AI Storagemaxxing: GPU های شما بهینه شده اند، در مورد داده های شما چطور؟

سرمایه گذاری سازمانی در هوش مصنوعی، به طور قابل درک، بر محاسبات متمرکز شده است. دسترسی به پردازنده‌های گرافیکی، عملکرد مدل و هزینه استنتاج به ملاحظات اصلی تبدیل شده‌اند، زیرا سازمان‌ها حجم کاری هوش مصنوعی را از آزمایش به سمت تولید منتقل می‌کنند.

با این حال، بخش فزاینده ای از چالش های اقتصادی و عملیاتی در جای دیگری از زیرساخت ها قرار دارد. هوش مصنوعی در هر مرحله از چرخه حیات خود به داده‌ها بستگی دارد: مجموعه داده‌ها باید جمع‌آوری و آماده شوند، داده‌های آموزشی باید برای محاسبه در دسترس باشند، نقاط بازرسی و مصنوعات مدل باید حفظ شوند و ممکن است نیاز باشد که اطلاعات بین ارائه‌دهندگان زیرساخت با تغییر بار کاری و اولویت‌های تجاری جابجا شود.

همانطور که این حجم های کاری مقیاس می شوند، لایه ذخیره سازی در حال تبدیل شدن به یک جزء استراتژیک زیرساخت هوش مصنوعی با پیامدهای قابل توجهی برای اقتصاد هوش مصنوعی سازمانی است.

هوش مصنوعی نقش ذخیره سازی را تغییر می دهد

استراتژی های ذخیره سازی سنتی به طور کلی بر اساس ملاحظاتی مانند ظرفیت، در دسترس بودن، عملکرد و نگهداری ساخته شده اند. هوش مصنوعی بعد دیگری را معرفی می کند: رابطه بین ذخیره سازی و نیازهای متغیر محیط زیرساخت گسترده تر.

مراحل مختلف یک گردش کار هوش مصنوعی نیازمندی های ذخیره سازی متفاوتی دارند. داده هایی که به طور فعال پردازش می شوند ممکن است به زیرساخت های با کارایی بالا نیاز داشته باشند، در حالی که مجموعه داده های تاریخی، نقاط بازرسی و مصنوعات مدل ممکن است تاکید بیشتری بر دوام، امنیت، دسترسی و هزینه داشته باشند. بنابراین اعمال یک رویکرد ذخیره سازی در کل چرخه عمر می تواند منجر به استفاده ناکارآمد از زیرساخت شود.

این چالش به‌ویژه مهم است زیرا حجم داده‌های هوش مصنوعی می‌تواند قابل توجه باشد و همچنان که سازمان‌ها داده‌های آموزشی اضافی، نسخه‌های مدل و مصنوعات مرتبط را تولید می‌کنند، گسترش می‌یابد.

هدف نباید به حداقل رساندن مخارج ذخیره سازی به صورت مجزا باشد. باید اطمینان حاصل شود که داده ها در زیرساخت مناسب با نقش آن نگهداری می شوند، در حالی که عملکرد، امنیت و دسترسی مورد نیاز کسب و کار حفظ می شود.

این پایه و اساس چیزی است که می‌توان آن را به‌عنوان حداکثر ذخیره‌سازی هوش مصنوعی توصیف کرد: بهینه‌سازی سیستماتیک ذخیره‌سازی در طول چرخه عمر هوش مصنوعی برای اطمینان از همسویی سرمایه‌گذاری زیرساخت با الزامات تجاری و حجم کاری.

تحرک داده در حال تبدیل شدن به یک نیاز زیرساختی است

سازمان‌ها طیف گسترده‌تری از ارائه‌دهندگان زیرساخت، از جمله hyperscalers، ارائه‌دهندگان تخصصی GPU و پلتفرم‌های ابری نوظهور معروف به neoclouds را به کار می‌گیرند. اقتصاد و در دسترس بودن این محیط ها می تواند به سرعت تغییر کند و انگیزه هایی برای جابجایی حجم کاری بین ارائه دهندگان ایجاد کند. محاسبه می تواند نسبتا ساده برای تخصیص مجدد باشد. داده های مرتبط به طور قابل توجهی کمتر از تلفن همراه هستند.

مجموعه داده های آموزشی بزرگ و مصنوعات مدل می تواند گران و از نظر عملیاتی پیچیده برای انتقال باشد. در جایی که هزینه‌های قابل توجهی با انتقال یا بازیابی داده‌ها مرتبط است، سازمان‌ها ممکن است خود را با تصمیم‌های زیرساختی که در مراحل اولیه برنامه هوش مصنوعی آن‌ها گرفته شده، محدود ببینند و نوعی وابستگی ناخواسته ایجاد کنند.

