ما المقصود بالبنية التحتية للذكاء الاصطناعي؟

وتُعد هذه التقنية جزءًا من مجموعة تقنيات الذكاء الاصطناعي، التي تضم أيضًا أطر العمل والأدوات والخدمات التي تدعم بناء حلول الذكاء الاصطناعي وتشغيلها عبر دورة حياة الذكاء الاصطناعي بالكامل. تساعد البنية التحتية المناسبة للذكاء الاصطناعي المطورين على إنشاء تطبيقات الذكاء الاصطناعي والتعلم الآلي (ML) ونشرها بفعالية، مثل الوكلاء الافتراضيين، وتقنيات التعرف على الوجه والكلام، ورؤية الكمبيوتر.

كما أصبحت البنية التحتية للذكاء الاصطناعي ركيزة أساسية للمؤسسات التي تسعى إلى اعتماد وتوسيع نطاق استخدام الذكاء الاصطناعي الوكيل، والذكاء الاصطناعي التوليدي، والذكاء الاصطناعي لعمليات تقنية المعلومات (AIOps)، وغيرها من حالات الاستخدام على نطاق واسع. وتُظهر دراسة أجرتها مؤسسة Statista أنه من المتوقع أن يتضاعف الإنفاق العالمي على البنية التحتية للذكاء الاصطناعي ثلاث مرات تقريبًا بحلول عام 2029؛ حيث تشير التوقعات إلى نمو السوق من 334 مليار دولار أمريكي في عام 2025 إلى أكثر من 900 مليار دولار أمريكي بحلول عام 2029.¹

وتواصل البنية التحتية للذكاء الاصطناعي تطورها بالتزامن مع التوسع المتسارع للنظام البنائي المتكامل للذكاء الاصطناعي. فعلى سبيل المثال، تعتمد المؤسسات نهجًا هجينًا يجمع بين مرونة خدمات السحابة العامة وقابليتها للتوسع لغرض التدريب، والبنية التحتية المحلية لإجراء عمليات استدلال الذكاء الاصطناعي الموثوقة وعالية الحجم.

وفي بيئات مراكز البيانات المحلية والخاصة، تساهم مسرعات الذكاء الاصطناعي المدمجة في أجهزة الكمبيوتر المركزي مثل ®IBM Z في تعزيز إنتاجية المطورين وتسريع تحقيق أهداف التحديث. وتكتسب هذه الحاجة أهمية بالغة في قطاعات مثل التمويل والتأمين، حيث تفرض اللوائح الصارمة غالبًا ضوابط محددة بشأن أماكن تخزين البيانات ومعالجتها.

وعند النقطة النهائية لإعدادات البنية التحتية الهجينة الموزعة، يتيح الذكاء الاصطناعي على الحافة تشغيل نماذج الذكاء الاصطناعي على الأجهزة المحلية مثل الكاميرات وأجهزة الاستشعار. ويتيح هذا النهج للمؤسسات استخلاص رؤى فورية دون الاعتماد على البنية التحتية السحابية لإجراء عمليات المعالجة.

كما يساهم الذكاء الاصطناعي الوكيل في تحويل مشهد البنية التحتية للذكاء الاصطناعي؛ فخلافًا لأدوات الذكاء الاصطناعي التقليدية التي تستجيب للاستعلامات الفردية، تتميز هذه الأنظمة المستقلة بقدرتها على الاستنتاج والتخطيط واتخاذ الإجراءات. وفي بيئات المؤسسات، يدعم الذكاء الاصطناعي الوكيل مهام سير العمل المعقدة والمتعددة الخطوات، مع إعطاء الأولوية القصوى للأمان والامتثال وصناعة القرار في الوقت الفعلي.

وتعد حوكمة البيانات وسيادتها من الشواغل الرئيسية في الوقت الراهن، خاصة مع تزايد أحجام البيانات الناتجة عن الذكاء الاصطناعي من مصادر متباينة. ونتيجة لذلك، تعمل المؤسسات على تخصيص بنيتها التحتية للذكاء الاصطناعي لتحقيق أهداف سيادة الذكاء الاصطناعي، مما يمنحها سيطرة مباشرة على نماذج الذكاء الاصطناعي الخاصة بها، ويضمن استقلاليتها وأمنها وامتثالها للوائح.

