أربعة تأثيرات رئيسية للذكاء الاصطناعي على تخزين البيانات

تحتاج نماذج الذكاء الاصطناعي إلى التدريب قبل الاستخدام. كلما كان التدريب أفضل، كلما كان النموذج أكثر موثوقية – وعندما يتعلق الأمر بالتدريب النموذجي، كلما زادت البيانات كلما كان ذلك أفضل.

يقول روي إلسلي، كبير المحللين في ممارسات السحابة ومراكز البيانات في Omdia: “إن الجانب الحاسم في أي نموذج هو مدى جودته”. “هذا تعديل لمقولة “البيانات الضعيفة بالإضافة إلى النموذج المثالي يساوي التنبؤ السيئ”، والذي يقول كل شيء. يجب أن تكون البيانات نظيفة وموثوقة ويمكن الوصول إليها.”

ونتيجة لذلك، فإن مرحلة التدريب هي المرحلة التي تضع فيها مشاريع الذكاء الاصطناعي الطلب الأكبر على البنية التحتية لتكنولوجيا المعلومات، بما في ذلك التخزين.

ولكن لا توجد بنية تخزين واحدة تدعم الذكاء الاصطناعي. يعتمد نوع التخزين على نوع البيانات.

بالنسبة لنماذج اللغات الكبيرة، يتم إجراء معظم التدريب باستخدام بيانات غير منظمة. سيكون هذا عادة في الملف أو تخزين الكائن.

وفي الوقت نفسه، تستخدم النماذج المالية البيانات المنظمة، حيث يكون تخزين الكتل أكثر شيوعًا، وستكون هناك مشاريع الذكاء الاصطناعي التي تستخدم أنواع التخزين الثلاثة جميعها.

هناك عامل آخر وهو المكان الذي يتم فيه التدريب النموذجي. من الناحية المثالية، يجب أن تكون البيانات قريبة من موارد الحوسبة قدر الإمكان.

بالنسبة للنموذج المستند إلى السحابة، فإن هذا يجعل التخزين السحابي هو الخيار النموذجي. تعد الاختناقات في الإدخال/الإخراج (I/O) في البنية التحتية السحابية مشكلة أقل من مشكلة زمن الوصول التي عانى منها نقل البيانات من وإلى السحابة، ويقدم موفرو السحابة واسعة النطاق الآن مجموعة من خيارات التخزين عالية الأداء.

والعكس ينطبق أيضاً. إذا كانت البيانات محلية، كما هو الحال في قاعدة بيانات الشركة أو نظام تخطيط موارد المؤسسة، فقد يكون من المنطقي استخدام الحوسبة المحلية لتشغيل النموذج. يتيح ذلك لمطوري الذكاء الاصطناعي مزيدًا من التحكم في تكوين الأجهزة.

تصنع نماذج الذكاء الاصطناعي الاستخدام المكثف لوحدات معالجة الرسومات (وحدات معالجة الرسومات)، وهي باهظة الثمن، لذا فإن جعل التخزين يواكب متطلبات وحدة معالجة الرسومات هو أمر أساسي. ومع ذلك، في بعض الحالات، من المرجح أن تكون وحدات المعالجة المركزية عنق الزجاجة من التخزين. يتعلق الأمر بنوع النموذج والبيانات التي يتم التدريب عليها والبنية التحتية المتاحة.

يقول باتريك سميث، المدير الفني الميداني لمنطقة أوروبا والشرق الأوسط وأفريقيا في شركة Pure Storage: “يجب أن تكون فعالة قدر الإمكان”. “هذا هو بيت القصيد. أنت بحاجة إلى بيئة متوازنة من حيث قدرة وأداء وحدات معالجة الرسومات والشبكة والتخزين الخلفي.

ستؤثر الطريقة التي تخطط بها الشركة لاستخدام نموذج الذكاء الاصطناعي الخاص بها أيضًا على اختيارها للتخزين المحلي أو السحابي. عندما تكون مرحلة التدريب على الذكاء الاصطناعي قصيرة الأجل، فمن المرجح أن يكون التخزين السحابي هو الأكثر فعالية من حيث التكلفة، وتكون قيود الأداء أقل حدة. يمكن للشركة تدوير وحدة التخزين بمجرد اكتمال التدريب.

ومع ذلك، إذا كانت هناك حاجة للاحتفاظ بالبيانات أثناء المرحلة التشغيلية – للضبط الدقيق أو التدريب المستمر، أو للتعامل مع البيانات الجديدة – فإن مزايا السحابة عند الطلب تضعف.