هوش مصنوعی متناسب با هدف
خلاصه نکات کلیدی مصاحبه:
1. شروع کوچک و مقیاسپذیری تدریجی - با یک نمونه اولیه روی حداقل زیرساخت شروع کنید.
2. تمرکز بر Use Cases - کمتر از ۵ پروژه با ارزش تجاری بالا را اولویتبندی کنید.
3. معماریهای استاندارد و باز - از سیستمهای اختصاصی بزرگ (snowflake) اجتناب کنید.
4. پذیرش (Adoption) کلید موفقیت است - روی آموزش، اندازهگیری و بازرسی مداوم سرمایهگذاری کنید.
5. مدلهای مصرف انعطافپذیر - هزینه را با تقاضای واقعی هماهنگ کنید.
6. معماریهای تأییدشده - با تکیه بر تجربه شرکا، سرعت و کاهش ریسک را افزایش دهید.
7. حرکت به سمت استقرار ترکیبی (Hybrid) - بارهای کاری را در دیتاسنتر، ابر و لبه توزیع کنید.
8. یکپارچگی محاسبات و ذخیرهسازی - برای کاهش تأخیر و افزایش سرعت، این دو را به صورت یک سیستم واحد ببینید.
9. تغییر پرسش اصلی - از "چقدر بزرگ؟" به "چقدر هوشمندانه؟"
تیم لوآک، معاون گروه راهکارهای زیرساخت Dell Technologies، در مصاحبهای اختصاصی از لزوم شروع هوشمندانه و مقیاسپذیر در پروژههای هوش مصنوعی میگوید.
یک باور غلط و رایج، روند پذیرش هوش مصنوعی را در سازمانهای بریتانیایی کند کرده است: این باور که پذیرش هوش مصنوعی به یک بازطراحی کامل و پرهزینه زیرساختهای فناوری اطلاعات نیاز دارد. به گفته تیم لوآک، معاون گروه راهکارهای زیرساخت Dell Technologies در بریتانیا، این باور نه تنها نادرست است، بلکه به طور فعالانه به سازمانها آسیب میزند.
او میگوید: "سازمانهایی را دیدهام که بدون درک واقعی از (Use Cases)، سرمایهگذاری کلانی روی زیرساخت هوش مصنوعی انجام دادهاند. نتیجه این کار، تجهیزات گرانقیمتی است که ماهها بیکار میمانند. توصیه تیم این است که کوچک شروع کنید، با حداقل زیرساخت ممکن یک نمونه اولیه (Proof of Concept) بسازید و سپس آن را توسعه دهید. به گفته وی، "تنها چیزی که بدتر از ساخت یک سیستم اختصاصی (snowflake) است، یک سیستم اختصاصی بزرگ و گرانقیمت است." او به جای آن، پلتفرمهای مبتنی بر استاندارد و مقیاسپذیر را توصیه میکند که از قفل شدن به یک فروشنده خاص جلوگیری کرده و انعطافپذیری را حفظ کنند.
برای تیم، گفتوگوی اصلی باید همیشه به زمان دستیابی به ارزش (time-to-value) و تغییرات فرهنگی لازم برای پذیرش ابزارهای جدید بازگردد: "اگر نتوانید مردم را سریعاً به استفاده از ابزارها ترغیب کنید، هرگز به مزایایی که در توجیه سرمایهگذاری (business case) پیشبینی کردید، نخواهید رسید."
تیم لوآک و تیمش بهطور نزدیک با مشتریان همکاری میکنند تا نیازهای کسبوکارشان را درک کرده و سبد محصولات دیتاسنتر Dell Technologies را برای تحول دیجیتال آنان موقعیتدهی کنند.
سرعت تغییر در نحوه برخورد سازمانها با هوش مصنوعی قابلتوجه بوده است. به گفته تیم، "امروزه هوش مصنوعی بخشی از تقریباً هر گفتوگوی زیرساختی و دادهای است که من دارم. این موضوع از یک مسئله آینده به یک دستور کار ثابت تبدیل شده است." بیشتر سازمانها هنوز در مرحله آزمایش یا پایلوت هستند، اما تعداد آنها در حال حرکت به سمت تولید کامل رو به افزایش است. با این حال، برنامهریزی ظرفیت به عنوان یک نقطه درد مداوم ظاهر شده است؛ تقاضا تقریباً همیشه کندتر از حد انتظار افزایش مییابد و سپس بسیار فراتر از پیشبینیهای اولیه شتاب میگیرد - الگویی که پیامدهای مستقیمی برای شبکه، اندازهگیری زیرساخت و مدیریت هزینه دارد.