في دراسة أجراها معهد IBM Institute for Business Value (IBV)، توقع المشاركون أن ينمو الاستثمار في الذكاء الاصطناعي بنسبة 150% تقريبًا من الآن وحتى عام 2030. وفي الوقت نفسه، يخشى 68% من المديرين التنفيذيين الذين شملهم الاستطلاع من فشل جهودهم في مجال الذكاء الاصطناعي بسبب نقص التكامل مع الأنشطة الأساسية للأعمال.

وتكشف الدراسة نفسها أن 57% من قادة الأعمال الذين شملهم الاستطلاع يعتقدون أن ميزتهم التنافسية ستنبع أساسًا من تطور نماذج الذكاء الاصطناعي لديهم. وتحقيقًا لهذه الغاية، أصبحت البنية التحتية الآمنة والمصممة خصيصًا للذكاء الاصطناعي ضرورية مع استمرار تنامي دور الذكاء الاصطناعي في الأعمال.

تعتمد المؤسسات من جميع الأحجام والتي تغطي مجموعة واسعة من الصناعات على البنية التحتية للذكاء الاصطناعي لمساعدتها في تحقيق طموحاتها في مجال الذكاء الاصطناعي. قبل التعمق في البنية التحتية للذكاء الاصطناعي وكيفية عملها، يجدر بنا استعراض بعض التقنيات الأساسية: الذكاء الاصطناعي، والتعلم الآلي (ML)، والتعلم العميق.

الذكاء الاصطناعي هو تقنية تسمح لأجهزة الكمبيوتر بمحاكاة طريقة تفكير البشر وحل المشكلات. عند دمج الذكاء الاصطناعي مع تقنيات أخرى مثل الإنترنت وأجهزة الاستشعار والتشغيل الآلي، يمكن للذكاء الاصطناعي أداء مهام تتطلب عادة إدخال بشري. تشمل هذه المهام تشغيل مركبة أو الرد على الأسئلة أو استخلاص الرؤى من كميات كبيرة من البيانات

وتعتمد كثير من تطبيقات الذكاء الاصطناعي الأكثر شيوعًا على نماذج التعلم الآلي، وهو أحد مجالات الذكاء الاصطناعي يركز بشكل خاص على البيانات والخوارزميات.

التعلم الآلي (ML) هو مجال تركيز في الذكاء الاصطناعي يستخدم البيانات والخوارزميات لتقليد الطريقة التي يتعلم بها البشر، ويُحسّن من دقة إجاباته بمرور الوقت. يعتمد التعلم الآلي على بعض العمليات الرئيسية:

• عملية اتخاذ قرار لإجراء تنبؤ أو تصنيف المعلومات.
• دالة خطأ تقيّم دقة عمله.
• عملية تحسين النموذج التي تقلل الفروقات بين الأمثلة المعروفة وتقديرات النموذج.

وتكرر خوارزمية التعلم الآلي عملية "التقييم والتحسين" هذه إلى أن يبلغ النموذج حدًا محددًا من الدقة.

أما التعلم العميق، وهو فرع من التعلم الآلي، فيشكل الأساس للنماذج اللغوية الكبيرة (LLMs) وغيرها من تطبيقات الذكاء الاصطناعي التوليدي.

ويتكون من شبكات عصبية متعددة الطبقات صُممت على غرار الدماغ البشري. وتتعلم هذه الخوارزميات من خلال التحسين المستمر لكيفية تعرفها على الأنماط المعقدة في البيانات غير المنظمة (مثل الصور والصوت والنصوص). وتجعل هذه القدرة التعلم العميق مناسبًا لمعالجة اللغات الطبيعية (NLP)، والتي تدعم روبوتات المحادثة، وأدوات الترجمة، والتحليلات التنبؤية لتوقع متطلبات العملاء.

للتعرف على المزيد من الفروق الدقيقة بين التقنيات، اطلع على مدونتنا بعنوان "مقارنة بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق والشبكات العصبية."