بنابراین، توانایی انتقال داده‌ها باید هنگام طراحی زیرساخت‌های هوش مصنوعی در نظر گرفته شود، نه اینکه به‌عنوان یک امر احتمالی برای مهاجرت آینده در نظر گرفته شود. استانداردهای باز و ذخیره سازی قابل همکاری می توانند درجه مهمی از جدایی بین داده ها و محاسبات را فراهم کنند و به سازمان ها این امکان را می دهند تا استراتژی زیرساخت خود را با تغییر شرایط بازار تطبیق دهند.

برای رهبران فناوری، این یک ملاحظه گسترده‌تر از ارزیابی صرف هزینه ظرفیت ذخیره‌سازی ایجاد می‌کند. سوال مربوطه کل هزینه اقتصادی و استراتژیک نگهداری داده ها در یک محیط خاص است.

بهینه سازی ذخیره سازی باید شامل امنیت باشد

مجموعه داده های آموزشی، اطلاعات اختصاصی و مصنوعات مدل می توانند ارزش تجاری قابل توجهی را نشان دهند. در همان زمان، تعداد برنامه‌ها و سیستم‌های خودکاری که با داده‌های سازمانی تعامل دارند، در حال افزایش است. بنابراین انعطاف پذیری ذخیره سازی باید بخشی از استراتژی امنیتی هوش مصنوعی باشد.

کپی‌های تغییرناپذیر، کنترل‌های دسترسی مناسب و فرآیندهای بازیابی قوی می‌توانند به سازمان‌ها کمک کنند تا از داده‌های حیاتی در برابر باج‌افزار، حذف تصادفی و تغییرات غیرمجاز محافظت کنند. این قابلیت‌ها به‌ویژه برای مجموعه‌های داده‌ای که بازآفرینی آن‌ها دشوار یا پرهزینه است، مهم هستند.

در نتیجه هنگام تعیین محل قرارگیری داده‌های هوش مصنوعی، امنیت باید در کنار عملکرد و هزینه در نظر گرفته شود. یک محیط ذخیره سازی که هزینه ها را کاهش می دهد، اما بازیابی غیرقابل قبول یا خطرات امنیتی ایجاد می کند، نشان دهنده بهینه سازی موثر نیست.

اقتصاد قابل پیش بینی اهمیت فزاینده ای پیدا خواهد کرد

هزینه های ذخیره سازی می تواند شامل ظرفیت، دسترسی، بازیابی و انتقال داده باشد. در جایی که پیش بینی این هزینه ها دشوار است، می توانند برنامه ریزی زیرساخت را پیچیده کرده و بر تصمیمات معماری تأثیر بگذارند. این امر به ویژه زمانی مشکل ساز می شود که سازمان ها نیاز به جابجایی مجموعه داده های بزرگ بین محیط های ذخیره سازی و محاسباتی دارند.

اقتصاد ذخیره‌سازی قابل پیش‌بینی به سازمان‌ها این امکان را می‌دهد که تصمیمات زیرساختی را بر اساس نیازهای حجم کار اتخاذ کنند تا عدم اطمینان در مورد هزینه دسترسی یا انتقال داده‌هایشان. این تمایز با بزرگ شدن حجم کاری هوش مصنوعی اهمیت فزاینده ای پیدا می کند. در طول آزمایش، تصمیمات زیرساختی می تواند نسبتا موقتی باشد.

در مقابل، بارهای کاری تولید ممکن است برای سال ها ادامه داشته باشد و مقادیر قابل توجهی از داده های مرتبط را تولید کند، بنابراین استراتژی ذخیره سازی به جای نیازهای یک بار کاری یا استقرار زیرساخت، باید چرخه عمر کامل آن داده ها را در نظر بگیرد.

نقش استراتژیک لایه داده

مرحله بعدی پذیرش هوش مصنوعی سازمانی، سازمان‌ها را ملزم می‌کند که فراتر از بهینه‌سازی محاسباتی نگاه کنند. پردازنده‌های گرافیکی حیاتی باقی خواهند ماند. کارایی مدل همچنان مهم باقی خواهد ماند. با این حال، هیچ کدام را نمی توان بدون در نظر گرفتن داده هایی که بار کاری هوش مصنوعی به آن بستگی دارد، به طور موثر بهینه کرد.

AI storagemaxxing یک چارچوب مفید برای اعمال این اصل فراهم می کند: ذخیره سازی باید به عنوان بخشی از مدل عملیاتی هوش مصنوعی در نظر گرفته شود. ذخیره سازی را بر اساس چندین معیار استراتژیک ارزیابی کنید: آیا برای حجم کاری مناسب است، آیا حفاظت و بازیابی کافی را ارائه می دهد، آیا از نظر اقتصادی قابل پیش بینی است و می توان داده ها را بدون اصطکاک با تکامل نیازمندی های زیرساخت منتقل کرد.

ما بهترین ابزار هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit