شرکت شهاب نرم افزار پلاک خوان | دوربین پلاک خوان | تشخیص چهره
افزایش تصاعدی تقاضا برای برنامه های کاربردی مبتنی بر هوش مصنوعی در سال های اخیر، نیازمند رویکردی جدید در طراحی، پیکربندی و مدیریت مراکز داده بوده است.
وال استریت ژورنال تخمین می زند که در حال حاضر حدود ۲۰ درصد از ظرفیت مرکز داده جهانی برای اهداف هوش مصنوعی مورد استفاده قرار می گیرد.
با این حال، با توجه به اینکه بیش از ۷۷ درصد شرکت ها در حال حاضر از فن آوری هوش مصنوعی استفاده یا آن را بررسی می کنند، مراکز داده سنتی ممکن است به سرعت منسوخ شوند.
جایگاه هوش مصنوعی
به دلیل الگوریتم ها و مدل های پیچیده آن ها، برنامه های کاربردی هوش مصنوعی معمولا به قدرت و منابع محاسباتی بیشتری نسبت به دیگر موارد نیاز دارند.
به عنوان مثال، یک جستجوی ساده در ChatGPT تقریبا به ۱۰ برابر برق مورد نیاز برای پردازش یک جستجوی سریع در گوگل نیاز دارد.
مراکز داده سنتی با تراکم متوسط ۵ تا ۱۰ کیلووات در هر قفسه طراحی شده اند، اما این میزان برای رسیدن به استاندارد مورد نیاز هوش مصنوعی به ۶۰ یا بیشتر کیلووات در هر قفسه افزایش می یابد.
حجم کار بیشتر و تقاضای انرژی بیشتر برابر است با هزینه های سربار بالاتر.
علاوه بر این، مراکز داده باید روش های جایگزین و پیشرفته ای برای مقابله با مشکلات خنک سازی، آسیب پذیری ها، چالش های امنیتی و مسائل مربوط به نگهداری که ممکن است به دلیل کمبود نیروی انسانی ایجاد شود، ارائه دهند.
پس مساله پایداری محیط زیست مطرح است. محققان تخمین می زنند که GPT – ۳ پیش از اینکه حتی برای استفاده عمومی در سال ۲۰۲۰ منتشر شود، بیش از ۵۵۲ تن دی اکسید کربن تولید کرده است.
این رقم معادل دی اکسید کربنی است که توسط ۱۲۳ خودروی بنزینی در طول یک سال کامل تولید خواهد شد.
متاسفانه، اگر این چالش ها به صورت استراتژیک و پویا مورد توجه قرار نگیرند، ممکن است با کمبود زیرساخت هایی مثل کسری عرضه GPU مواجه شویم.
کمبود مراکز داده ای کاملا مجهز برای رسیدگی به نیازهای شدید فن آوری هوش مصنوعی ممکن است در نهایت باعث کند شدن رشد، ترویج انحصار زیرساخت های هوش مصنوعی و پیامدهای جدی برای محیط زیست شود.
آماده سازی زیرساخت ها برای حال و آینده
برای مقابله با این مشکلات، بسیاری از شرکت ها در حال پیاده سازی اقدامات جدیدی هستند.
این موارد شامل استفاده از مراکز داده اشتراکی برای کاهش هزینه های عملیاتی، ارتقا مقیاس پذیری و اطمینان از در دسترس بودن تعمیرکار ماهر در محل است.
مراکز داده نیز در مقایسه با سیستم های خنک کننده هوای معمولی، از تکنیک های خنک سازی پیشرفته تری مانند خنک سازی مایع، خنک سازی مستقیم به تراشه و خنک سازی همه جانبه استفاده می کنند.
برای مراکز جدید، “طراحی” اهمیت بالایی پیدا می کند. به عنوان مثال، در سال ۲۰۲۲، متا ساخت مرکز داده ۸۰۰ میلیون دلاری خود را در تگزاس متوقف کرد تا طراحی مجدد ساختمان ۹۰۰۰۰۰ فوت مربعی را در نظر بگیرد.
با این حال، مراکز داده علاوه بر اینکه به عنوان قدرت زیرساختی و محاسباتی برای برنامه ها و محصولات مبتنی بر هوش مصنوعی عمل می کنند، می توانند از همان هوش مصنوعی برای بهینه سازی عملکرد، مدیریت هزینه ها و اطمینان از کارایی عملیاتی به روش های مختلف استفاده کنند.
بیایید نگاهی به برخی از آن ها بیندازیم.
مدیریت حجم کار
هوش مصنوعی و ابزارهای اتوماسیون می توانند به طور دقیق حجم های کاری را در مراکز داده پیش بینی و تخصیص دهند و اطمینان حاصل کنند که درخواست ها با نیازهای منابع مطابقت دارند.
این کار با به حداقل رساندن استفاده کم تر از سخت افزار محاسباتی و کاهش مصرف انرژی، اتلاف را کاهش می دهد. بیش از ۳۲ درصد از هزینه های ابری عمدتا به دلیل تامین بیش از حد هدر می رود.
با این حال، سیستم های هوش مصنوعی می توانند منابع را به پروژه هایی که بیش ترین نیاز را به آن ها دارند، بازتوزیع کنند، عملکرد را بهینه سازی کنند و سخت افزارهای بلااستفاده را به حداکثر برسانند.
کارهای تکراری و روتین می توانند به راحتی خودکار شوند، در زمان، انرژی و نیروی انسانی ماهر صرفه جویی کنند.
هوش مصنوعی همچنین می تواند داده ها و معیارهای عملکرد را پردازش کند و امکان اقدامات استراتژیک و پیشگیرانه برای رسیدگی به مشکلات بالقوه مدیریت حجم کار قبل از وقوع آن ها را فراهم کند.
سیستم ها خنک کننده مبتنی بر هوش مصنوعی
علاوه بر معرفی امکانات خنک کننده بهتر، هوش مصنوعی می تواند نقش مهمی در تشخیص و تنظیم پویای دما ایفا کند.
به جای خنک کردن سخت افزار در مرکز داده، هوش مصنوعی می تواند داده های دما را تجزیه و تحلیل کرده و برای تامین میزان خنک سازی مورد نیاز هر سخت افزار اقدام کند.
این می تواند شرایط رطوبت را برای عملکرد بهینه تنظیم کند، بهره وری توان را بهبود بخشد و عمر استفاده از تجهیزات را طولانی کند.
اثربخشی مصرف انرژی پویا
نظارت بلادرنگ و تحلیل های پیش بینی کننده توسط سیستم های AI می تواند بینش های کلیدی در مورد الگوهای مصرف برق و همچنین ناکارآمدی ها فراهم کند و به مدیران اجازه می دهد تا تصمیمات مبتنی بر داده بگیرند و استراتژی های مدیریت برق لازم را پیاده سازی کنند.
در حالی که واقعیت عینی این است که توان مورد نیاز برای مراکز داده ای که حجم کاری هوش مصنوعی را اجرا می کنند، همواره بالاتر از مراکز داده سنتی خواهد بود، تلاش های هم افزایی مدیریت مبتنی بر هوش مصنوعی و طراحی مرکز داده می تواند تاثیر قابل توجهی داشته باشد.
مراکز داده همچنین می توانند تولید آلاینده کربن خود را به حداقل رسانده و اثرات زیست محیطی را با اولویت بندی سیستم های مدیریت انرژی کارآمد و اتخاذ تکنیک های مدیریت توان مانند DVFS (مقیاس بندی ولتاژ و فرکانس پویا) کاهش دهند.
سخن پایانی
ارزش یک آینده دیجیتال بسیار پیچیده در هسته زیرساخت نهفته است.
مراکز داده باید تغییرات فیزیکی، عملیاتی و نرم افزاری را برای همگام شدن با دنیای مدرن در حال تحول و نیازهای هوش مصنوعی خود اتخاذ کنند.
خوشبختانه چالش های هوش مصنوعی را نیز می توان با راهکارهای هوش مصنوعی حل کرد.
با تطبیق تدریجی صنعت فن آوری و بهبود فن آوری، مدیریت و بهینه سازی حجم کار مبتنی بر هوش مصنوعی به جریان اصلی تبدیل خواهد شد و منجر به مراکز داده قوی مجهز به قدرت آینده خواهد شد.
نوآوری های موجود و جایگزین های دیگر مانند زیرساخت محاسبات غیر متمرکز نیز باعث ایجاد رقابت سالم و بهبود کارایی خواهد شد.
