چگونه دو بومی بودن به معنای همزیستی VM/کانتینر و امنیت حاکمیتی در عصر هوش مصنوعی است.

فن‌آوران باتجربه با نوستالژی زمان ساده‌تری را به یاد می‌آورند که مدل «تک پشته‌ای» محاسبات سازمانی به‌عنوان رویکرد پیش‌فرض برای حل سردردهای قابلیت همکاری برگزار می‌شد.

در آن زمان، تصمیم گیرندگان فناوری اطلاعات آماده بودند تا در ازای در دسترس بودن و مدیریت پذیری که با یک محیط عملیاتی همگن همراه بود، از برخی انتخاب ها و انعطاف پذیری در نحوه تعیین سیستم های فناوری اطلاعات صرف نظر کنند.

با ظهور چند ابری، سخت‌افزار ویژه برنامه‌ها، نیازهای تجاری در حال تغییر و رقابت برای هوش مصنوعی، کتاب راهنمای قدیمی «یک اندازه برای همه» تا حد زیادی کنار گذاشته شده است. بسیاری از املاک فناوری اطلاعات تنوع تکنولوژیکی را پذیرفته اند، برخی به دلیل طراحی، برخی از طریق استانداردسازی، برخی به دلیل اینرسی.

محیط های سازمانی مدرن به طور ذاتی ناهمگن - و ذاتا پیچیده شده اند. آنها ترکیب متنوعی از نرم افزار سیستم، دستگاه های سخت افزاری، سرویس های ابری، برنامه های کاربردی قدیمی و غیره را اجرا می کنند.

پیشرفت هوش مصنوعی CPUهای استاندارد، پردازنده‌های گرافیکی تخصصی، بافت‌های شبکه سریع، خطوط لوله داده توزیع‌شده و مدل‌های استقرار جدید را به ارمغان آورده است که شامل ابرهای خصوصی، ابرهای عمومی، لبه‌ها و انتظارات ROI همیشه فزاینده است.

اما این بدان معنا نیست که برنامه ها و داده های موجود شرکت ها به سادگی ناپدید می شوند. یکی از نتایج آزمایش‌کننده اما اجتناب‌ناپذیر استقرار سریع هوش مصنوعی، به اصطلاح «شکاف VM-container» است. اینجاست که برنامه‌های تجاری حیاتی برای انتقال به کانتینرها همچنان در ماشین‌های مجازی اجرا می‌شوند، زیرا سرویس‌های بومی ابری اولویت دارند، کانتینر و در دسترس بودن Kubernetes را محدود می‌کنند. بنابراین، شرکت‌ها با چالش عملیاتی‌سازی هوش مصنوعی، بدون اجبار به مهاجرت‌های پیچیده یا ایجاد سیلوهای زیرساختی جدید مواجه هستند.

مواجهه با این شکاف تکنولوژیکی چالش های حادی برای مدیریت فناوری اطلاعات ایجاد می کند. بسیاری از استقرارهای جدید هوش مصنوعی مستقیما به کانتینرها می روند، در حالی که داده ها و برنامه های موجود - که هوش مصنوعی باید به آنها دسترسی داشته باشد - همچنان روی ماشین های مجازی اجرا می شود.

اجرای پشته‌های جداگانه برای ماشین‌های مجازی و کانتینرها، مشکلاتی را ایجاد می‌کند، مانند طرح‌های ظرفیت تکراری، قراردادهای پشتیبانی جداگانه، و حاکمیت پراکنده. و پس از سال‌ها تلاش برای فراتر رفتن از دام‌های داده‌های مخدوش‌شده، شرکت‌های خشمگین اکنون مجبورند با زیرساخت‌های مخفی دست و پنجه نرم کنند.

مدیریت مجزای VM و محیط های کانتینری اغلب به معنای استفاده ناکارآمد از منابع است. این به نوبه خود می تواند منجر به "ظرفیت رشته ای" شود - منابع محاسباتی نصب شده که نمی توانند برای پشتیبانی از بارهای کاری زنده استفاده شوند. خوشه‌های VM اغلب کمتر مورد استفاده قرار می‌گیرند در حالی که استخرهای کانتینری (مانند Kubernetes) بیش از حد تدارک دیده شده‌اند، بدون هیچ راه آسانی برای اشتراک‌گذاری منابع بدون مداخله دستی.

