ما المقصود بالتخزين المدعوم بالذكاء الاصطناعي؟

تتسارع وتيرة الابتكار في مجال الذكاء الاصطناعي بشكل كبير، وتتطلب مشاريعه بنية تخزين قادرة على استيعاب النمو المتزايد للبيانات، مع توفير الأداء وقابلية التوسع وإمكانية الوصول بزمن انتقال قصير التي تتطلبها أعباء العمل القائمة على الذكاء الاصطناعي.

وفقًا لدراسة أجرتها Precedence Research، من المتوقع أن ينمو سوق التخزين المدعوم بالذكاء الاصطناعي عالميًا من 35.95 مليار دولار أمريكي في 2025 إلى نحو 255.24 مليار دولار أمريكي بحلول 2034. ويُقدَّر معدل النمو السنوي المركَّب (CAGR) بنحو 24.42%.¹ يُسهم التسارع في دمج الذكاء الاصطناعي والتعلم الآلي، إلى جانب تزايد حالات استخدام التخزين المدعوم بالذكاء الاصطناعي عبر مختلف القطاعات، في دفع نمو السوق.

تعمل المؤسسات على تحديث بنية تخزين البيانات لديها للاستفادة من الإمكانات التجارية للذكاء الاصطناعي، والتعلم الآلي، والتحليلات المتقدمة. ومع ذلك، تواجه هذه المؤسسات تحديات ناتجة عن توزيع البيانات وأعباء العمل عبر مناطق متعددة، إضافةً إلى زيادة الوقت المطلوب لأعباء عمل تدريب الذكاء الاصطناعي والاستدلال. ويُضاف إلى هذه التحديات ارتفاع تكلفة وندرة الموارد المتاحة عند الطلب مثل وحدات معالجة الرسومات (GPUs). 

وفقًا لدراسة صادرة عن IBM Institute for Business Value (IBV)، يتوقع 62% من التنفيذيين استخدام الذكاء الاصطناعي على مستوى مؤسساتهم خلال السنوات الثلاث المقبلة. ومع ذلك، أفاد 8% فقط بأن البنية التحتية لتكنولوجيا المعلومات لديهم تلبي جميع احتياجاتهم من الذكاء الاصطناعي.

بالنظر إلى المستقبل، يعتقد 42% فقط من المشاركين في الاستطلاع أن هذه البنية التحتية للذكاء الاصطناعي قادرة على التعامل مع أحجام البيانات ومتطلبات الحوسبة لنماذج الذكاء الاصطناعي المتقدمة. وبالمثل، يتوقع 46% فقط أن تدعم هذه البنية التحتية الاستدلال في الوقت الفعلي على نطاق واسع.

تتطلب أعباء عمل الذكاء الاصطناعي أنظمة قادرة على تقليل عوائق معالجة البيانات، والتي تؤدي إلى إبطاء تدريب النماذج والضبط الدقيق والاستدلال. كما تحتاج إلى أنظمة تخزين قابلة للتوسع للتعامل مع مجموعات البيانات المتزايدة باستمرار، خاصةً تلك المرتبطة بأعباء عمل الذكاء الاصطناعي التوليدي والنماذج اللغوية الكبيرة (LLM).

لتلبية هذه المتطلبات، يمكن للتخزين المدعوم بالذكاء الاصطناعي أن يتكامل بسلاسة مع أطر العمل مفتوحة المصدر والملكية الخاصة للتعلم الآلي والتعلم العميق عبر واجهات برمجة التطبيقات (APIs). تُسهم هذه القدرة في تسريع تدريب النماذج اللغوية الكبيرة (LLM) وتطوير النماذج، وتعزيز الأداء العام لنظام الذكاء الاصطناعي.

لمعرفة المزيد، اطِّلع على: البنية التحتية للذكاء الاصطناعي: لماذا يُعَد التخزين مهمًا؟.

يُستخدم التخزين التقليدي للبيانات في التطبيقات العامة للأعمال، بينما يوفر التخزين المدعوم بالذكاء الاصطناعي الأساس لتدريب وتشغيل نماذج الذكاء الاصطناعي المعقدة والمكثفة للبيانات بكفاءة وبتكلفة فعَّالة.

بينما يتعامل التخزين التقليدي مع كلٍّ من البيانات المنظمة وغير المنظمة، فهو مصمَّم لأعباء العمل التقليدية للأعمال ذات الأنماط المتوقعة، وليس لتدريب النماذج على الأنظمة الموزعة وتشغيل الاستدلال على نطاق واسع.

يشير التخزين المدعوم بالذكاء الاصطناعي إلى الأنظمة المستخدمة لتخزين وإدارة البيانات من أجل تدريب وتشغيل أنظمة البنية التحتية للذكاء الاصطناعي، بما في ذلك بحيرات البيانات والتخزين السحابي وقواعد البيانات. يتعامل مع كميات هائلة من البيانات غير المنظمة، مثل الصور والصوت والفيديو وبيانات أجهزة الاستشعار.

