پنج راه برای ارزیابی آمادگی زیرساخت فناوری اطلاعات برای هوش مصنوعی

پنج راه برای ارزیابی آمادگی زیرساخت فناوری اطلاعات برای هوش مصنوعی

موفقیت در پیاده‌سازی هوش مصنوعی به زیرساخت وابسته است. با استفاده از این چارچوب پنج‌گانه، ظرفیت برق، سیستم‌های سرمایش، امنیت، راهبرد هزینه و قابلیت مقیاس‌پذیری زیرساخت خود را ارزیابی کنید.

نویسنده: Patrycja Sobera، Industry Perspectives
تاریخ انتشار: ۲ اکتبر ۲۰۲۶
زمان مطالعه: ۴ دقیقه

هیجان و علاقه به هوش مصنوعی به‌تنهایی نمی‌تواند بارهای کاری AI را اجرا کند؛ این زیرساخت فناوری اطلاعات است که اجرای آن‌ها را ممکن می‌سازد. با افزایش استفاده سازمان‌ها از هوش مصنوعی، محدودیت‌های موجود در زیرساخت‌های فعلی بیش از گذشته آشکار می‌شوند؛ از ظرفیت ناکافی برق و کمبود توان سرمایشی گرفته تا پیچیدگی‌های عملیاتی و ریسک‌های امنیتی جدید.اگر این نیازها به‌درستی برطرف نشوند، پروژه‌های هوش مصنوعی ممکن است متوقف شوند، امکان توسعه و مقیاس‌پذیری آن‌ها دشوار شود یا حتی بدتر از آن، داده‌های حساس سازمان در معرض خطر قرار گیرد.هوش مصنوعی می‌تواند زمینه‌ساز رشد و افزایش رقابت‌پذیری بلندمدت سازمان باشد؛ اما این امر تنها زمانی محقق می‌شود که مدیران، میزان آمادگی زیرساخت را با نگاهی واقع‌بینانه و در مقایسه با امکانات موجود، راهبرد سرمایه‌گذاری و برنامه سازمان برای نیازهای آینده ارزیابی کنند.اشتباه در این مرحله یک عقب‌گرد جزئی نیست؛ بلکه می‌تواند تفاوت میان یک سرمایه‌گذاری موفق در حوزه AI و پروژه‌ای باشد که اساساً هرگز به مرحله بهره‌برداری نمی‌رسد.پیش از اختصاص بودجه برای پروژه‌های جدید، می‌توان با استفاده از پنج گام زیر مشخص کرد که زیرساخت سازمان در چه بخش‌هایی به بهبود نیاز دارد.

• زیرساخت پایه مناسب را ایجاد کنید

عملکرد هوش مصنوعی به زیرساختی وابسته است که در پشت آن قرار دارد. سرورها، تجهیزات ذخیره‌سازی و شبکه باید بتوانند چگالی بالای پردازشی (High Compute Density) و جریان‌های حجیم داده را بدون افزایش بیش از حد دما یا بروز اختلال مدیریت کنند.حتی قدرتمندترین سامانه‌های AI نیز در صورتی که اجزای زیرساخت پایه از نیازهای آن عقب باشند، نمی‌توانند عملکرد مورد انتظار را ارائه دهند.برای مثال، یک سامانه کنترل کیفیت در خط تولید را در نظر بگیرید. دوربین‌ها، Storage و منابع پردازشی باید بتوانند متناسب با سرعت حرکت خط تولید، عملیات Inference بلادرنگ را انجام دهند. اگر Pipeline پردازش نتواند با سرعت خط تولید هماهنگ شود، ممکن است محصولات معیوب از فرآیند کنترل عبور کنند.همین اصل در داخل Data Center نیز صدق می‌کند. یک Cluster مجهز به GPUهای سریع‌تر ممکن است در اثر محدودیت Throughput ذخیره‌سازی، ازدحام شبکه یا محدودیت‌های حرارتی نتواند به حداکثر ظرفیت خود برسد.

بنابراین سازمان‌ها باید عملکرد اجزای زیرساخت را به‌صورت یکپارچه ارزیابی کنند، نه اینکه هر بخش را به‌صورت مستقل مورد بررسی قرار دهند.

• ظرفیت برق و سرمایش را در اولویت قرار دهید

برای مشخص شدن اینکه زیرساخت فناوری اطلاعات سازمان توان پشتیبانی از بارهای سنگین AI را دارد یا خیر، بررسی دقیق ظرفیت برق و زیرساخت سرمایش ضروری است.

