نُشر في: 3 يونيو 2024
المشاركون: Mesh Flinders، Ian Smalley
البنية التحتية للذكاء الاصطناعي (AI)، والمعروفة أيضا باسم مجموعة الذكاء الاصطناعي، هو مصطلح يشير إلى الأجهزة والبرامج اللازمة لإنشاء التطبيقات والحلول المدعومة بالذكاء الاصطناعي ونشرها.
تمكن البنية التحتية القوية للذكاء الاصطناعي المطورين من إنشاء ونشر تطبيقات الذكاء الاصطناعي والتعلم الآلي (ML) بشكل فعال مثل روبوتات المحادثة مثل Chat GPT من OpenAI والتعرف على الوجه والكلام ورؤية الكمبيوتر. وتعتمد المؤسسات من جميع الأحجام والتي تغطي مجموعة واسعة من الصناعات على البنية التحتية للذكاء الاصطناعي لمساعدتها في تحقيق طموحاتها في مجال الذكاء الاصطناعي. وقبل أن ندخل في ما يجعل البنية التحتية للذكاء الاصطناعي مهمة وفي طريقة عمله، دعونا نلقي نظرة على بعض المصطلحات الأساسية.
الذكاء الاصطناعي هو تقنية تسمح لأجهزة الكمبيوتر بمحاكاة طريقة تفكير البشر وحل المشكلات. وعند دمجه مع تقنيات أخرى-مثل الإنترنت وأجهزة الاستشعار والروبوتات وما إلى ذلك-يمكن لتقنية الذكاء الاصطناعي أداء المهام التي تتطلب عادةً مدخلات بشرية، مثل تشغيل السيارة أو الرد على الأسئلة أو إتاحة معارف 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، ويُحسين من دقة إجاباته بمرور الوقت. ويعتمد التعلم الآلي على عملية اتخاذ القرار لإجراء تنبؤ أو تصنيف المعلومات، ودالة خطأ تقيم دقة عمله، ونموذج لغوي كبير (LLM) وعملية تحسين النموذج التي تقلل من التناقضات بين الأمثلة المعروفة وتقديرات النموذج. وتكرر خوارزمية التعلّم الآلي عملية "التقييم والتحسين" هذه حتى يتم الوصول إلى مستوى محدد من الدقة للنموذج.
لتعلم المزيد عن الفروق الدقيقة بين الذكاء الاصطناعي والتعلم الآلي، تحقق من مدونتنا "مقارنة بين الذكاء الاصطناعي والتعلّم الآلي والتعلّم العميق والشبكة العصبية.: ما الفرق بينها؟"
انظر كيف تقلل خوادم IBM Power من التكلفة الإجمالية للملكية (TCO) للبنية التحتية لتقنية المعلومات من خلال توحيد الانتشار المادي لمراكز البيانات وغير ذلك الكثير.
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 روبوت محادثة مدعوم بالذكاء الاصطناعي التوليدي، فإن وجود البنية التحتية المناسبة أمر بالغ الأهمية.
السبب الرئيسي لاحتياج مشروعات الذكاء الاصطناعي لبنية تحتية مخصصة هو الكم الهائل من الطاقة اللازمة لتشغيل الأحمال التي يتطلبها عمل الذكاء الاصطناعي. ولتحقيق هذا النوع من الطاقة، تعتمد البنية التحتية للذكاء الاصطناعي على زمن انتقال قصير للبيئات السحابية وقوة معالجة توفرها وحدات معالجة الرسومات (GPU) بدلاً من وحدات المعالجة المركزية التقليدية (CPU) التي تتميز بها بيئات البنية التحتية التقليدية لتقنية المعلومات.
بالإضافة إلى ذلك، تركز البنية التحتية للذكاء الاصطناعي على الأجهزة والبرامج المصممة خصيصًا للسحابة ومهام الذكاء الاصطناعي والتعلم الآلي بدلاً من أجهزة الكمبيوتر والبرامج ومراكز البيانات المحلية التي تفضلها البنية التحتية لتقنية المعلومات. وفي النظام البنائي للذكاء الاصطناعي، تتضمن مجموعات البرامج عادةً مكتبات وإطارات عمل للتعلم الآلي مثل TensorFlow و PyTorch، ولغات برمجة مثل Python و Java، ومنصات حوسبة موزعة مثل Apache Spark أو Hadoop.
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:
نظرا لأن البنية التحتية للذكاء الاصطناعي تعتمد عادةً على السحابة، فهي أكثر قابلية للتطوير ومرونة من سابقاتها في مجال تقنية المعلومات المحلية. نظرًا لأن مجموعات البيانات اللازمة لتشغيل تطبيقات الذكاء الاصطناعي تصبح أكبر وأكثر تعقيدًا، فقد تم تصميم البنية التحتية للذكاء الاصطناعي للتوسع معها، مما يمكن المنظمات من زيادة الموارد حسب الحاجة. البنية التحتية السحابية المرنة قابلة للتكيف بدرجة كبيرة ويمكن توسيع نطاقها أو تقليصها بسهولة مقارنةً بالبنية التحتية التقليدية لتقنية المعلومات مع تغير متطلبات المؤسسة.
