تحول جدید هوش مصنوعی
اتفاق جدید چیست؟ هوش مصنوعی باید داده‌های سازمان را بهتر درک کند
تا امروز، بخش زیادی از توجه بازار هوش مصنوعی روی مدل‌های زبانی بزرگ، قدرت پردازشGPU و تولید پاسخ‌های سریع متمرکز بوده است. اما در پروژه‌های واقعی سازمانی، یک مشکل مهم وجود دارد: اطلاعات موردنیاز هوش مصنوعی معمولاً در چندین سامانه و مخزن مختلف پراکنده است.
برای مثال، اطلاعات مشتریان ممکن است در یک پایگاه داده باشد، قراردادها در فایل‌سرور نگهداری شوند و سوابق فروش در نرم‌افزار دیگری قرار داشته باشند. هوش مصنوعی برای پاسخ دقیق باید بتواند اطلاعات مرتبط را پیدا کند، ارتباط آن‌ها را بفهمد و به داده‌هایی دسترسی داشته باشد که مجاز به استفاده از آن‌هاست.
در اطلاعیه ۶ اکتبر ۲۰۲۶، Dell Technologies از توسعه قابلیت‌هایی در پلتفرم داده هوش مصنوعی خود خبر داد که هدف آن‌ها فراهم‌کردن زمینه اطلاعاتی قابل‌اعتمادتر برای برنامه‌ها و عامل‌های هوش مصنوعی است. تمرکز این تحول فقط روی تولید پاسخ نیست؛ بلکه روی آماده‌سازی داده‌هایی است که پاسخ بر اساس آن‌ها شکل می‌گیرد.
چرا داده های پراکنده می توانند عملکرد AI را محدود کنند؟
فرض کنید یک شرکت تولیدی می‌خواهد از هوش مصنوعی برای پیدا کردن علت خرابی یکی از دستگاه‌های خود استفاده کند. برای پاسخ ممکن است به اطلاعات کاتالوگ قطعه و دستگاه، مشخصات قطعه و گزارش تعمیرات، حسگرها و سوابق تأمین‌کننده وابسته باشد.
اگر این اطلاعات جدا از هم نگهداری شوند و ارتباط میان آن‌ها مشخص نباشد، پیدا کردن پاسخ قابل‌اعتماد دشوارتر می‌شود.
چالش‌های اصلی عبارت‌اند از:
- پراکندگی داده‌ها: اطلاعات در فایل‌ها، پایگاه‌های داده و سامانه‌های گوناگون قرار دارند.
- نبود ارتباط معنایی: ممکن است یک مفهوم در سامانه‌های مختلف با نام‌های متفاوت ثبت شده باشد.
- تأخیر در آماده‌سازی اطلاعات: پیش از استفاده از داده‌ها، ممکن است لازم باشد آن‌ها جست‌وجو، پاک‌سازی، تبدیل یا دسته‌بندی شوند.
بنابراین، برای استفاده سازمانی از هوش مصنوعی، تنها داشتن مدل قدرتمند کافی نیست؛ داده باید قابل‌دسترسی، مرتبط، به‌روز و تحت کنترل باشد
DELL چه فناوری‌های جدیدی را معرفی کرده است؟
در اطلاعیه ۶ اکتبر ۲۰۲۶، Dell سه قابلیت مهم را برای توسعه پلتفرم داده هوش مصنوعی خود مطرح کرد
Unified Semantic Layer — لایه معنایی یکپارچه
این قابلیت برای ایجاد تعریف‌ها و معانی مشترک میان داده‌ها طراحی شده است. برای مثال، اگر یک سامانه از واژه «مشتری» و سامانه دیگر از «حساب مشتری» استفاده کند، سیستم می‌تواند ارتباط این مفاهیم را بهتر تشخیص دهد.
Enterprise Knowledge Graph — گراف دانش سازمانی
این فناوری برای نمایش ارتباط میان داده‌های ساختاریافته و غیرساختاریافته به کار می‌رود. به این ترتیب، عامل هوش مصنوعی می‌تواند برای پاسخ به یک پرسش، اطلاعات مرتبط را از منابع مختلف پیدا کند.
پردازش شتاب‌یافته داده
Dell از توسعه پردازش داده با استفاده از فناوری NVIDIA خبر داده است درآزمایش‌های داخلی اعلام‌شده توسط Dell، سرعت پردازش در مجموعه‌ای از بارهای کاری به‌طور میانگین نزدیک به چهار برابر پردازش صرفاً مبتنی بر CPU بوده است. این نتیجه مربوط به همان آزمایش‌هاست و تضمین عملکرد در همه محیط‌ها نیست.
نکته درباره زمان عرضه: طبق همان اطلاعیه، لایه معنایی یکپارچه و گراف دانش سازمانی برای نیمه اول سال ۲۰۲۷ برنامه‌ریزی شده بودند. قابلیت‌های پردازش داده با شتاب‌دهی NVIDIA برای دسامبر ۲۰۲۶ اعلام شده‌اند. این زمان‌بندی‌ها را باید از قابلیت‌هایی که در اکتبر ۲۰۲۶ در دسترس بوده‌اند، تفکیک کرد.
استوریج کجای این تحول قرار می‌گیرد؟
این بخش برای کسب‌وکارهایی که در حوزه تجهیزات زیرساخت فعالیت دارند، اهمیت ویژه‌ای دارد.
داده‌های هوش مصنوعی باید در جایی ذخیره شوند، در زمان مناسب بازیابی شوند و با سرعت کافی به سرویس‌ها و سامانه‌های پردازشی برسند. اگر زیرساخت ذخیره‌سازی با نیازهای مدل‌ها هماهنگ نباشد، دسترسی به داده می‌تواند به یکی از محدودیت‌های عملکرد تبدیل شود.
در سبد فناوری‌های Dell، راهکارهای مختلفی برای نیازهای متفاوت وجود دارند:
Dell PowerScale
ذخیره‌سازی فایل‌محور برای مجموعه‌های بزرگ فایل و داده‌های سازمانی؛ مناسب برای سناریوهایی که دسترسی به حجم بالایی از داده‌های فایل‌محور اهمیت
Dell ObjectScale
ذخیره‌سازی آبجکتی برای مجموعه‌های حجیم داده و برنامه‌های سازگار با رابط S3
Dell PowerStore
ذخیره‌سازی سازمانی برای بارهای کاری کارآمد، از جمله برنامه‌هایی که به ذخیره‌سازی بلوکی نیاز دارند. انتخاب آن برای یک پروژه AI باید با نیازهای واقعی همان پروژه تطبیق داده شود.این محصولات جایگزین مستقیم یکدیگر نیستند. انتخاب بین ذخیره‌سازی فایل، آبجکتی یا بلوکی به نوع داده، نرم‌افزار، ظرفیت، عملکرد و معماری کل زیرساخت بستگی دارد. Dell نیز در توضیحات پلتفرم داده هوش مصنوعی خود، برای انواع مختلف داده و بار کاری از موتورهای ذخیره‌سازی متفاوت استفاده می‌کند.
آیا استوریج سریع‌تر به معنی هوش مصنوعی دقیق‌تر است؟
نه لزوماً. این دو موضوع به هم مرتبط اند، اما یکسان نیستند. استوریج مناسب می‌تواند به دسترسی بهتر و سریع‌تر به داده کمک کند. مدیریت داده و ابزارهای جست‌وجو نیز می‌توانند اطلاعات مرتبط‌تری را در اختیار مدل قرار دهند. اما صحت پاسخ همچنان به کیفیت اطلاعات، روش بازیابی، تنظیمات مدل و کنترل دسترسی بستگی دارد.
- استوریج داده را نگهداری و در اختیار سامانه قرار می‌دهد.
- پردازش و مدیریت داده به آماده‌سازی و سازمان‌دهی اطلاعات کمک می‌کنند.
- نتیجه مطلوب زمانی به دست می‌آید که این اجزا در کنار هم و متناسب با نیاز سازمان طراحی شوند.
- هوش مصنوعی از اطلاعات در دسترس برای تحلیل و تولید پاسخ استفاده می‌کند.
- نتیجه مطلوب زمانی به دست می‌آید که این اجزا در کنار هم و متناسب با نیاز سازمان طراحی شوند.
-
این تحول برای مدیران IT و خریداران زیرساخت چه اهمیتی دارد؟
- با افزایش پروژه‌های هوش مصنوعی، مدیران IT باید علاوه بر ظرفیت ذخیره‌سازی، چند موضوع دیگر را نیز در نظر بگیرند:
- عملکرد موردنیاز برای خواندن و نوشتن داده
- امکان افزایش ظرفیت و توان عملیاتی در آینده
- سازگاری استوریج با سرورها و شبکه موجود
- امنیت، کنترل دسترسی و حفاظت از داده‌ها
- هزینه کل مالکیت و امکان توسعه زیرساخت
برای شرکت‌هایی که اکنون زیرساخت ذخیره‌سازی دارند، لزوماً خرید یک سامانه کاملاً جدید اولین قدم نیست. ابتدا باید مشخص شود محدودیت اصلی در کدام بخش است: ظرفیت، عملکرد استوریج، شبکه، پردازش داده یا نحوه دسترسی به اطلاعات. این ارزیابی کمک می‌کند انتخاب تجهیزات بر مبنای نیاز واقعی پروژه انجام شود.
-
جمع‌بندی
تحول جدید Dell در مدیریت داده برای هوش مصنوعی، توجه را از قدرت مدل به کل زنجیره داده نیز معطوف می‌کند. هوش مصنوعی سازمانی برای ارائه نتایج کاربردی به داده‌های مرتبط و قابل‌اعتماد، پردازش کارآمد و زیرساخت ذخیره‌سازی متناسب با بار کاری نیاز دارد.
برای آروند، نکته کلیدی این است که آینده استوریج فقط به افزایش ظرفیت محدود نمی‌شود؛ انتخاب معماری مناسب برای نگهداری، دسترسی و آماده‌سازی داده نیز اهمیت بیشتری پیدا می‌کند.