علاوه بر این، تکه تکه شدن زیرساخت VM/کانتینر می تواند یک گلوگاه عملیاتی برای هوش مصنوعی عامل ایجاد کند. تکه تکه شدن زیرساخت می تواند استقرار، یکپارچه سازی، حاکمیت و مقیاس بندی عوامل را پیچیده کند، بنابراین عملیاتی کردن و مقیاس بندی هوش مصنوعی عاملی را به صورت ایمن و پیوسته دشوارتر می کند. هنگامی که عوامل هوش مصنوعی نمی توانند به طور مستقل در بین محیط ها ارتباط برقرار کنند، کاربرد آنها از حل کننده های مستقل مستقل به ماکروهای محلی ساده کاهش می یابد.

کانتینرها به دلیل استقبال گسترده از برنامه های کاربردی مجهز به هوش مصنوعی در حال افزایش هستند. هشتاد و پنج درصد از مدیران فناوری اطلاعات که در آخرین نظرسنجی Nutanix در نظرسنجی Enterprise Cloud Index شرکت کردند، فکر می‌کنند که هوش مصنوعی در حال تسریع پذیرش کانتینرها توسط سازمانشان به روشی معنادار است. 29 درصد فکر می کنند که این امر "تا حد زیادی" سرعت پذیرش را افزایش می دهد.

هارشا کوتیکلا، مدیر ارشد بازاریابی محصولات و راهکارها در Nutanix می‌گوید: «هوش مصنوعی تغییر به کانتینرها را تسریع می‌کند زیرا مدل‌های یادگیری ماشین به بسته‌بندی وابستگی شدید نیاز دارند، در حالی که برنامه‌ها و داده‌های حیاتی در هر دو محیط مجازی و کانتینری پخش می‌شوند.

او توضیح می دهد که عوامل ذاتا چند لایه هستند. استنتاج معمولا مبتنی بر کانتینر و پردازشگر گرافیکی است، در حالی که عامل‌ها اغلب مبتنی بر کانتینر و CPU هستند و برنامه‌های کاربردی و داده‌های سازمانی موجود عمدتا در محیط‌های VM باقی می‌مانند. چالش این است که این سطوح را کنار هم قرار دهیم تا نمایندگان بتوانند با برنامه‌های کاربردی و داده‌های سازمانی کار کنند، بدون اینکه مهاجرت اجباری یا ایجاد سیلوهای زیرساختی اضافی داشته باشند.

در همین حال، چشم انداز برنامه به همان اندازه متنوع شده است. بسیاری از سازمان‌ها به طور همزمان برنامه‌های سنتی سازمانی را اجرا می‌کنند که بر روی ماشین‌های مجازی، برنامه‌های کانتینری، برنامه‌های کاربردی هوش مصنوعی توزیع‌شده و عوامل هوشمند اجرا می‌شوند، با بارهای کاری مستقر در ابر خصوصی، ابر عمومی و لبه. هر محیطی ابزارهای مدیریتی، فرآیندهای عملیاتی، قوانین امنیتی و مدل‌های حاکمیتی خاص خود را دارد.

کوتیکلا می‌گوید: «قابلیت مدیریت برای ارتقای متناسب با مشکل مواجه شده است، اما افزودن کنسول‌های بیشتر یا ساخت تیم‌های عملیاتی مجزا برای هر پشته فناوری لزوما این پیچیدگی را حل نمی‌کند: «در بسیاری از موارد، آن را افزایش می‌دهد.»

با این حال، کوتیکلا این ایده را به چالش می‌کشد که شرکت‌های مخمصه در مواجهه با شکاف VM-کانتینر غیرقابل حل است. در عوض، چالش حرکت به سمت یک مدل عملیاتی یکپارچه است که به آنها امکان می دهد هوش مصنوعی عاملی را عملیاتی کنند و در عین حال انعطاف پذیری را در محیط های موجود و جدید خود حفظ کنند.

