تجاوز اهتمام المؤسسات بالذكاء الاصطناعي التوليدي مرحلة التجريب. إذ يقوم مديرو تقنية المعلومات وقادة هندسة المنصات الآن بتقييم البنية التحتية القادرة على دعم نماذج اللغة الضخمة، وخطوط استرجاع البيانات، وخدمات الاستدلال عالية الحجم. وغالبًا ما تواجه بيئات التجارب الأولية قيودًا بمجرد انتقال النماذج إلى مرحلة الإنتاج.
صُممت بنى الحوسبة السحابية التقليدية لاستضافة التطبيقات، وأحمال العمل التحليلية، وقواعد البيانات المعاملاتية. أما أحمال عمل الذكاء الاصطناعي العام فتفرض متطلبات مختلفة تمامًا. يتطلب تدريب النماذج قدرة حاسوبية متوازية هائلة. يجب أن تحافظ مسارات الاستدلال على زمن استجابة منخفض في ظل أحمال الطلبات العالية. يجب أن تتعامل بنية البيانات مع المعرفة المؤسسية غير المهيكلة على نطاق واسع.
متطلبات البنية التحتية التي يكافح السحاب التقليدي لتلبيتها
تعتمد نماذج اللغة الكبيرة على المعالجة المتوازية عبر مجموعات من وحدات معالجة الرسومات. تتطلب مسارات التدريب شبكات ذات نطاق ترددي عالٍ لنقل مجموعات البيانات الكبيرة بين أنظمة التخزين وعُقد الحوسبة دون إحداث أي تأخير.
تدمج البنية التحتية الجاهزة للذكاء الاصطناعي مجموعات وحدات معالجة الرسومات، وطبقات التخزين الموزعة، وأطر التنسيق القادرة على جدولة أحمال العمل كثيفة الحوسبة بكفاءة. وتتيح بيئات التنسيق القائمة على Kubernetes لفرق الهندسة إدارة مهام التدريب الموزعة عبر مجموعات حوسبة كبيرة مع الحفاظ على العزل بين أحمال العمل.
يؤثر تصميم الشبكة أيضاً على الأداء. تعمل البنى عالية الإنتاجية على تقليل زمن انتقال البيانات بين وحدات التخزين ووحدات معالجة الرسومات، مما يؤثر بشكل مباشر على كفاءة تدريب النموذج.
تُشكّل بنية الاستدلال تحديًا تشغيليًا آخر. إذ يجب على أنظمة الذكاء الاصطناعي العام في بيئة الإنتاج معالجة آلاف الطلبات المتزامنة مع الحفاظ على أوقات استجابة مناسبة لتفاعل المستخدم الحقيقي. وتدعم المنصات الأصلية للذكاء الاصطناعي مسارات استدلال مُحسّنة تُوزّع أحمال العمل على مجموعات وحدات معالجة الرسومات أو المعالجات المُسرّعة، وتُوسّع السعة ديناميكيًا مع تغيّر حركة البيانات.
تحدد هذه القرارات المعمارية ما إذا كانت أنظمة الذكاء الاصطناعي من الجيل الأول تعمل بشكل موثوق على نطاق المؤسسة.
منصات الحوسبة السحابية المؤسسية الأصلية للذكاء الاصطناعي وبنية الجيل الخامس للذكاء الاصطناعي
تدمج منصات الحوسبة السحابية الحديثة للمؤسسات والمصممة خصيصاً للذكاء الاصطناعي الحوسبة وهندسة البيانات وإدارة دورة حياة النماذج ضمن بيئة موحدة.
تتاح لفرق علوم البيانات إمكانية الوصول إلى بيئات تجريبية مضبوطة حيث يمكن تدريب النماذج وضبطها بدقة باستخدام مجموعات بيانات المؤسسة. وتتولى فرق هندسة المنصات إدارة توفير البنية التحتية، وتنسيق أحمال العمل، وخطوط نشر البرامج.
تتضمن طبقة المنصة عادةً أطر تدريب موزعة، ومخازن للميزات، وقواعد بيانات متجهة، وخطوط أنابيب لنشر النماذج. وتتيح هذه الإمكانيات مجتمعةً لفرق الهندسة نقل النماذج من بيئات التجريب إلى بيئات الإنتاج دون الحاجة إلى بناء بنية تحتية جديدة لكل مشروع.
تُصبح الرؤية التشغيلية بالغة الأهمية بمجرد دخول أحمال عمل الذكاء الاصطناعي العام حيز الإنتاج. تراقب أنظمة المراقبة استخدام وحدة معالجة الرسومات، وزمن استجابة الاستدلال، واستهلاك الذاكرة، ومعدل نقل البيانات. تُساعد هذه المقاييس فرق المنصة على تحديد أوجه القصور في البنية التحتية وتحسين تخصيص الموارد.
تعمل بيئة المنصة الموحدة على تقليل الاحتكاك التشغيلي بين فرق البحث التي تقوم بتطوير النماذج وفرق الهندسة المسؤولة عن تشغيل أنظمة الذكاء الاصطناعي الإنتاجية.
تحدد بنية البيانات فعالية الذكاء الاصطناعي العام
يعتمد أداء الذكاء الاصطناعي العام بشكل كبير على بنية بيانات المؤسسة. وتعتمد نماذج اللغة الكبيرة على معلومات منظمة وغير منظمة مستمدة من جميع أنحاء المؤسسة.
غالباً ما تُستخدم وثائق المنتج، وتفاعلات الدعم، وقواعد المعرفة، ومستودعات الهندسة، والسجلات التشغيلية كبيانات تدريب أو مصادر استرجاع لتطبيقات الذكاء الاصطناعي المؤسسي.
تعالج المنصات المصممة خصيصًا للذكاء الاصطناعي بيئات البيانات المجزأة من خلال طبقات بيانات موحدة تجمع بين بحيرات البيانات، وخطوط معالجة البيانات المتدفقة، وأنظمة البحث المتجهي. يُمكّن فهرسة المتجهات من البحث الدلالي عبر مجموعات كبيرة من المستندات. ثم تُزوّد خطوط توليد البيانات المُعززة بالاسترجاع النماذجَ بالمعرفة المؤسسية ذات الصلة أثناء عملية الاستدلال.
تعمل هذه البنية على تحسين دقة الإجابات وتقليل الهلوسات داخل تطبيقات الذكاء الاصطناعي للمؤسسات.
تظل ضوابط الأمان متكاملة بشكل وثيق مع بيئة البيانات. وتتيح سياسات الوصول القائمة على الأدوار، وأطر التشفير، وتتبع النسب للمؤسسات إدارة المعلومات الحساسة مع تمكين أنظمة الذكاء الاصطناعي من الوصول إلى المعرفة التي تحتاجها.
تشغيل أنظمة الذكاء الاصطناعي العام على نطاق الإنتاج
يؤدي تشغيل خدمات الذكاء الاصطناعي العام عبر بيئات المؤسسات إلى تعقيد تشغيلي لا تستطيع عمليات DevOps التقليدية إدارته بسهولة.
تتضمن المنصات المصممة خصيصاً للذكاء الاصطناعي طبقات تنسيق تتحكم في جدولة وحدات معالجة الرسومات، ونشر النماذج، وتوجيه الاستدلال. وتُخصص وحدات التحكم في البنية التحتية موارد الحوسبة ديناميكياً وفقاً لمتطلبات عبء العمل. وتراقب أنظمة المراقبة الأداء عبر مهام التدريب ونقاط نهاية الاستدلال.
تتيح طبقة التنسيق هذه لفرق الهندسة نشر نماذج جديدة مع الحفاظ على الاستقرار عبر أحمال العمل الحالية.
تعتمد المؤسسات التي تبني منصات الذكاء الاصطناعي الداخلية بشكل متزايد على هذه القدرات لدعم مساعدي المعرفة، ومساعدي المطورين، وأدوات التحليلات الذكية، ووكلاء الدعم الآليين الذين يعملون عبر أنظمة المؤسسة.
إشراك مشتري المؤسسات في تقييم البنية التحتية للذكاء الاصطناعي
غالباً ما يواجه مزودو البنية التحتية الذين يدخلون سوق الذكاء الاصطناعي العام تحدياً مختلفاً. فنادراً ما يستجيب مشترو المؤسسات الذين يبحثون في منصات الذكاء الاصطناعي لحملات التسويق واسعة النطاق.
عادةً ما تتضمن عملية صنع القرار مجموعة صغيرة من أصحاب المصلحة، بمن فيهم مديرو تقنية المعلومات، وقادة هندسة المنصات، والمسؤولون التنفيذيون في مجال علوم البيانات. يقوم هؤلاء المشترون بتقييم أطر البنية، ومعايير البنية التحتية، وقدرات المنصات قبل اختيار الموردين.
التسويق القائم على الحسابات مزودي البنية التحتية على التواصل مع صناع القرار هؤلاء من خلال رؤى تقنية مصممة خصيصًا لعملية التقييم الخاصة بهم. توليد العملاء المحتملين المؤسسات التي تبحث بنشاط في منصات الذكاء الاصطناعي، أو بنية تحتية لوحدات معالجة الرسومات، أو تحديث الحوسبة السحابية للمؤسسات.
بناء البنية التحتية الأساسية للذكاء الاصطناعي المؤسسي
أصبحت تقنيات الذكاء الاصطناعي من الجيل الجديد (GenAI) جزءًا لا يتجزأ من أنظمة المؤسسات. وتعتمد مساعدات المعرفة، ومساعدو الهندسة، ومنصات التحليلات، وأدوات تفاعل العملاء بشكل متزايد على نماذج لغوية ضخمة تعمل ضمن بيئات المؤسسات.
يتطلب دعم هذه القدرات بنية تحتية مصممة للحوسبة عالية الأداء، ومعالجة البيانات واسعة النطاق، والنشر المستمر للنماذج. توفر منصات الحوسبة السحابية المؤسسية المصممة خصيصًا للذكاء الاصطناعي الأساس المعماري اللازم لتشغيل أحمال عمل الجيل القادم من الذكاء الاصطناعي بكفاءة وموثوقية.