Rackای که برای مصرف ۵ کیلووات طراحی شده است، نمی‌تواند به‌سادگی یک Node هوش مصنوعی با مصرف ۲۰ کیلووات را پشتیبانی کند. بدون تأمین توان الکتریکی کافی، پروژه AI ممکن است حتی پیش از آغاز عملیاتی متوقف شود.البته تنها ظرفیت برق اهمیت ندارد؛ پایداری و قابلیت اطمینان تأمین برق نیز به همان اندازه مهم است.

سازمان‌ها باید بررسی کنند:

• زیرساخت فعلی به‌طور پایدار چه میزان توان الکتریکی می‌تواند تأمین کند؟
• آیا سیستم توزیع برق ظرفیت موردنیاز AI را دارد؟
• آیا سیستم‌های سرمایشی قادر به دفع گرمای اضافی تولیدشده هستند؟
• آیا UPS، ژنراتورها و تجهیزات توزیع برق برای بار جدید مناسب هستند؟
• آیا افزایش توان مصرفی در آینده نیز قابل پشتیبانی است؟

Power و Cooling باید هم‌زمان و متناسب با یکدیگر توسعه پیدا کنند.افزایش ظرفیت پردازشی بدون توسعه سرمایش مناسب می‌تواند باعث افزایش دما، کاهش عملکرد، فعال شدن مکانیزم‌های Thermal Throttling و در نهایت کاهش قابلیت اطمینان زیرساخت شود.

به همین دلیل، در طراحی زیرساخت AI، برق و سرمایش باید به‌عنوان دو جزء به‌هم‌پیوسته در نظر گرفته شوند.

• امنیت را در سراسر محیط AI برقرار کنید

برنامه‌های هوش مصنوعی اغلب با داده‌های حساس، محرمانه و اختصاصی سازمان سروکار دارند. حفاظت از این دارایی‌ها به چندین لایه امنیتی نیاز دارد که از جمله آن‌ها می‌توان به امنیت فیزیکی، دفاع شبکه‌ای و کنترل دسترسی اشاره کرد.وجود ضعف در هر یک از این لایه‌ها می‌تواند سایر بخش‌های محیط را نیز در معرض خطر قرار دهد و موجب افشای اطلاعات حساس شود.

سازمان‌ها علاوه بر کنترل‌های امنیتی سنتی، باید ریسک‌های اختصاصی AI را نیز ارزیابی کنند؛ از جمله:

• دست‌کاری مدل‌ها
• نشت داده‌ها
• سوءاستفاده از مدل‌های AI
• دسترسی غیرمجاز به داده‌های مورد استفاده مدل
• ریسک‌های ناشی از ارتباط مدل‌ها و سرویس‌های خارجی
• الزامات قانونی و مقرراتی مرتبط با داده و AI

همچنین باید الزامات سیاست‌های داخلی سازمان و مقررات حوزه فعالیت نیز در نظر گرفته شود.یک رویکرد جامع امنیتی باید هم از زیرساخت فیزیکی و فناوری اطلاعات و هم از محیط پردازش AI و داده‌های مورد استفاده آن محافظت کند.در چنین معماری‌ای، امنیت نباید قابلیتی باشد که در پایان پروژه به زیرساخت اضافه شود؛ بلکه باید از ابتدا به‌عنوان یکی از اصول بنیادی طراحی در نظر گرفته شود.

