دحض أربع خرافات حول الذكاء الاصطناعي، والتعلم الآلي، وتخزين البيانات لتحقيق عمل فعال

كشف كورتيس أندرسون، مهندس البرمجيات في شركة Panasas والرئيس المشارك لمجموعة عمل التخزين في MLCommons، مؤخراً عن أهمية تخزين البيانات في الذكاء الاصطناعي والتعلم الآلي (AI/ML). وشدد على أن بنية تخزين مناسبة أمر حاسم للعمل الفعال لتطبيقات الذكاء الاصطناعي والتعلم الآلي. 

التأثير المتزايد للذكاء الاصطناعي والتعلم الآلي

في جوهره، يتعلق الذكاء الاصطناعي والتعلم الآلي بالتعرف على الأنماط. ويمكنه إحداث ثورة في العمليات التجارية ونتائج المؤسسات وحياة الناس. تتوقع شركة IDC أن يصل سوق الذكاء الاصطناعي العالمي، الذي يشمل البرمجيات والأجهزة والخدمات، إلى 900 مليار دولار بحلول عام 2026، بمعدل نمو سنوي مركب يبلغ 18.6% من عام 2022 إلى عام 2026. 

مع زيادة اعتماد الذكاء الاصطناعي والتعلم الآلي، يجب على فرق تكنولوجيا المعلومات التركيز على بناء وإدارة بنية تحتية يمكنها دعم هذه القدرات والتوسع للنمو المستقبلي. أحد المكونات التي غالباً ما يتم التقليل من شأنها وسوء فهمها في هذه العملية هي بنية تخزين البيانات اللازمة لهذه التطبيقات الناشئة.

دحض أربع خرافات شائعة حول تخزين الذكاء الاصطناعي والتعلم الآلي

خرافة 1: الذكاء الاصطناعي والتعلم الآلي يتعلقان فقط بوحدة معالجة الرسومات (GPU)

بينما كانت وحدات معالجة الرسومات ذات القوة الحسابية العالية عاملاً محورياً في إحياء تطبيقات الذكاء الاصطناعي والتعلم الآلي والشبكات العصبية، إلا أنها ليست المكون الحاسم الوحيد. إن التخزين والشبكات، اللذين يضمنان توفر البيانات للمسرعات، مهمان بنفس القدر. يجب أن يكون اختيار بنية التخزين والشبكات مدروساً بعناية مثل اختيار وحدة معالجة الرسومات. 

خرافة 2: الذكاء الاصطناعي والتعلم الآلي يتطلبان تخزيناً فائق السرعة عالي الـ IOPs

على عكس الاعتقاد الشائع، لا يتعلق تخزين الذكاء الاصطناعي والتعلم الآلي بالسرعة فحسب. قد لا تكون أنظمة التخزين الفائق السرعة عالي الـ IOPs دائماً الخيار الأفضل. تختلف أداء المسرعات وتطبيقات الذكاء الاصطناعي والتعلم الآلي، وفي بعض الحالات، يمكن لنظام هجين أن يعمل بنفس جودة حل NVMe الكامل ولكن بتكلفة أقل. يمكن للمعايير المستقلة مثل MLPerf أن توجه فرق تكنولوجيا المعلومات في العثور على التوازن الأمثل بين مسرعات الحوسبة وأعباء عمل الذكاء الاصطناعي والتعلم الآلي وخيارات التخزين.

خرافة 3: تصنيف التخزين سيخفض تكاليف الذكاء الاصطناعي والتعلم الآلي

بينما تعد التخزين المتدرج استراتيجية شائعة لتحسين موارد التخزين وتقليل التكاليف، إلا أنها لا تنطبق على تطبيقات الذكاء الاصطناعي والتعلم الآلي. في الذكاء الاصطناعي والتعلم الآلي، يتم استخدام جميع بيانات التدريب في كل عملية تدريب، مما يجعل جميع البيانات "ساخنة". لذلك، يجب أن تضمن حلول تخزين الذكاء الاصطناعي والتعلم الآلي توفر جميع البيانات دائماً. علاوة على ذلك، تتحسن دقة أعباء عمل الذكاء الاصطناعي والتعلم الآلي مع حجم بيانات التدريب، مما يستلزم بنية تخزينية يمكنها التوسع خطياً مع نمو أحجام البيانات.

خرافة 4: يمكن للذكاء الاصطناعي والتعلم الآلي استخدام نظام تخزين مخصص للاستخدام الواحد

يكون الذكاء الاصطناعي والتعلم الآلي قيماً بشكل أكبر عند تطبيقه على البيانات الأساسية للمنظمة. بالنسبة للعديد من الشركات، انتقل الذكاء الاصطناعي والتعلم الآلي من كونه مشروعاً جانبياً تجريبياً إلى أن أصبح جزءاً لا يتجزأ من عملياتها. لذلك، يجب دمج هذه التطبيقات في البنية التحتية لتكنولوجيا المعلومات وحلول التخزين الأساسية للمنظمة.

من المتوقع أن تدفع ابتكارات الذكاء الاصطناعي والتعلم الآلي تحولات كبيرة عبر المؤسسات، مما يؤثر على كل جانب تقريبا من جوانب المنظمة. وفقاً لدورة hype الخاصة بـ Gartner، من المتوقع أن تصل تقنيات مثل الذكاء الاصطناعي على الحافة، وذكاء القرار، والتعلم العميق إلى اعتمادها على نطاق واسع خلال العامين إلى الخمسة أعوام القادمة. مع انخراط المؤسسات في رحلتها نحو الذكاء الاصطناعي والتعلم الآلي، سيؤدي اختيار بنية التخزين الأساسية دوراً محورياً في تعظيم إمكانات هذه التطبيقات.