تستخدم البنية التحتية للذكاء الاصطناعي أحدث تقنيات الحوسبة عالية الأداء (HPC) المتاحة، مثل وحدات معالجة الرسومات ووحدات بروتوكول الموتر (TPUs)، لتشغيل خوارزميات التعلم الآلي التي تدعم قدرات الذكاء الاصطناعي. تتمتع الأنظمة البنائية المدعومة بالذكاء الاصطناعي بقدرات معالجة متوازية تقلل بشكل كبير من الوقت اللازم لتدريب نماذج التعلم الآلي. ونظرًا لأن السرعة أمر بالغ الأهمية في كثير من تطبيقات الذكاء الاصطناعي، مثل تطبيقات التداول عالية 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 ممارسات 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.
مع تزايد المخاوف بشأن خصوصية البيانات والذكاء الاصطناعي، أصبحت البيئة التنظيمية أكثر تعقيدًا. ونتيجة لذلك، يجب أن تضمن البنية التحتية القوية للذكاء الاصطناعي الالتزام الشديد بقوانين الخصوصية أثناء إدارة البيانات ومعالجتها في تطوير تطبيقات الذكاء الاصطناعي الجديدة. وتضمن حلول البنية التحتية للذكاء الاصطناعي اتباع جميع القوانين والمعايير المعمول بها عن كثب وتطبيق الامتثال للذكاء الاصطناعي وحماية بيانات المستخدم والحفاظ على المؤسسات في مأمن من العواقب قانونية والإضرار بالسمعة.
في حين أن الاستثمار في البنية التحتية للذكاء الاصطناعي يمكن أن يكون مكلفًا، فإن التكاليف المرتبطة بمحاولة تطوير تطبيقات وقدرات الذكاء الاصطناعي على البنية التحتية التقليدية لتقنية المعلومات يمكن أن تكون أكثر تكلفة. وتضمن البنية التحتية الذكاء الاصطناعي تحسين الموارد واستخدام أفضل التقنيات المتاحة في تطوير مشروعات الذكاء الاصطناعي ونشرها. ويوفر الاستثمار في بنية تحتية قوية للذكاء الاصطناعي عائدًا أفضل على الاستثمار في مبادرات الذكاء الاصطناعي مقارنةً بمحاولة إنجازها على بنية تحتية قديمة وغير فعالة لتقنية المعلومات.
الذكاء الاصطناعي التوليدي، ويسمى أيضًا Gen AI، عبارة عن ذكاء اصطناعي يمكنه إنشاء محتوى خاصبه، بما في ذلك النصوص والصور والفيديو ورمز الكمبيوتر، باستخدام أوامر بسيطة من المستخدمين. ومنذ إطلاق ChatGPT، وهو تطبيق ذكاء اصطناعي توليدي، قبل عامين، كانت المؤسسات في جميع أنحاء العالم تجرب بشغف طرق جديدة للاستفادة من هذه التقنية الجديدة، حيث يُمكن للذكاء الاصطناعي التوليدي زيادة الإنتاجية لكل من المؤسسات والأفراد بشكل كبير. لكنه يأتي مع مخاطر حقيقية. ويمكن للبنية التحتية للذكاء الاصطناعي ذات الإطار القوي حول الذكاء الاصطناعي التوليدي أن تساعد الشركات في تطوير قدراتها بأمان ومسؤولية.
لتزويد المهندسين والمطورين بالموارد التي يحتاجونها لإنشاء تطبيقات الذكاء الاصطناعي والتعلم الآلي المتقدمة، تعتمد البنية التحتية للذكاء الاصطناعي على مجحوعة من الأجهزة والبرامج الحديثة. وعادةً ما يتم تقسيم البنية التحتية للذكاء الاصطناعي إلى أربعة عناصر: تخزين البيانات ومعالجتها، وموارد الحوسبة، وأطر عمل التعلم الآلي، ومنصات عمليات التعلم الآلي (MLOp). وإليك نظرة أكثر تفصيلاً عن كيفية عملها.
يجب أن تتدرب تطبيقات الذكاء الاصطناعي على مجموعات كبيرة من البيانات لكي تكون فعالة، حيث تحتاج المؤسسات التي تتطلع إلى نشر منتجات وخدمات قوية للذكاء الاصطناعي إلى الاستثمار في حلول تخزين البيانات وإدارتها القابلة للتطوير، مثل قواعد البيانات المحلية أو المستندة إلى السحابة ومستودعات البيانات وأنظمة الملفات الموزعة. بالإضافة إلى ذلك، غالبًا ما تكون هناك حاجة إلى أطر معالجة البيانات ومكتبات معالجة البيانات مثل Pandas وSciPy وNumPy لمعالجة البيانات وتنقيتها قبل استخدامها لتدريب نموذج الذكاء الاصطناعي.
تتطلب مهام التعلّم الآلي والذكاء الاصطناعي كميات كبيرة من طاقة الحوسبة والموارد لتشغيلها. وغالبًا ما تتضمن البنية التحتية للذكاء الاصطناعي المصممة جيدًا أجهزة متخصصة مثل وحدة معالجة الرسومات (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 (TPU): وحدات معالجة الموتر (TPU) هي مسرعات تم تصميمها خصيصًا لتسريع عمليات حساب الموتر في أحمال التشغيل التي تعمل بالذكاء الاصطناعي. وتجعلها إنتاجيتها العالية وزمن وصولها المنخفض مثالية للعديد من تطبيقات الذكاء الاصطناعي والتعلم العميق.
توفر أطر عمل التعلم الآلي موارد محددة يحتاجها الذكاء الاصطناعي لتصميم نماذج التعلم الآلي والتدريب عليها ونشرها، حيث تدعم أطر التعلم الآلي مثل TensorFlow وPyTorch مجموعة متنوعة من القدرات التي تتطلبها تطبيقات الذكاء الاصطناعي، بما في ذلك تسريع مهام وحدة معالجة الرسومات والوظائف الحاسمة للأنواع الثلاثة من تدريب التعلم الآلي: وهي التدريب الخاضع للإشراف وغير الخاضع للإشراف والتدريب المعزز. وتعمل أطر تعلم الآلي القوية على تسريع عملية التعلم الآلي ومنح المطورين الأدوات التي يحتاجونها لتطوير تطبيقات الذكاء الاصطناعي ونشرها.
منصات عمليات التعلم الآلي (MLOp) هي عملية تتضمن مجموعة من الممارسات المحددة للمساعدة في أتمتة التعلم الآلي وتسريعه. 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. وتدعم منصات منصات عمليات التعلم الآلي (MLOp) وظائف البنية التحتية للذكاء الاصطناعي، مما يساعد علماء البيانات والمهندسين وغيرهم في إطلاق أدوات ومنتجات وخدمات جديدة قادرة على مواءمة الذكاء الاصطناعي بنجاح.
فيما يلي ست خطوات يمكن للمؤسسات من جميع الأحجام والمجالات اتخاذها لإنشاء البنية التحتية للذكاء الاصطناعي التي تحتاجها:
قبل البحث في الخيارات الكثيرة المتاحة للشركات التي ترغب في بناء وصيانة بنية تحتية فعالة للذكاء الاصطناعي، من المهم تحديد ما تحتاج إليه بوضوح. ما المشاكل التي تريد حلها؟ ما مدى استعدادك للاستثمار؟ إن الإجابة الواضحة على مثل هذه الأسئلة تمثل نقطة انطلاق جيدة وستساعدك في تبسيط عملية اتخاذ القرار عندما يتعلق الأمر باختيار الأدوات والموارد.
يعد اختيار الأدوات والحلول المناسبة التي تفي ااحتياجاتك خطوة مهمة نحو إنشاء بنية تحتية للذكاء الاصطناعي يمكنك الاعتماد عليها. ستجد كثيرًا من الخيارات المهمة عند تحديد الموارد، بدايةً من وحدات معالجة الرسومات (GPU) ووحدات معالجة الموتر (TPU) إلى أدوات تسريع التعلم الآلي إلى مكتبات البيانات وأطر عمل التعلم الآلي التي تشكل مجموعة البرامج الخاصة بك. واحرص دائمًا على وضع أهدافك وتحديد ومستوى الاستثمار الذي ترغب في القيام به وتقييم خياراتك وفقًا لذلك.
يعد التدفق السريع والموثوق للبيانات أمرًا بالغ الأهمية لوظائف البنية التحتية للذكاء الاصطناعي. وتتيح الشبكات ذات النطاق الترددي العالي وزمن الانتقال قصير، مثل 5G، إمكانية نقل كميات هائلة من البيانات بين التخزين والمعالجة بسرعة وأمان. بالإضافة إلى ذلك، توفر شبكات 5G مثيلات شبكة عامة وخاصة لإتاحة طبقات إضافية من الخصوصية والأمان وقابلية التخصيص. ولا جدوى من الحصول على أفضل أدوات البنية التحتية للذكاء الاصطناعي في العالم بدون الشبكة المناسبة للسماح لها بالعمل بالطريقة التي صممت بها.
يتم تقديم جميع مكونات البنية التحتية للذكاء الاصطناعي في كل من السحابة والبيئة المحلية، لذلك من المهم مراعاة مزايا كليهما قبل تحديد أيهما مناسب لك. في حين أن موفري الخدمات السحابية مثل AWS وOracle وIBM وMicrosoft Azure يوفرون مزيدًا من المرونة وقابلية التوسع، مما يتيح للمؤسسات الوصول إلى نماذج أرخص، ونماذج الدفع حسب الاستخدام لبعض القدرات، فإن البنية التحتية للذكاء الاصطناعي للبيئة المحلية لها مزاياها أيضًا، وغالبًا ما توفر مزيدًا من التحكم وتزيد من أحمال التشغيل المحددة.
الذكاء الاصطناعي والتعلم الآلي هي مجالات ابتكار خاضعة لتنظيم شديد، ومع تزايد أعداد الشركات التي تصدر تطبيقات في هذا المجال، أصبح من الضروري مراقبتها عن كثب. وتتركز معظم اللوائح الحالية التي تحكم القطاع على خصوصية البيانات وأمنها ويمكن أن تتسبب في تعرض الشركات لغرامات باهظة وأضرار بالسمعة إذا تم انتهاكها.
الخطوة الأخيرة في بناء البنية التحتية للذكاء الاصطناعي هي إطلاقها وصيانتها. إلى جانب فريقك من المطورين والمهندسين الذين سيستخدمون هذه البنية التحتية، ستحتاج إلى طرق لضمان تحديث الأجهزة والبرامج ومتابعة العمليات التي وضعتها. ويتضمن ذلك عادة التحديث المنتظم للبرامج وإدارة عمليات التشخيص على الأنظمة، بالإضافة إلى مراجعة العمليات وسير العمل وتدقيقهما.
يُمثل IBM Storage المستخدم في تخزين بيانات الملفات والكائنات، مجموعة متكاملة من المنتجات وخدمات البيانات التي توفر معًا منصة بيانات عالمية لتلبية متطلبات بيانات الملفات والكائنات الحالية والجيل القادم من أحمال التشغيل التي تعتمد على الذكاء الاصطناعي والبيانات الكثيفة. وصُمم لإتاحة مزيدًا من معارف، حيث يُمكنك الوصول السلس إلى البيانات من الحافة إلى المركز إلى السحابة - بشكل أسرع ومتصل ومحسن ومرن.
يستخدم الذكاء الاصطناعي في ®IBM Z التعلم الآلي لتحويل البيانات في كل معاملة إلى معارف في الوقت الفعلي. اكتشف المعارف واحصل على نتائج موثوقة وقابلة للتنفيذ بسرعة دون الحاجة إلى نقل البيانات. قم بتطبيق الذكاء الاصطناعي والتعلم الآلي على بيانات مؤسستك الأكثر قيمة على IBM Z باستخدام أطر عمل وأدوات مفتوحة المصدر.
تتميز البنية التحتية من IBM بأنها آمنة وقابلة للتوسّع ومفتوحة وهي مضمونة ومُعدّة لدعم الطبيعة عالية الديناميكية وذات الأداء الكثيف لأحمال تشغيل الذكاء الاصطناعي، مع توفير عمليات الذكاء الاصطناعي المستدامة التي تقلل من التكاليف وتحد من المخاطر ومعدل استهلاك الطاقة.
تعرف على المزيد عن البنية التحتية لتقنية المعلومات، وهي المكونات المدمجة اللازمة لتشغيل وإدارة خدمات وبيئات تقنية المعلومات في المؤسسة.
شاهد كيف يمكن للمؤسسات استخدام الذكاء الاصطناعي التوليدي (GenAI) لإحداث تغيير جذري في طريقة تطوير المنتجات وتسويقها وتقديمها للعملاء.
تستخدم حوسبة Quantum تقنية متخصصة - تشمل أجهزة الكمبيوتر والخوارزميات التي تستفيد من ميكانيكا الكم - لحل المشاكل المعقدة التي لا تستطيع أجهزة الكمبيوتر الكلاسيكية أو الحواسيب الفائقة حلها أو لا تستطيع حلها بسرعة كافية.
شاهد كيف يمكن للذكاء الاصطناعي (AI) التعاون بسلاسة مع حلول سلسلة التوريد الحالية، وإعادة تعريف كيفية إدارة المؤسسات لأصولها.
استكشف عالم الذكاء الاصطناعي لعمليات تقنية المعلومات (AIOps)، وتطبيق إمكانات الذكاء الاصطناعي، مثل معالجة اللغة الطبيعية ونماذج التعلم الآلي، لأتمتة إدارة خدمات تقنية المعلومات وتبسيطها.
اكتشف المزيد عن تخزين البيانات أو الوسائط المغناطيسية أو الضوئية أو الميكانيكية التي تسجل المعلومات الرقمية وتحفظها للعمليات الجارية أو المستقبلية.