تتطلب هذه الأنواع من البيانات نظام تخزين يوفر معدل عمليات إدخال/إخراج عاليًا (IOPS) وزمن انتقال قصيرًا للغاية، خاصةً أثناء تدريب النماذج والاستدلال.

باختصار، يكمن الفرق الرئيسي بين التخزين التقليدي والتخزين المدعوم بالذكاء الاصطناعي في مواصفات أعباء العمل. تم تصميم التخزين التقليدي لعمليات ثابتة ومتوقعة، في حين أن أعباء عمل الذكاء الاصطناعي لها متطلبات فريدة وشديدة عبر دورة حياتها بأكملها.

كل مرحلة من دورة حياة نظام الذكاء الاصطناعي -استيعاب البيانات والتدريب والاستدلال وتحديث النماذج- لها احتياجات تخزينية فريدة، تتطلب قدرات تخزين بمقياس بيتابايت وذاكرة عالية السرعة.

يستخدم التخزين المدعوم بالذكاء الاصطناعي مسارات البيانات لتسهيل تدفق البيانات بشكل مستمر، من الجمع مرورًا بمرحلة المعالجة المسبقة ووصولًا إلى استهلاكها بواسطة النماذج. يعتمد على بنى قابلة للتوسع، بما في ذلك تخزين الكائنات وأنظمة الملفات المتوازية، التي تعالج البيانات بشكل متزامن عبر عدة عُقد تخزين. تمكِّن هذه القدرة تطبيقات الذكاء الاصطناعي من معالجة البيانات في الوقت الفعلي بالسرعة العالية المطلوبة.

لتحقيق توازن بين التكلفة والأداء، غالبًا ما يتضمن التخزين المدعوم بالذكاء الاصطناعي مستويات تخزين متعددة. يتم تخزين البيانات التي يتم الوصول إليها بشكل متكرر (الطبقة الساخنة) على ذاكرة تخزين مؤقت عالية السرعة وتخزين بالذاكرة الوميضية، بينما يتم تخزين البيانات الأقل أهمية (الطبقة الدافئة أو الباردة) على تقنيات تخزين أبطأ وأكثر توفيرًا للتكاليف للاحتفاظ بها على المدى الطويل.

• التخزين القائم على الذاكرة الوميضية: يعتمد التخزين المدعوم بالذكاء الاصطناعي على محركات الأقراص ذات الحالة الصلبة (SSDs). تُعَد محركات SSDs هذه أجهزة تخزين قائمة على أشباه الموصِّلات، وتستخدم عادةً الذاكرة الوميضية NAND لتوفير أداء عالٍ، وزمن انتقال قصير، وعرض نطاق كبير لمعالجة مجموعات البيانات الخاصة بالتدريب والاستدلال.

• تصميم أحادي الطبقة: تستخدم معظم حلول التخزين المدعوم بالذكاء الاصطناعي بنية ذات طبقة واحدة، ما يوفر بيئة موحَّدة ومتكاملة للبيانات التي يتم الوصول إليها بشكل متكرر. يدعم هذا النوع من البنية التخزينية التخزين بالذاكرة الوميضية أو محركات الأقراص ذات الحالة الصلبة (SSD) لتحقيق زمن انتقال قصير وأداء إدخال/إخراج عالٍ.

• ذاكرة عالية النطاق الترددي (HBM): تستخدم وحدات معالجة الرسومات في مراكز البيانات ووحدات المعالجة المركزية والمسرِّعات وبعض أقراص SSD ذاكرة HBM لتمكين نقل البيانات عالي الأداء مع استهلاك طاقة أقل مقارنةً بالذاكرة الديناميكية العشوائية (DRAM)، وهي بنية ذاكرة أكثر تقليدية.

• تقنية NVMe (الذاكرة السريعة غير المتطايرة): يُعَد NVMe بروتوكولًا مصممًا لنقل البيانات بشكل متوازٍ عالٍ، ويؤدي دورًا محوريًا في التخزين المدعوم بالذكاء الاصطناعي. تمتلك أقراص NVMe SSD والتخزين الشبكي (NVMe-oF) السرعة والقدرة على البرمجة والسعة اللازمة لدعم المعالجة المتوازية الضخمة في أعباء عمل الذكاء الاصطناعي. 

• مستودعات البيانات: يستخدم التخزين المدعوم بالذكاء الاصطناعي منصات وخدمات البيانات (مثل بحيرات البيانات ومستودعات البيانات ومستودعات البحيرات) لإنشاء بيئة مركزية للبيانات غير المنسقة وغير المنظمة. تعمل هذه العملية على تفكيك صوامع المعلومات وتُلغي الحاجة إلى نقل البيانات بين الأنظمة.

• تقنيات تقليل البيانات: تعمل تقنيات إلغاء التكرار والضغط وتصنيف الطبقات على تقليل حجم التخزين وتكاليفه للمؤسسة، مع الحفاظ على الوصول عالي الأداء المطلوب لأعباء عمل الذكاء الاصطناعي.

• البيئات القابلة للتوسع: يتم نشر التخزين المدعوم بالذكاء الاصطناعي باستخدام نماذج بنية تحتية عالية الأداء وقابلة للتوسع، مثل السحابة الهجينة، والبنية المحلية، ومراكز البيانات فائقة الحجم وبيئات الحافة.