کوتیکلا می گوید: «به جای تلاش برای کار بر روی ناهمگونی، اکنون هدف باید این باشد که محیط های ناهمگن را با سیاست های هدفمند سازگار کنیم. اینجاست که معماری دوگانه Nutanix وارد می‌شود و شرکت‌ها را قادر می‌سازد تا هوش مصنوعی عاملی را در استنتاج مبتنی بر کانتینر و بارهای کاری عامل در کنار برنامه‌ها و داده‌های مبتنی بر VM، از طریق یک مدل عملیاتی سازگار، عملیاتی کنند.

کوتیکلا پیشنهاد می کند واقعیت این است که روند مهاجرت VM به کانتینر کند است. تعداد کمی از شرکت ها از ابتدا با کانتینر شروع می کنند. بسیاری از آنها برنامه‌های تجاری قدیمی‌ای را در معماری‌های قدیمی دارند، که در راس آن‌ها برنامه‌های مبتنی بر کانتینر را می‌سازند، اما عمدتا برای جایگزینی چیزی که قبلا روی ماشین‌های مجازی در حال اجرا هستند، نیستند. در عوض، آنها سرمایه گذاری VM خود را طولانی می کنند.

این موضوع علاقه مشتری است که بداند Nutanix چگونه یک معماری تحت کنترل و دوگانه بومی را از طریق Nutanix Cloud Platform خود - NCP - ارائه می‌کند که ماشین‌های مجازی سنتی و بارهای کاری هوش مصنوعی مبتنی بر کانتینری/Kubernetes را همزمان بر روی یک زیرساخت منفرد و ثابت اجرا می‌کند.

زیرساخت ابر ترکیبی NCP محاسبات، ذخیره سازی، مجازی سازی و مدیریت را در منابع داخلی، ابرهای عمومی و لبه یکسان می کند. این در هماهنگی با Nutanix Enterprise AI (NAI) کار می‌کند، که قابلیت‌های نرم‌افزاری را برای استقرار، مدیریت و مقیاس‌گذاری حجم‌های کاری هوش مصنوعی فراهم می‌کند.

کوتیکلا توضیح می‌دهد که مشارکت‌های فناوری برای ایجاد قابلیت پشتیبانی هوش مصنوعی در مجموعه هوش مصنوعی Nutanix حیاتی هستند. Nutanix و NVIDIA با هم همکاری می کنند تا یک پلت فرم یکپارچه برای هوش مصنوعی سازمانی فراهم کنند، زیرساخت و نرم افزار ابری ترکیبی Nutanix را با محاسبات و نرم افزار هوش مصنوعی NVIDIA تسریع کرده است. Nutanix Enterprise AI استقرار، مدیریت و عملکرد ایمن مدل های AI، ادغام microservices و پشتیبانی از NeMoAI سازمانی را ساده می کند. گردش کار هوش مصنوعی عاملی."

در همین حال، "پلتفرم Nutanix Kubernetes پایه و اساس مدیریت محیط های Kubernetes را فراهم می کند، در حالی که Nutanix Unified Storage دسترسی به داده های با کارایی بالا مورد نیاز بارهای کاری هوش مصنوعی را ارائه می دهد. این قابلیت ها در کنار هم به شرکت ها کمک می کند تا هوش مصنوعی را گسترش داده و مقیاس کنند و در عین حال کنترل بر زیرساخت ها، مدل ها و داده های خود را حفظ کنند."

پشته فرصت

کوتیکلا خاطرنشان می‌کند: «در یک دنیای ایده‌آل فناوری اطلاعات، شما نمی‌خواهید دو پشته عملیاتی متفاوت را مدیریت کنید – اما دنیای فناوری اطلاعات به ندرت «ایده‌آل» است. بنابراین شما باید از منظری واقع بینانه به چالش نزدیک شوید.