ويُعد مصطلح البنية التحتية لتكنولوجيا المعلومات مصطلحًا شاملًا يشير إلى موارد الأجهزة والبرمجيات والشبكات التي تحتاجها المؤسسات لإدارة بيئات تكنولوجيا المعلومات الخاصة بها وتشغيلها بفعالية.

وتشترك كل من البنية التحتية لتكنولوجيا المعلومات والبنية التحتية للذكاء الاصطناعي في الاعتماد على التقنيات الحديثة الأساسية، مثل المحاكاة الافتراضية، ومراقبي الأجهزة الافتراضية، والحاويات، ومنصة Kubernetes مفتوحة المصدر، والخدمات المصغرة، وذلك لنشر وتنسيق أحمال تشغيل الذكاء الاصطناعي على نطاق واسع. وبينما تتكون البنية التحتية لتكنولوجيا المعلومات من تقنيات تدعم تطبيقات الأعمال العامة، تعتمد البنية التحتية للذكاء الاصطناعي على أجهزة وبرمجيات متخصصة لتشغيل وتدريب نماذج الذكاء الاصطناعي.

مع اكتشاف المؤسسات أكثر من طريقة لاستخدام الذكاء الاصطناعي، أصبح إنشاء البنية التحتية اللازمة لتطويره أمرًا بالغ الأهمية. سواء كنت تنشر التعلم الآلي لتحفيز الابتكار في سلسلة التوريد أو تستعد لإطلاق وكيل افتراضي مدعوم بالذكاء الاصطناعي التوليدي ، فإن وجود البنية التحتية المناسبة أمر بالغ الأهمية.

ويتمثل السبب الرئيسي لاحتياج مشروعات الذكاء الاصطناعي إلى بنية تحتية مخصصة في الكم الهائل من الطاقة الحاسوبية اللازمة لتشغيل أحمال تشغيل الذكاء الاصطناعي. لتحقيق هذا النوع من القوة، تعتمد البنية التحتية للذكاء الاصطناعي على انخفاض زمن الانتقال الذي توفره بيئات الحوسبة السحابية. كما يعتمد على قوة معالجة وحدات معالجة الرسوميات (GPUs)، بدلا من وحدات المعالجة المركزية التقليدية (CPUs) النموذجية في بيئات البنية التحتية لتكنولوجيا المعلومات .  

بالإضافة إلى ذلك، تركز البنية التحتية للذكاء الاصطناعي على الأجهزة والبرمجيات المصممة خصيصًا للبنى الهجينة الموزعة التي تدعم مهام الذكاء الاصطناعي والتعلم الآلي.   

وتعتمد البنية التحتية للذكاء الاصطناعي على مزيج متكامل من الأجهزة والبرمجيات الحديثة. وتشمل هذه الحزمة المتكاملة حلول الحوسبة والشبكات والتخزين وموارد أخرى تدعم دورة حياة الذكاء الاصطناعي بأكملها، بدءًا من تدريب النماذج ونشرها وصولًا إلى إدارتها المستمرة.  

وفيما يلي نظرة تفصيلية على مكونات البنية التحتية المتقدمة للذكاء الاصطناعي.