• بین هزینه‌های قابل پیش‌بینی و هزینه‌های انعطاف‌پذیر تصمیم بگیرید

سازمان‌های مختلف رویکرد یکسانی نسبت به هزینه‌ها ندارند.برخی سازمان‌ها برای مدیریت بودجه به هزینه‌های ثابت و قابل پیش‌بینی نیاز دارند، در حالی که برخی دیگر انعطاف‌پذیری بیشتری را ترجیح می‌دهند و می‌توانند تغییرات هزینه را بپذیرند.هیچ‌یک از این دو رویکرد ذاتاً درست یا غلط نیست. انتخاب مناسب به راهبرد زیرساخت و اولویت‌های مالی سازمان بستگی دارد و همین موضوع نحوه تصمیم‌گیری درباره هزینه‌های AI را تعیین می‌کند.تغییرات قیمت سرویس‌های Cloud نیز می‌تواند عدم قطعیت ایجاد کند. بنابراین لازم است واحدهای مالی و مهندسی فناوری اطلاعات از ابتدای پروژه با یکدیگر هماهنگ باشند.سازمان‌هایی که به بودجه کاملاً قابل پیش‌بینی نیاز دارند نباید در پایان پروژه با صورتحساب‌های متغیر و غیرمنتظره مواجه شوند. در مقابل، سازمان‌هایی که انعطاف‌پذیری برایشان اولویت دارد نیز نباید برای دریافت تضمین‌هایی که واقعاً به آن‌ها نیاز ندارند، هزینه اضافی پرداخت کنند.هماهنگ کردن این دو بخش از همان ابتدای پروژه باعث می‌شود تصمیم‌های مربوط به هزینه AI در راستای راهبرد مالی کلان سازمان قرار گیرد، نه در تضاد با آن.با افزایش استفاده از هوش مصنوعی، اصول FinOps نیز می‌توانند برای تعیین چارچوب‌های کنترل هزینه مورد استفاده قرار گیرند؛ به‌گونه‌ای که در عین کنترل مخارج، فضای کافی برای نوآوری نیز باقی بماند.

• فضای کافی برای رشد آینده ایجاد کنید

بارهای کاری هوش مصنوعی به‌ندرت ثابت باقی می‌مانند.

نیاز سازمان می‌تواند به دلایل مختلف افزایش یابد؛ از جمله:

• توسعه برنامه‌های فعلی AI
• اضافه شدن Use Caseهای جدید
• افزایش تعداد کاربران
• افزایش حجم داده
• افزایش تعداد درخواست‌های Inference
• رشد کلی کسب‌وکار سازمان

در نتیجه، زیرساختی که صرفاً برای بار کاری امروز طراحی شده است، ممکن است در مدت کوتاهی به یک گلوگاه برای توسعه آینده تبدیل شود.برای جلوگیری از این مشکل، سازمان باید علاوه بر افزایش ظرفیت پردازشی و Storage، ظرفیت شبکه و سیستم‌های سرمایشی را نیز متناسب با رشد آینده توسعه دهد.بنابراین Scalability یا قابلیت مقیاس‌پذیری باید از همان ابتدای طراحی زیرساخت در نظر گرفته شود.ایجاد انعطاف‌پذیری در معماری باعث می‌شود سازمان بتواند با تغییر نیازهای AI، ظرفیت زیرساخت را نیز به‌تدریج افزایش دهد؛ بدون آنکه مجبور شود کل معماری را از ابتدا بازطراحی کند.

از آمادگی زیرساخت تا دستیابی به نتیجه

سرمایه‌گذاری در هوش مصنوعی به زیرساختی نیاز دارد که بتواند از مرحله استقرار اولیه تا رشد و توسعه آینده از آن پشتیبانی کند.مدیران فناوری اطلاعات می‌توانند با استفاده از این چارچوب پنج‌گانه مشخص کنند که زیرساخت فعلی سازمان در کدام بخش‌ها با کمبود یا محدودیت مواجه است و سپس بهبودهای موردنیاز را اولویت‌بندی کنند.پیش از انجام هر سرمایه‌گذاری جدید در حوزه AI، باید میزان آمادگی زیرساخت ارزیابی و شکاف‌های موجود برطرف شوند.در غیر این صورت، ممکن است خود زیرساخت فناوری اطلاعات به عاملی تبدیل شود که مانع تحقق اهداف پروژه‌های هوش مصنوعی سازمان شود.

جمع‌بندی

در عمل، آمادگی برای AI تنها به خرید GPU، سرور یا یک پلتفرم نرم‌افزاری محدود نمی‌شود. یک زیرساخت AI-ready باید حداقل پنج ویژگی اساسی داشته باشد:

در نهایت، AI بدون زیرساخت مناسب صرفاً یک ظرفیت بالقوه است؛ اما زمانی که Compute، Storage، Network، Power، Cooling، Security و مدل مالی و توسعه‌پذیری در یک معماری منسجم قرار گیرند، هوش مصنوعی می‌تواند از یک پروژه آزمایشی به یک قابلیت پایدار و قابل توسعه در سازمان تبدیل شود.

تیم فنی شرکت کوشا فناوران مبتکر آمادگی خود را برای یاری به حفاظت از داده های ارزشمند شما اعلام می دارد. این اقدامات شامل طراحی و پیاده سازی طرح تداوم کسب و کار و بازیابی داده ها پس از بحران ، طراحی و پیاده سازی طرح پشتیبان گیری امن داده و هاردنینگ و امن سازی زیر ساخت فناوری اطلاعات می باشند.