همچنین، سفر از ابر به (on-premises) به یک مسیر آشناتر تبدیل شده است؛ پایلوتها اغلب در محیطهای ابری عمومی شروع میشوند، اما با افزایش مقیاس، هزینهها به سرعت افزایش یافته و سازمانها به دنبال انتقال زیرساخت هوش مصنوعی به محل خود برای کنترل بهتر بر عملکرد، هزینه و مکان دادهها هستند.
زیرساخت مدرن هوش مصنوعی باید متعادل و یکپارچه باشد؛ پردازندههای گرافیکی قدرتمند به ذخیرهسازی سریع و شبکه با پهنای باند بالا نیاز دارند.
سه عامل ساختاری به توضیح این موضوع کمک میکنند که چرا سازمانها همچنان نیازمندیهای زیرساخت هوش مصنوعی خود را اشتباه برآورد میکنند:
اول، عدم شفافیت در موارد استفاده - به گفته تیم، شروع با کمتر از ۵ پروژه، بهترین رویکرد است. "یک پرچم قرمز برای من زمانی است که یک سازمان سعی دارد همزمان پروژهها یا موارد استفاده بیش از حد را مدیریت کند." قانون کلی او این است که با کمتر از پنج پروژه شروع کنید و آنهایی را اولویتبندی کنید که هم شدنی هستند و هم ارزش تجاری بالایی دارند. پیروزیهای اولیه، اعتماد ایجاد کرده و توجیه مالی برای سرمایهگذاری بعدی فراهم میکنند.
دوم، شروع با فناوری به جای مسئله کسبوکار - رویکرد منضبطتر، استقرار دقیقاً آنچه بار کاری فعلی نیاز دارد، و حفظ چابکی معماری برای مقیاسپذیری است. همگرایی داده، محاسبات، ذخیرهسازی و شبکه در بارهای کاری هوش مصنوعی، پیچیدگی واقعی ایجاد میکند و این پیچیدگی میتواند تیمهای تدارکات را به سمت کسب قابلیتهای گسترده به صورت حدسی سوق دهد.
سوم، زیرساختهای قدیمی - "بزرگترین مشکل، سیلوهای داده هستند. کار مورد نیاز برای ساخت یک نمودار دانش قابل استفاده در چندین منبع داده، تقریباً همیشه به شدت دستکم گرفته میشود." چسباندن قابلیت هوش مصنوعی به پایههای نامناسب، گلوگاه ایجاد میکند؛ مسیر مؤثرتر، اتخاذ معماریهای مدرن و تأییدشدهای است که به طور خاص برای نیازهای هوش مصنوعی طراحی شدهاند.
تیم لوآک تأکید میکند: "با تکیه بر تجربه شرکای فروشنده خود، سریعتر به ارزش میرسید و با شگفتیهای کمتری مواجه میشوید."
سازمانهایی که بازدهی مداومی از برنامههای هوش مصنوعی خود میبینند، ویژگیهای مشترکی دارند: آنها بر موارد استفاده با تأثیر بالا تمرکز میکنند که ارزش را به سرعت نشان میدهند، سپس با شواهد (نه فرضیات) مقیاس میدهند.
با این حال، تیم پذیرش (Adoption) را به عنوان واضحترین عامل تمایز میبیند: "بهترین فناوری اگر کسی از آن استفاده نکند، هیچ ارزشی ندارد. آنها روی آموزش سرمایهگذاری میکنند، استفاده و نتایج را اندازهگیری میکنند و به طور مداوم آنچه را که انتظار دارند، بازرسی میکنند." Dell Technologies نیز این منطق را در داخل شرکت خود اعمال کرده است. تیم توضیح میدهد: "به عنوان مثال، در دل، ما دقیقاً از همین رویکرد با تیمهای فروش خود برای افزایش پذیرش ابزارهای جدید طراحی شده برای کارآمدتر کردن آنها استفاده کردیم. با تمرکز بر آموزش، اندازهگیری و بازرسی، زمان مواجهه با مشتریان را به طور چشمگیری افزایش دادهایم."
مدلهای مصرف انعطافپذیر نیز در میان پذیرندگان بالغتر مورد توجه قرار گرفته است، بهویژه در جایی که پیشبینی میزان استفاده دشوار است. توانایی مقیاسگذاری هماهنگ با تقاضای واقعی، یک پوشش مفید در برابر نوسانات قیمت سختافزار و الگوهای رشد نامنظم که مشخصه استقرارهای اولیه هوش مصنوعی است، فراهم میکند.
معماریهای تأییدشده و پیشآزمایششده نیز سومین ویژگی این سازمانها هستند. با حذف عدم قطعیت در یکپارچهسازی و کاهش زمان استقرار، این چارچوبها به تیمهای فنی اجازه میدهند بر ساخت برنامهها به جای مدیریت پیچیدگی زیرساخت تمرکز کنند. تیم میگوید: "مزایای کلیدی که من بر آنها تأکید میکنم سرعت و کاهش ریسک است: با تکیه بر تجربه شرکای فروشنده خود، سریعتر به ارزش میرسید و با شگفتیهای کمتری مواجه میشوید."
پردازندههای گرافیکی قدرتمند در سرورها به ذخیرهسازی سریع و شبکه با پهنای باند بالا نیاز دارند تا از گرسنگی داده جلوگیری کرده و حداکثر استفاده از پردازنده را ممکن سازند.
با نگاه به ۱۲ تا ۱۸ ماه آینده، تیم چندین روند را شناسایی میکند که چشمانداز دیتاسنتر و زیرساخت هوش مصنوعی را شکل خواهند داد:
استقرار ترکیبی (Hybrid) - اجرای بارهای کاری در دیتاسنترها، ابر و لبه بر اساس نیازهای عملکرد، هزینه و انطباق، به یک رویکرد استاندارد تبدیل خواهد شد.
مدلهای مبتنی بر مصرف - با هدف همسوسازی هزینه با تقاضای واقعی به جای پیکهای پیشبینیشده، شتاب خواهند گرفت.
نوآوریهای کارایی - از جمله خنککاری مایع پیشرفته و طراحی هوشمندانهتر دیتاسنتر، با افزایش مقیاس هوش مصنوعی و باقی ماندن هزینههای انرژی در کانون توجه، از یک فناوری خاص به یک جریان اصلی تبدیل خواهند شد.
تیم لوآک معتقد است گفتوگو از "چقدر بزرگ میتوانیم بسازیم؟" به "چقدر هوشمندانه میتوانیم بسازیم؟" تغییر کرده است.
فشار تجاری برای نشان دادن بازگشت سرمایه از هوش مصنوعی در حال تشدید است و این موضوع، گفتوگوها را در سطح مدیریت ارشد تغییر میدهد. برای تیم، نگرانیهایی که او به طور مداوم از رهبران ارشد میشنود، خطر عقبماندگی رقابتی و چالش مدیریت دادههای حاکمیتی در چارچوبهای نظارتی است. این موضوع به ویژه در منطقه EMEA که هزینههای انرژی و الزامات انطباق در کشورهای مختلف به طور قابل توجهی متفاوت است، بسیار مرتبط است.
این بافت، الزامات جدیدی را بر طراحی زیرساخت تحمیل میکند. تیم تأکید میکند که "زیرساخت مدرن هوش مصنوعی باید متعادل و یکپارچه باشد. پردازندههای گرافیکی قدرتمند در سرورها به ذخیرهسازی سریع و شبکه با پهنای باند بالا نیاز دارند تا از گرسنگی داده جلوگیری کرده و حداکثر استفاده از پردازنده را ممکن سازند."
مصرف انرژی، مدیریت داده و هزینههای محاسباتی هر یک تحت نظارت فزایندهای قرار دارند. یکپارچگی نزدیکتر بین محاسبات و ذخیرهسازی نیز به یک عامل تمایز رقابتی تبدیل خواهد شد. سازمانهایی که با هر دو به عنوان اجزای یک سیستم یکپارچه رفتار میکنند، به جای تصمیمگیریهای جداگانه زیرساختی، از تأخیر کمتر و زمان سریعتر برای دستیابی به بینش بهرهمند خواهند شد.
در نهایت، تیم شاهد حرکت قاطع صنعت از فاز آزمایش به محیطهای تولید ساختاریافته و تکراری است. به گفته او، "گفتوگو از این سوال که 'چقدر بزرگ میتوانیم بسازیم؟' به این سوال تغییر کرده است که 'چقدر هوشمندانه میتوانیم بسازیم؟' و این تغییر، موفقترین سازمانهای دهه آینده را تعریف خواهد کرد."
PUBLISHED JUNE 2026