• الخوادم المتخصصة: تستخدم البنية التحتية للذكاء الاصطناعي خوادم متخصصة ومجموعات من الخوادم التي تدعم نقل البيانات عالي السرعة وقدرات التخزين عالية الأداء. تتراوح هذه الأجهزة من خوادم رقائق الذكاء الاصطناعي التي تعمل محلياً (على سبيل المثال، IBM Z مع معالج Telum) إلى خوادم الذكاء الاصطناعي على الحافة الموفرة للطاقة والخوادم عالية الكثافة القائمة على السحابة.
• موارد الحوسبة: تتطلب مهام التعلم الآلي والذكاء الاصطناعي كميات كبيرة من قوة الحوسبة. وغالبًا ما تتضمن البنية التحتية للذكاء الاصطناعي المصممة جيدًا أجهزة متخصصة مثل وحدة معالجة الرسوميات (GPU) ووحدة معالجة الموتر (TPU) لتوفير قدرات معالجة متوازية وتسريع مهام التعلم الآلي.
• وحدات معالجة الرسومات (GPUs): وحدات معالجة الرسومات، التي تصنعها عادةً Nvidia أو Intel، هي دوائر إلكترونية تُستخدم لتدريب نماذج الذكاء الاصطناعي وتشغيلها بسبب قدرتها الفريدة على إجراء كثير من العمليات في وقت واحد. وعادةً ما تتضمن البنية التحتية للذكاء الاصطناعي خوادم GPU لتسريع حسابات المصفوفة والمتجهات الشائعة في مهام الذكاء الاصطناعي.
• وحدات معالجة الموتر (TPUs): هي مسرعات ذكاء اصطناعي صُممت خصيصاً لتسريع حسابات الموتر في أعباء عمل الذكاء الاصطناعي. وتجعلها إنتاجيتها العالية وزمن انتقالها القصير مثالية للعديد من تطبيقات الذكاء الاصطناعي والتعلم العميق.
• تخزين البيانات: تحتاج تطبيقات الذكاء الاصطناعي إلى التدريب على مجموعات بيانات كبيرة لتكون فعالة. وتحتاج المؤسسات التي تسعى لنشر منتجات وخدمات الذكاء الاصطناعي إلى الاستثمار في حلول تخزين بيانات قابلة للتوسع، مثل قواعد البيانات المحلية أو المرتكزة على السحابة، ومستودعات البيانات، وأنظمة الملفات الموزعة، وبحيرات البيانات.
• الشبكات: تتضمن البنية التحتية للذكاء الاصطناعي أنظمة شبكات ذكاء اصطناعي تستخدم الذكاء الاصطناعي والتعلم الآلي لدعم أعباء العمل على نطاق واسع وتحسين ذكاء الشبكة والأداء والأمان. وتشمل المكونات الرئيسية مفاتيح وأجهزة توجيه عالية الأداء، ووصلات اتصال بيني ومسرعات حوسبة لتحقيق زمن انتقال قصير وأداء عالي لعرض النطاق الترددي.
• مراكز بيانات الذكاء الاصطناعي: مركز بيانات الذكاء الاصطناعي هو مرفق يحتوي على البنية التحتية التقنية المحددة اللازمة لتدريب ونشر وتقديم تطبيقات وخدمات الذكاء الاصطناعي. وهذه المراكز مجهزة لتوفير قوة حوسبة متقدمة، وأنظمة شبكية وتخزين، بالإضافة إلى الطاقة وقدرة التبريد اللازمة للتعامل مع أعباء عمل الذكاء الاصطناعي.

• المعالجة المسبقة للبيانات وتصفيتها: يتم استيعاب البيانات من مصادر متعددة أولاً في تدريب النموذج. ومن هناك، يمكن لأطر عمل ومكتبات معالجة البيانات مثل Pandas وSciPy وNumPy معالجة وتنظيف البيانات واسعة النطاق.
• أُطُر عمل ومكتبات التعلم الآلي: توفر أطر عمل التعلم الآلي موارد محددة يحتاجها الذكاء الاصطناعي لتصميم وتدريب ونشر نماذج التعلم الآلي. وتدعم أطر عمل التعلم الآلي مثل TensorFlow وPyTorch القدرات المتنوعة المطلوبة من قبل تطبيقات الذكاء الاصطناعي. وتشمل هذه الوظائف تسريع مهام وحدة معالجة الرسوميات والوظائف الحيوية لأنواع التدريب الثلاثة على التعلم الآلي: التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزَّز. وتسرع هذه الأطر عملية التعلم الآلي وتمنح المطورين الأدوات التي يحتاجونها لتطوير تطبيقات الذكاء الاصطناعي ونشرها.
• منصات MLOps والذكاء الاصطناعي لعمليات تقنية المعلومات: MLOps (عمليات التعلم الآلي) هي عملية تتضمن مجموعة من الممارسات المحددة للمساعدة في أتمتة وتسريع التعلم الآلي. وتساعد منصات عمليات التعلم الآلي (MLOp) المطورين والمهندسين في جمع البيانات والتدريب على النماذج، وصولاً إلى التحقق من صحة التطبيق واستكشاف الأخطاء وإصلاحها ومراقبته بمجرد إطلاقه. تدعم هذه المنصات وظائف البنية التحتية للذكاء الاصطناعي، مما يساعد علماء البيانات والمهندسين وغيرهم على إطلاق أدوات ومنتجات وخدمات ذكاء اصطناعي جديدة بنجاح. ويمدد الذكاء الاصطناعي لعمليات تكنولوجيا المعلومات عملية MLOps بشكل أكبر، من خلال تطبيق الذكاء الاصطناعي والتعلم الآلي لأتمتة نشر الموارد بذكاء، والتوسع، والمراقبة المستمرة، وقابلية الملاحظة، ومسارات CI/CD المصممة لمهام سير عمل الذكاء الاصطناعي.
• أدوات الأمن: تدمج البنية التحتية للذكاء الاصطناعي أدوات أمن الذكاء الاصطناعي مع البنية التحتية للأمن الإلكتروني القائمة، مثل تغذيات استعلامات التهديدات وأنظمة إدارة المعلومات والأحداث الأمنية (SIEM). وتساعد تقنيات التشفير وضوابط الوصول المؤسسات على حماية أنظمة الذكاء الاصطناعي والبيانات الحساسة عبر كامل سطح الهجوم.