يقدِّم التخزين المدعوم بالذكاء الاصطناعي مزايا رئيسية تعمل على تحسين أعباء عمل الذكاء الاصطناعي وأداء البنية التحتية، وتشمل:

• الأداء المعزز بوحدات معالجة الرسومات (GPU): يدعم التطبيقات وأعباء العمل المعززة بوحدات معالجة الرسومات، ما يؤدي إلى توفير معدل نقل البيانات اللازم لتدريب واستدلال الذكاء الاصطناعي.

• الوصول الموحَّد إلى البيانات: يوفر الوصول إلى الملفات والأحجام والكائنات عبر مصادر بيانات متفرقة، بما في ذلك التخزين التقليدي، والسحابة وبيئات الحافة، ما يلغي الحاجة إلى نقل البيانات بين الأنظمة.

• إمكانية الوصول إلى البيانات دون نقلها: يُتيح الوصول إلى البيانات عبر منصات ومواقع متعددة دون الحاجة إلى نقلها فعليًا، ما يؤدي إلى تقليل التكرار وتكاليف الشبكة.

• أتمتة حماية البيانات: توفير حماية للبيانات باستخدام سياسات وأساليب حماية مثل التشفير عبر البيئات المختلفة، ما يضمن حماية مجموعات بيانات الذكاء الاصطناعي طوال دورة حياتها.

• تكامل السحابة الهجينة: ربط البيانات من مركز البيانات إلى موارد السحابة العامة، ما يعزز التعاون بين التطبيقات ويمنح مزيدًا من المرونة لأعباء عمل الذكاء الاصطناعي.

• إدارة التخزين المبسَّطة: توفِّر قابلية التوسع المدمجة، والأتمتة، وعمليات مبسَّطة، ما يقلل التعقيدات في مبادرات الذكاء الاصطناعي.

• تحسين التكلفة: التخلص من صوامع البيانات والتكرار مع دمج موارد الحوسبة والتخزين لخفض تكاليف البنية التحتية دون المساس بأداء الذكاء الاصطناعي.

يؤدي التخزين المدعوم بالذكاء الاصطناعي دورًا حاسمًا في مهام سير العمل المتنوعة وكثيفة البيانات في الذكاء الاصطناعي والتعلم الآلي والحوسبة عالية الأداء (HPC). وفيما يلي بعض حالات الاستخدام الخاصة بكل صناعة:

• البيع بالتجزئة

• الرعاية الصحية

• الشؤون المالية

• الترفيه

• التصنيع

• التأمين

يستخدم تجار التجزئة التخزين المدعوم بالذكاء الاصطناعي لإدارة كميات كبيرة من البيانات والبيانات الوصفية الناتجة عن معاملات المبيعات وتفاعلات العملاء ووسائل التواصل الاجتماعي وأجهزة إنترنت الأشياء. تُتيح هذه العملية تحسين المخزون في الوقت الفعلي، والتوصيات الشخصية، والتنبؤ بالطلب.

في قطاع الرعاية الصحية، يساعد التخزين المدعوم بالذكاء الاصطناعي على تسريع اكتشاف الأدوية ويدعم أنظمة دعم القرار السريري عبر الذكاء الاصطناعي (مثل NVIDIA BioNeMo وIBM watsonx) مع التعامل مع مجموعات بيانات جينومية ضخمة وملفات التصوير الطبي والسجلات الصحية الإلكترونية.

تعتمد البنوك والمؤسسات المالية الأخرى على التخزين المدعوم بالذكاء الاصطناعي القابل للتوسع لإدارة كميات ضخمة من البيانات الناتجة عن أحجام المعاملات. وهذا يمكِّن خوارزميات التعلم الآلي من اكتشاف الأنماط والحالات الشاذة عبر ملايين المعاملات في الوقت الفعلي، ما يدعم الكشف عن الغش وتقديم خدمات مصرفية مخصصة.

تستخدم خدمات البث مثل Netflix وAmazon تخزين البيانات المدعوم بالذكاء الاصطناعي لمعالجة بيانات تاريخ المشاهدة على نطاق واسع، ما يمكِّن محركات التوصية في الوقت الفعلي من تقديم محتوى مخصص لكل مستخدم.

يوفر التخزين المدعوم بالذكاء الاصطناعي إدارة البيانات لأجهزة الاستشعار والآلات في جميع أرجاء خطوط الإنتاج بالمصانع. تمكِّن هذه البنية التحتية من الصيانة التنبؤية، وتحسين سلاسل التوريد، وأتمتة مراقبة الجودة في الوقت الفعلي.

يدعم التخزين المدعوم بالذكاء الاصطناعي الاكتتاب الآلي ومعالجة المطالبات من خلال تمكين الوصول السريع إلى المستندات والصور والبيانات غير المنظمة. تُتيح هذه الطريقة لنماذج معالجة اللغة الطبيعية (NLP) والتعرُّف على الصور تسريع تقييم المخاطر وتسريع تسوية المطالبات.