هوش مصنوعی آماده است تا مراکز داده را به طرق مختلف تغییر دهد – مانند توسط تغییر بازار کار مرکز داده و بهبود نظارت بر مرکز داده و عملیات واکنش به حادثه.
با این حال، شاید بیشترین تأثیری که هوش مصنوعی بر روی مراکز داده اعمال می کند، به شکل تغییراتی در نحوه کار مراکز داده خواهد بود. زیرساختی که تسهیلات در آن قرار دارند و نحوه مدیریت آن باید برای کسب و کارهایی که می خواهند از فناوری مدرن هوش مصنوعی بهره کامل ببرند، تغییر کند.
هنوز مشخص نیست که مراکز داده دقیقاً چگونه در پاسخ به هوش مصنوعی تکامل مییابند، اما در اینجا نگاهی به چندین تغییر کلیدی که باید انتظار داشت میپردازیم.
نیازهای منحصر به فرد هوش مصنوعی در مراکز داده
برای ارزیابی تأثیر هوش مصنوعی بر روی مراکز داده، ابتدا باید بفهمید که چگونه بار کاری هوش مصنوعی با سایر انواع بار کاری (مانند میزبانی برنامه استاندارد) که در یک مرکز داده با آن مواجه می شوید، متفاوت است.
در حالی که بارهای کاری هوش مصنوعی به اشکال مختلف با الزامات مختلف وجود دارد، اکثر آنها تابع نیازهای منحصر به فرد زیر هستند:
- آنها به مقادیر زیادی از منابع محاسباتی نیاز دارند، به ویژه هنگام انجام آموزش مدل.
- آنها از اجرای بر روی سخت افزارهای بدون فلز سود می برند، به ویژه سرورهایی که دسترسی به آنها را فراهم می کنند واحدهای پردازش گرافیکی (GPU).
- نرخ مصرف منابع آنها ممکن است به طور قابل توجهی در نوسان باشد. در طول مرحله آموزش، حجم کاری هوش مصنوعی به منابع عظیمی نیاز دارد، اما پس از تکمیل آموزش، مصرف منابع در بیشتر موارد به میزان قابل توجهی کاهش می یابد – تا زمانی که زمان آموزش مجدد مدل فرا برسد.
- آنها برای تصمیم گیری و ارائه نتایج در زمان واقعی به شبکه هایی با تاخیر بسیار کم نیاز دارند.
برای اطمینان، سایر انواع بارهای کاری نیز ممکن است این الزامات را داشته باشند. اجرای برنامهها و سرویسهای هوش مصنوعی تنها نوع استفادهای نیست که میتواند از سرورهای بدون فلز بهره مند شود. اما به طور کلی، نرم افزار هوش مصنوعی به انواع منابعی که در بالا توضیح داده شد به میزان بسیار بیشتری نسبت به انواع دیگر حجم کاری نیاز دارد.
به روز رسانی مراکز داده برای هوش مصنوعی
بسیاری از اپراتورهای مراکز داده برای بهینه سازی امکانات خود برای بار کاری هوش مصنوعی باید تغییراتی ایجاد کنند که نیازهای منحصر به فرد هوش مصنوعی را برطرف کند. در اینجا نگاهی به به روز رسانی های کلیدی مرکز داده در این زمینه داریم.
1. طراحی مجدد یا جایگزینی سرورهای بدون فلز
حداقل در دهه گذشته، ماشینهای مجازی منبع زیرساختی برای میزبانی بارهای کاری بودهاند. اما با توجه به نیاز به برنامهها و خدمات هوش مصنوعی برای سختافزار فلزی لخت، اپراتورهای مراکز داده بیشتری احتمالاً توسعه پیشنهادات فلزی خالی را مهم میدانند.
از برخی جهات، این در واقع عملیات مرکز داده را ساده می کند. اگر بارهای کاری را روی فلز خالی اجرا کنید، در نهایت با یک پشته میزبانی کمتر پیچیده مواجه می شوید زیرا هیپروایزر و ارکسترهای VM را در ترکیب ندارید.
از سوی دیگر، گسترش زیرساختهای بدون فلز برای میزبانی بارهای کاری ممکن است به مراکز داده نیاز داشته باشد تا انواع سرورهایی را که میزبانی میکنند و رکهایی که سرورها در آنها زندگی میکنند بهروزرسانی کنند. به طور معمول، سادهترین راه برای راهاندازی سرورها در یک مرکز داده، دستیابی به ماشینهای فلزی بسیار قدرتمند و سپس تقسیم آنها به تعداد ماشینهای مجازی به تعداد حجم کاری شما بود. اما اگر نیاز دارید بارهای کاری را مستقیماً روی فلز خالی اجرا کنید، ممکن است به سرورهای بیشتری برای جداسازی بارهای کاری نیاز داشته باشید – این بدان معناست که مراکز داده باید سرورهای پرقدرت را با سرورهای کوچکتر تعویض کنند و احتمالاً رک های سرور را بر این اساس به روز کنند.