يشير الذكاء الاصطناعي كخدمة (AIaaS) إلى منصة خدمة تقدم أدوات وقدرات الذكاء الاصطناعي مع نموذج تسعير حسب الطلب. وتمنح هذه البرمجيات القائمة على السحابة المستخدمين إمكانية الوصول إلى هذه القدرات دون مطالبتهم ببناء نماذج ذكاء اصطناعي خاصة بهم.

يمكن لفرق التطوير وغيرها من الفرق والمستخدمين الآخرين الوصول إلى هذه الأدوات من خلال واجهات برمجة التطبيقات (APIs) أو مجموعات تطوير البرمجيات (SDKs)، التي تدمج وظائف الذكاء الاصطناعي في تطبيقاتهم وخدماتهم. فعلى سبيل المثال، يمكن للذكاء الاصطناعي كخدمة (AIaaS) توفير أدوات معالجة اللغة الطبيعية التي تحلل مشاعر العملاء، مما يساعد الشركات على تحسين تجربة العميل دون الحاجة إلى بناء نماذج.

بالإضافة إلى دعم تطوير التطبيقات المتطورة للعملاء، عادةً ما تشهد المؤسسات التي تستثمر في البنية التحتية للذكاء الاصطناعي تحسينات كبيرة في عملياتها وسير عملها.

وفيما يلي ست من الميزات الأكثر شيوعًا التي يمكن أن تتوقعها الشركات التي تطور بنية تحتية قوية للذكاء الاصطناعي:

• زيادة قابلية التوسع والمرونة
• أداء وسرعة أكبر 
• مزيد من التعاون
• الامتثال بشكل أفضل
• خفض التكاليف
• قدرات محسّنة للذكاء الاصطناعي التوليدي والذكاء الاصطناعي الوكيل

نظرًا لأن البنية التحتية للذكاء الاصطناعي عادةً ما تكون قائمة على السحابة أو تُنشر على الحافة، فهي قابلة للتوسع ومرنة في آنٍ واحد. ومع تزايد حجم وتعقيد مجموعات البيانات اللازمة لتشغيل تطبيقات الذكاء الاصطناعي، صُممت البنية التحتية للذكاء الاصطناعي لتتوسع معها، مما يمكّن المؤسسات من زيادة الموارد حسب الحاجة.

تتمتع البنية التحتية السحابية وبنية الحافة المرنة بقدرة عالية على التكيف، ويمكن زيادتها أو تقليصها بسهولة أكبر من البنية التحتية التقليدية لتكنولوجيا المعلومات مع تغير متطلبات المؤسسة.

تستخدم البنية التحتية للذكاء الاصطناعي أحدث تقنيات الحوسبة عالية الأداء (HPC) المتاحة - مثل وحدات معالجة الرسوميات (GPUs) ووحدات معالجة الموتر (TPUs) وأنظمة الحوسبة الفائقة - لتشغيل خوارزميات التعلم الآلي التي تدعم قدرات الذكاء الاصطناعي. وتمتلك الأنظمة البنائية للذكاء الاصطناعي قدرات معالجة متوازية، مما يقلل بشكل كبير من الوقت اللازم لتدريب نماذج التعلم الآلي.