او می‌افزاید: «پلتفرمی که ماشین‌های مجازی و کانتینرها را یکپارچه می‌کند، با خلاص شدن از شر آن سیلوهای زیرساختی و ارائه یک هواپیمای کنترلی، ارزش زمان به ارزش توسعه‌دهنده را بهبود می‌بخشد.» به‌جای اینکه تیم‌های توسعه مجبور باشند خطوط لوله مجزا برای ماشین‌های مجازی موجود و برنامه‌های کاربردی کانتینری را مدیریت کنند، یک پلتفرم یکپارچه «هر دو را به‌عنوان سرویس‌هایی با وضعیت و اهمیت برابر در نظر می‌گیرد».

Kotikela می‌گوید NAI یک پلتفرم یکپارچه و امن برای استقرار، مدیریت و مقیاس‌بندی حجم‌های کاری هوش مصنوعی ارائه می‌کند. این به شرکت‌ها حاکمیت بر نمایندگان و مدل‌هایشان، دید کامل در استفاده از توکن‌ها را می‌دهد و توسعه هوش مصنوعی را با یک رابط ساده که با زیرساخت‌های موجود ادغام می‌شود، ساده می‌کند.

آژانس دادن به نمایندگان

به گفته Kotikela، فاز بعدی هوش مصنوعی عاملی با توانایی عملکرد عوامل با حاکمیت، دید و کنترل سنجیده می‌شود: "این چیزی است که ما قصد داریم با جدیدترین نسخه NAI حل کنیم. نسخه 2.8 به تکامل NAI با قابلیت‌های کنترل و حاکمیت جدید در سراسر Nutanix Agent Gateway و Nutanix Agent Gateway و Nutanix Private ادامه می‌دهد. پل LLM های ابری عمومی را با مدل های خصوصی خود میزبانی کنید و هوش مصنوعی را در جایی که داده ها قبلا وجود دارد، مستقر کنید.

کوتیکلا می‌افزاید: «وقتی با مشتریان صحبت می‌کنم، به من می‌گویند که می‌خواهند بین مدل‌های مرزی و منبع باز بر اساس عملکرد و هزینه، و همچنین انعطاف‌پذیری برای اجرای بارهای کاری هوش مصنوعی در فضای ابری برای آزمایش و انتقال آن‌ها در محل زمانی که به کنترل بیشتری بر روی داده‌هایشان نیاز دارند یا الزامات حاکمیتی دارند، آزادی انتخاب داشته باشند.

به موقع بدوزید

برای Kotikela، بزرگترین چالش پیش رو این است که "عملیاتی کردن هوش مصنوعی عامل - گرد هم آوردن تمام اجزای مورد نیاز برای کارکرد آن - از پردازنده‌های گرافیکی و زیرساخت‌های زیربنایی گرفته تا Kubernetes، مدل‌های هوش مصنوعی، موتورهای استنتاج و دروازه‌ها. این مؤلفه‌ها باید به‌طور یکپارچه در سرتاسر فضای ابری، داخلی، و محیط‌های لبه با هم کار کنند. یکپارچه‌سازی و بهره‌برداری از معماری چندگانه، نیازمند زمان و تلاش قابل‌توجهی برای توسعه فناوری اطلاعات چندگانه است. و تیم‌های زیرساختی، منابع را از ارائه نتایج کسب‌وکار منحرف می‌کنند.»

کوتیکلا می‌گوید این جایی است که Nutanix ارزش ارائه می‌دهد. ما کارهای سنگینی را انجام داده‌ایم که زیرساخت‌ها و اجزای نرم‌افزاری مورد نیاز برای اجرای هوش مصنوعی Agentic را در یک مدل عملیاتی یکپارچه در محیط‌های ترکیبی گرد هم می‌آوریم. این به تیم‌های فناوری اطلاعات اجازه می‌دهد کمتر روی یکپارچه‌سازی و مدیریت پشته زیربنایی تمرکز کنند و بیشتر روی عملیاتی کردن هوش مصنوعی برای ارائه ارزش تجاری تمرکز کنند.»

در غرفه شماره 7042 درباره Nutanix در NVIDIA GTC Berlin اطلاعات بیشتری کسب کنید

حمایت شده توسط Nutanix