाँ व्यर्थ हो रहे हैं और पूरी प्रणाली को बेहतर ढंग से कैसे चलाया जा सकता है। Starbucks में मैंने इस सोच को प्रक्रिया अनुकूलन पर लागू किया; बाद में, डिजिटल मीडिया और दृश्य प्रभावों के क्षेत्र में, प्रणाली का दायरा कंप्यूटिंग संसाधनों, भंडारण, नेटवर्किंग, अनुप्रयोगों और अंततः पूरे डेटा केंद्रों तक फैल गया। तकनीक बदल गई, लेकिन समस्या से निपटने का मेरा तरीका सचमुच नहीं बदला। मैं हमेशा पूछती हूँ: अड़चन कहाँ है? किस चीज़ का पूरा उपयोग नहीं हो रहा? हम क्या सरल बना सकते हैं? और किसी एक हिस्से को अनुकूलित करने के बजाय पूरी प्रणाली को बेहतर ढंग से कैसे चला सकते हैं?

RAVEL को बनाने का हमारा तरीका भी बिल्कुल ऐसा ही रहा है। मुझे नहीं लगता कि AI अवसंरचना की समस्या का हल केवल अधिक GPU हासिल करना या अधिक डेटा केंद्र बनाना है। यह एक प्रणाली-अभियांत्रिकी की समस्या है, जिसमें कंप्यूटिंग संसाधन, ऊर्जा, भंडारण, नेटवर्किंग, सॉफ़्टवेयर, कार्यभार, लोग और अब, बढ़ते हुए, भूगोल तथा संप्रभुता भी शामिल हैं। आपके पास दुनिया का सबसे तेज़ GPU हो सकता है, लेकिन यदि बाकी प्रणाली अनुकूलित नहीं है, तो आपने बस एक बेहद महँगी अड़चन पैदा की है। इसलिए RAVEL के साथ हमारा दृष्टिकोण अवसंरचना को ही अधिक बुद्धिमान बनाना है—टेलीमेट्री, नीतियों, समन्वय और फेडरेशन का इस्तेमाल करके लगातार यह तय करना कि कार्यभार कहाँ और कैसे चलने चाहिए। मैंने अपने करियर की शुरुआत भौतिक प्रणालियों को अनुकूलित करने से की थी; आज हम उसी इंजीनियरिंग अनुशासन को AI को शक्ति देने वाली अवसंरचना के अनुकूलन पर लागू कर रहे हैं।

आगे की ओर देखते हुए, जैसे-जैसे मॉडल, एजेंट और अनुप्रयोग वितरित कंप्यूटिंग क्षमता की लगातार बढ़ती मात्रा की माँग करेंगे, आपके अनुसार AI अवसंरचना किस तरह विकसित होगी? क्या आपको लगता है कि पिछले दशक में क्लाउड कंप्यूटिंग की तरह AI फ़ैक्टरियाँ भी उद्यम अवसंरचना की एक मानकीकृत परत बनेंगी?

मेरा पूरा विश्वास है कि AI फ़ैक्टरियाँ उद्यम अवसंरचना की एक बुनियादी परत बनेंगी, ठीक वैसे ही जैसे क्लाउड कंप्यूटिंग बनी—लेकिन मुझे नहीं लगता कि वे किसी एक मानकीकृत डेटा केंद्र या क्लाउड जैसी होंगी। जैसे-जैसे मॉडल, एजेंट और अनुप्रयोग कंप्यूटिंग क्षमता की लगातार बढ़ती मात्रा का उपयोग करेंगे, उद्यम GPU, CPU, निजी अवसंरचना, नियोक्लाउड, हाइपरस्केलर, एज परिवेश और विशिष्ट AI प्रणालियों के विविध मिश्रण में काम करेंगे।

ऊर्जा की उपलब्धता, लागत, संप्रभुता, प्रदर्शन और स्थान का महत्व कंप्यूटिंग क्षमता की उपलब्धता जितना ही हो जाएगा। असली चुनौती केवल अधिक अवसंरचना बनाना नहीं होगी; चुनौती यह होगी कि इस समूची वितरित अवसंरचना को एक बुद्धिमान प्रणाली की तरह काम कराया जाए। भविष्य की AI फ़ैक्टरी कोई एक इमारत नहीं होगी—वह एक फेडरेटेड अवसंरचना परिवेश होगा, जिसमें कंप्यूटिंग क्षमता, ऊर्जा, डेटा और AI कार्यभारों को वहाँ चलाने के लिए आवश्यक संसाधन शामिल होंगे जहाँ ऐसा करना सबसे उपयुक्त हो।

मुझे लगता है कि अगली बड़ी अवसंरचना परत यहीं से उभरेगी। क्लाउड कंप्यूटिंग ने सर्वरों की जटिलता को अमूर्त करके कंप्यूटिंग क्षमता का उपयोग आसान बनाया; अगला कदम पूरे AI अवसंरचना ढाँचे की जटिलता को अमूर्त करना है। उद्यमों को हर मॉडल या एजेंट के लिए यह मैन्युअल रूप से तय नहीं करना चाहिए कि उसे कौन-सा GPU, डेटा केंद्र, क्लाउड, ऊर्जा स्रोत या भौगोलिक क्षेत्र इस्तेमाल करना चाहिए। अवसंरचना को टेलीमेट्री और नीतियों का उपयोग करके लागत, गति, ऊर्जा, प्रदर्शन, उपलब्धता और संप्रभुता के आधार पर अनुकूलन के ये निर्णय लगातार स्वयं लेने चाहिए। RAVEL में हम जिस भविष्य की दिशा में काम कर रहे हैं, वह यही है: एक बुद्धिमान समन्वय परत, जो संगठन की नीतियों और नियंत्रणों को बनाए रखते हुए कार्यभारों को फेडरेटेड AI अवसंरचना में एक जगह से दूसरी जगह ले जाने की सुविधा देती है। क्लाउड ने माँग पर कंप्यूटिंग क्षमता उपलब्ध कराई। मेरा मानना है कि AI अवसंरचना की अगली पीढ़ी माँग पर अनुकूलन उपलब्ध कराएगी।

इस बेहतरीन साक्षात्कार के लिए धन्यवाद। जो पाठक वितरित अवसंरचना में AI कार्यभारों के समन्वित संचालन के बारे में अधिक जानना चाहते हैं, वे RAVEL पर जाएँ।