ინტერვიუები
ომრი გელერი, Run:AI – ინტერვიუს სერიის აღმასრულებელი დირექტორი და თანადამფუძნებელი
ომრი გელერი არის აღმასრულებელი დირექტორი და თანადამფუძნებელი გაშვება: AI
Run: AI ვირტუალიზებს და აჩქარებს AI-ს GPU გამოთვლითი რესურსების გაერთიანებით, რათა უზრუნველყოს ხილვადობა და, საბოლოო ჯამში, კონტროლი რესურსების პრიორიტეტიზაციასა და განაწილებაზე. ეს უზრუნველყოფს, რომ ხელოვნური ინტელექტის პროექტები ბიზნეს მიზნებთან არის დაკავშირებული და უზრუნველყოფს მონაცემთა მეცნიერების გუნდების პროდუქტიულობის მნიშვნელოვან გაუმჯობესებას, რაც მათ საშუალებას აძლევს შექმნან და მოამზადონ ერთდროულად მოდელები რესურსების შეზღუდვის გარეშე.
რა იყო ის, რამაც თავიდან მიგიზიდათ ხელოვნური ინტელექტი?
როდესაც დავიწყე ბაკალავრის ხარისხი ელექტრო და ელექტრონიკის ინჟინერიაში თელ-ავივის უნივერსიტეტში, აღმოვაჩინე მომხიბლავი რამ ხელოვნური ინტელექტის შესახებ, რაც ვიცოდი, რომ დაგვეხმარებოდა გამოთვლითი შესაძლებლობების შემდეგ საფეხურზე გადაყვანაში. იქიდან ვიცოდი, რომ მინდოდა საკუთარი თავის ინვესტირება AI სივრცეში. იქნება ეს ხელოვნური ინტელექტის კვლევაში, თუ კომპანიის გახსნა, რომელიც დაეხმარება მსოფლიოში ხელოვნური ინტელექტის გამოყენების ახალი გზების დანერგვას.
ყოველთვის გქონიათ ინტერესი კომპიუტერული ტექნიკით?
როდესაც ექვსი ან შვიდი წლის ასაკში მივიღე ჩემი პირველი კომპიუტერი Intel 486 პროცესორით, მაშინვე დავინტერესდი, როგორ მუშაობდა ყველაფერი, მიუხედავად იმისა, რომ ალბათ ძალიან ახალგაზრდა ვიყავი ამის გასაგებად. სპორტის გარდა, კომპიუტერი ჩემი ერთ-ერთი ყველაზე დიდი ჰობი გახდა. მას შემდეგ ავაშენე კომპიუტერები, ვმუშაობდი მათთან და გავაგრძელე სწავლა ამ სფეროში, ბავშვობაში გატაცების გამო.
რა იყო თქვენი შთაგონება Run:AI-ის გაშვების უკან?
თავიდანვე ვიცოდი, რომ მინდოდა საკუთარი თავის ინვესტირება AI სივრცეში. ბოლო ორი წლის განმავლობაში, ინდუსტრიამ განიცადა ხელოვნური ინტელექტის უზარმაზარი ზრდა და ამ ზრდის დიდი ნაწილი მოვიდა როგორც კომპიუტერულ მეცნიერებზე, ისევე როგორც მე, ასევე აპარატურას, რომელსაც შეეძლო მეტი აპლიკაციის მხარდაჭერა. ჩემთვის უფრო ნათელი გახდა, რომ აუცილებლად დავიწყებდი კომპანიას - და ჩემს თანადამფუძნებელ რონენ დართან ერთად - გავაგრძელებდი ინოვაციებს და დავეხმარებოდი AI-ს უფრო საწარმო კომპანიებში მოყვანაში.
Run:AI საშუალებას აძლევს მანქანათმცოდნეობის სპეციალისტებს მიიღონ ახალი ტიპის კონტროლი ძვირადღირებული GPU რესურსების განაწილებაზე. შეგიძლიათ ამიხსნათ როგორ მუშაობს ეს?
ის, რაც ჩვენ უნდა გვესმოდეს, არის ის, რომ მანქანათმცოდნეობის ინჟინრებმა, ისევე როგორც მკვლევარებმა და მონაცემთა მეცნიერებმა, უნდა მოიხმარონ გამოთვლითი ენერგია მოქნილი გზით. დღევანდელი უახლესი გამოთვლები არა მხოლოდ ძალიან ინტენსიურია გამოთვლებით, არამედ არის ახალი სამუშაო პროცესებიც, რომლებიც გამოიყენება მონაცემთა მეცნიერებაში. ეს სამუშაო ნაკადები ეფუძნება იმ ფაქტს, რომ მონაცემთა მეცნიერება ემყარება ექსპერიმენტებსა და ექსპერიმენტებს.
იმისათვის, რომ შევიმუშაოთ ახალი გადაწყვეტილებები უფრო ეფექტური ექსპერიმენტების ჩასატარებლად, ჩვენ უნდა შევისწავლოთ სამუშაო პროცესის ტენდენციები დროთა განმავლობაში. მაგალითად: მონაცემთა მეცნიერი იყენებს რვა GPU-ს ერთ დღეში, მაგრამ შემდეგ დღეს მათ შეიძლება გამოიყენონ ნული, ან შეუძლიათ გამოიყენონ ერთი GPU დიდი ხნის განმავლობაში, მაგრამ შემდეგ უნდა გამოიყენონ 100 GPU, რადგან მათ სურთ 100 ექსპერიმენტის ჩატარება. პარალელურად. მას შემდეგ რაც გავიგებთ ამ სამუშაო პროცესს ერთი მომხმარებლის დამუშავების სიმძლავრის ოპტიმიზაციისთვის, შეგვიძლია დავიწყოთ მისი მასშტაბირება რამდენიმე მომხმარებლებზე.
ტრადიციული გამოთვლებით, GPU-ების კონკრეტული რაოდენობა ენიჭება თითოეულ მომხმარებელს, არ არის გათვალისწინებული მათი გამოყენება თუ არა. ამ მეთოდით, ხშირად, ძვირადღირებული GPU-ები უმოქმედოდ დგანან ისე, რომ სხვას არ შეუძლია მათზე წვდომა, რაც იწვევს GPU-ს დაბალი ROI. ჩვენ გვესმის კომპანიის ფინანსური პრიორიტეტები და ვთავაზობთ გადაწყვეტილებებს, რომლებიც საშუალებას იძლევა ამ რესურსების დინამიური განაწილება მომხმარებელთა საჭიროებების შესაბამისად. მოქნილი სისტემის შეთავაზებით, ჩვენ შეგვიძლია გამოვყოთ დამატებითი ენერგია კონკრეტულ მომხმარებელს საჭიროების შემთხვევაში, GPU-ების გამოყენებით, რომლებიც არ გამოიყენება სხვა მომხმარებლების მიერ, შევქმნათ მაქსიმალური ROI კომპანიის გამოთვლითი რესურსებისთვის და დავაჩქაროთ ინოვაცია და დრო AI გადაწყვეტილებების ბაზარზე.
Run:AI-ის ერთ-ერთი ფუნქციონალი ის არის, რომ ის საშუალებას გაძლევთ შეამციროთ GPU-ს სტატიკური განაწილებით შექმნილი ბრმა წერტილები. როგორ მიიღწევა ეს?
ჩვენ გვაქვს ინსტრუმენტი, რომელიც გვაძლევს სრულ ხილვადობას რესურსების კლასტერში. ამ ხელსაწყოს გამოყენებით, ჩვენ შეგვიძლია დავაკვირდეთ და გავიგოთ, არის თუ არა ბრმა წერტილები და შემდეგ გამოვიყენოთ ეს უმოქმედო GPU მომხმარებლებისთვის, რომლებსაც ესაჭიროებათ გამოყოფა. იგივე ინსტრუმენტი, რომელიც უზრუნველყოფს კლასტერში ხილვადობას და კონტროლს კლასტერზე, ასევე უზრუნველყოფს ამ ბრმა ლაქების შერბილებას.
ბოლო გამოსვლაში, თქვენ ხაზი გაუსვით გარკვეულ განსხვავებას build-სა და სასწავლო სამუშაო პროცესებს შორის, შეგიძლიათ ახსნათ, როგორ იყენებს Run:AI GPU რიგის მართვის მექანიზმს, რათა გამოყოს რესურსების მართვა ორივესთვის?
AI მოდელი აგებულია ორ ეტაპად. პირველ რიგში, არის მშენებლობის ეტაპი, სადაც მონაცემთა მეცნიერი წერს კოდს რეალური მოდელის შესაქმნელად, ისევე როგორც ინჟინერი ააშენებს მანქანას. მეორე არის ტრენინგის ეტაპი, სადაც დასრულებული მოდელი იწყებს სწავლას და „ტრენინგს“ კონკრეტული ამოცანის ოპტიმიზაციის შესახებ. ისევე, როგორც ვიღაც სწავლობს მანქანის მართვას მისი აწყობის შემდეგ.
თავად მოდელის შესაქმნელად, დიდი გამოთვლითი ძალა არ არის საჭირო. თუმცა, საბოლოოდ, მას შეიძლება დასჭირდეს უფრო ძლიერი დამუშავების ძალა, რათა დაიწყოს უფრო მცირე, შიდა ტესტები. მაგალითად, როგორც ინჟინერს სურს საბოლოოდ შეამოწმოს ძრავა, სანამ დააყენებს მას. თითოეული ეტაპის ამ განსხვავებული საჭიროებების გამო, Run.AI იძლევა GPU-ს გამოყოფას, მიუხედავად იმისა, აშენებენ თუ ავარჯიშებენ მოდელს, თუმცა, როგორც უკვე აღვნიშნეთ, უფრო მაღალი GPU-ს გამოყენება ჩვეულებრივ საჭიროა მოდელის ტრენინგისთვის, ხოლო ნაკლებია საჭირო მის შესაქმნელად. .
რამდენი ნედლეული გამოთვლითი დრო/რესურსი შეიძლება დაზოგონ ხელოვნური ინტელექტის შემქმნელებმა, რომლებსაც სურთ Run.AI-ს თავიანთ სისტემებში ინტეგრირება?
Run.ai-ზე ჩვენს გადაწყვეტილებებს შეუძლია გააუმჯობესოს რესურსების დიგიტალიზაცია, დაახლოებით ორ-სამჯერ, რაც ნიშნავს 2-3-ჯერ უკეთეს მთლიან პროდუქტიულობას.
გმადლობთ ინტერვიუსთვის, მკითხველს, ვისაც სურს მეტი გაიგოს, შეუძლიათ ეწვიონ გაშვება: AI.