2. دسترسی مشترک به سرورهای مجهز به GPU
اگرچه بسیاری از بارهای کاری هوش مصنوعی هنگام انجام آموزش می توانند از سرورهای مجهز به GPU بهره مند شوند، برنامه های هوش مصنوعی لزوماً برای عملیات روزمره به GPU نیاز ندارند. به همین دلیل، بسیاری از کسب و کارها فقط به صورت موقت به زیرساخت های مجهز به GPU نیاز دارند.
برای پاسخگویی به این تقاضا، اپراتورهای مرکز داده باید پیشنهاداتی را در نظر بگیرند که به شرکتها اجازه میدهد دسترسی به زیرساختهای مجهز به GPU را به اشتراک بگذارند. نسبتاً تعداد کمی از مشاغل تمایل دارند سرورهای مجهز به GPU داشته باشند زیرا به طور دائم به آنها نیاز ندارند. اما اگر اپراتورهای مرکز داده بتوانند به طور موقت به GPU دسترسی داشته باشند – مانند از طریق a GPU-به عنوان یک سرویس مدل – آنها در موقعیت قوی تری برای جذب مشاغل با نیازهای بار کاری هوش مصنوعی هستند.
3. راه حل های شبکه پیشرفته
اکثر مراکز داده درجه سازمانی در حال حاضر دسترسی به زیرساخت شبکه با کارایی بالا و همچنین فراهم می کنند به هم متصل می شود که به انتقال داده ها به امکانات خارجی در سریع ترین زمان ممکن کمک می کند. اما برای استفاده کامل از هوش مصنوعی، ارائههای شبکههای مراکز داده احتمالاً باید قویتر شوند.
مشاغل با حجم کاری هوش مصنوعی به دنبال دو ویژگی کلیدی خواهند بود: اول، اتصالات شبکه با پهنای باند بالا که می تواند حجم عظیمی از داده ها را به سرعت جابجا کند، که در هنگام آموزش مدل های هوش مصنوعی در زیرساخت های توزیع شده مهم است. و دوم، آنها شبکههایی میخواهند که بتوانند تأخیر تک رقمی ارائه دهند، که اگر میخواهید برنامهها و سرویسهای هوش مصنوعی در زمان واقعی کار کنند، ضروری است.
4. انعطاف پذیری بیشتر در مرکز داده
از آنجایی که بارهای کاری هوش مصنوعی نیازمند منابع نوسانی گسترده ای هستند، احتمالاً تقاضا برای مراکز داده ای ایجاد می کنند که از نظر میزان زیرساخت مورد نیاز برای پشتیبانی، انعطاف پذیرتر باشند. هوش مصنوعی همچنین ممکن است علاقه بیشتری را به خدماتی که به شرکتها اجازه میدهد جلب کند سرورهای درخواستی را در مرکز داده شخص دیگری مستقر کنید، به جای راه اندازی خود آن سرورها، زیرا زیرساخت های درخواستی راه خوبی برای رفع نیازهای نوسان منابع است.
برای این منظور، اپراتورهای مراکز داده که می خواهند برای هوش مصنوعی بهینه سازی کنند، باید پیشنهاداتی را در نظر بگیرند که امکانات آنها را انعطاف پذیرتر می کند. قراردادهای کوتاهمدت، همراه با خدماتی که بیشتر از فضای قفسهای را شامل میشود که مشتریان میتوانند زیرساختهای خود را راهاندازی کنند، احتمالاً به جذب سازمانهایی که نیاز به استقرار بارهای کاری هوش مصنوعی دارند، کمک میکند.
نتیجه
باز هم، انقلاب هوش مصنوعی هنوز در حال انجام است و هنوز خیلی زود است که بدانیم هوش مصنوعی چگونه نحوه عملکرد مراکز داده یا نوع زیرساخت مستقر در آنها را تغییر خواهد داد. اما این یک شرط نسبتا مطمئن است که تغییراتی مانند سرورهای بیشتر مجهز به GPU و راه حلهای انعطافپذیرتر احتمالاً در دنیای مبتنی بر هوش مصنوعی حیاتی است. اپراتورهای مرکز داده که میخواهند قطعهای از پای هوش مصنوعی خود را بگیرند، باید حتماً امکانات خود را بهگونهای به روز کنند که نیازهای ویژه بارهای کاری هوش مصنوعی را برآورده کند.