نظرًا لأن السرعة أمر بالغ الأهمية في العديد من تطبيقات الذكاء الاصطناعي، مثل تطبيقات التداول عالي التردد والسيارات ذاتية القيادة، فإن التحسينات في السرعة والأداء هي سمة أساسية للبنية التحتية للذكاء الاصطناعي.

لا تقتصر البنية التحتية القوية للذكاء الاصطناعي على الأجهزة والبرامج فحسب، بل توفر أيضًا للمطورين والمهندسين الأنظمة والعمليات التي يحتاجون إليها للعمل معًا بشكل أكثر فعالية عند إنشاء تطبيقات الذكاء الاصطناعي.

وبالاعتماد على عمليات التعلم الآلي (MLOp)، وهي دورة حياة لتطوير الذكاء الاصطناعي مصممة لتبسيط وأتمتة إنشاء نموذج تعلم آلي، تتيح أنظمة الذكاء الاصطناعي للمهندسين إمكانية بناء مشاريعهم من الذكاء الاصطناعي ومشاركتها وإدارتها بشكل أكثر فعالية.

ومع تزايد المخاوف بشأن خصوصية البيانات والذكاء الاصطناعي، أصبحت البيئة التنظيمية أكثر تعقيدًا، لتشمل قضايا تخزين البيانات وسيادة الذكاء الاصطناعي. ونتيجة لذلك، يجب أن تضمن البنية التحتية القوية للذكاء الاصطناعي الالتزام الشديد بقوانين الخصوصية أثناء إدارة البيانات ومعالجتها في تطوير تطبيقات الذكاء الاصطناعي الجديدة. 

تضمن حلول البنية التحتية للذكاء الاصطناعي التزام المؤسسات التام بجميع القوانين والمعايير السارية، وفرض الامتثال الخاص بالذكاء الاصطناعي. كما أنها تحمي بيانات المستخدمين وتقيهم من الأضرار القانونية والضرر الذي قد يلحق بسمعتهم.

قد يكون الاستثمار في البنية التحتية للذكاء الاصطناعي مكلفاً، إلا أن تكاليف محاولة تطوير تطبيقات الذكاء الاصطناعي وقدراته على البنية التحتية التقليدية لتكنولوجيا المعلومات قد تكون أعلى. وغالباً ما يكون هذا النهج أقل فعالية من حيث التكلفة مقارنة بالاستثمار في بنية تحتية مُصمَّمة خصيصاً للذكاء الاصطناعي.

تعمل البنية التحتية للذكاء الاصطناعي على تحسين الموارد وتوظيف أفضل التقنيات المتاحة لتطوير مشاريع الذكاء الاصطناعي ونشرها. كما أنها تحقق عائداً أفضل على الاستثمار (ROI) لمبادرات الذكاء الاصطناعي مقارنة بمحاولة إنجازها على بنية تحتية قديمة وغير فعالة لتكنولوجيا المعلومات.

يستطيع الذكاء الاصطناعي التوليدي إنشاء محتواه الخاص (بما في ذلك النصوص والصور والفيديو والتعليمات البرمجية) انطلاقاً من موجِّهات بسيطة يقدمها المستخدم. ويمكن لهذه القدرة أن تزيد إنتاجية المؤسسات والأفراد على حدٍّ سواء، كما يتجلى في برامج مثل ChatGPT وClaude AI، وفي حالات استخدام تجارية تتراوح بين دعم العملاء وتحليل الاستثمارات. أما الذكاء الاصطناعي الوكيل فيتجاوز هذه المرحلة، إذ يمكّن أنظمة الذكاء الاصطناعي من العمل بشكل مستقل في تخطيط المهام متعددة الخطوات وتنفيذها.

وتساعد البنية التحتية للذكاء الاصطناعي، المدعومة بإطار عمل متين يشمل الذكاء الاصطناعي التوليدي والوكيل معاً، الشركات على تطوير هذه القدرات بأمان ومسؤولية.

فيما يلي ست خطوات يمكن للمؤسسات من جميع الأحجام والمجالات اتخاذها لإنشاء البنية التحتية للذكاء الاصطناعي المؤسسي التي تحتاجها: