"הדרך לניצול מיטבי של IT: חיבור עולמות החומרה וה-AI"

מאת: הילל יוסף

"זה יותר מעשור עולם ה-IT מתמודד עם ההיקף ההולך וגדל של דאטה, שיש לנתח אותה לעומק על מנת להפיק ממנה תובנות עסקיות. במקביל, מערכי המחשוב בארגונים הפכו למורכבים יותר ויותר. כעת נוסף אתגר חדש והוא ניצול מיטבי של תשתיות המחשוב לטובת הפעלת מערכי בינה מלאכותית. פה אנו נכנסים לתמונה, עם היצע חומרה מתקדם ושירותים נלווים. כך, אנו פותרים למנמ"רים שתי בעיות: גם מעניקים להם יכולות מחשוב בעוצמות ובהיקפים גדולים יותר, לטובת ניתוח הנתונים לעומק ובאופן רב-שכבתי, וגם מאפשרים להם לנצל בצורה מיטבית את תשתיות המחשוב הקיימות", כך אמר שא-לי וואנג, מנהל פיתוח בכיר לאזור EMEA (ר"ת אירופה המזה"ת ואפריקה) בחברת גיגהבייט טכנולוגיות (Gigabyte Technology).

גיגהבייט מיוצגת בישראל על ידי צג-עליתה מערכות מחשבים, חברת אינטגרציה ואחת מיבואניות המחשבים והציוד ההיקפי הגדולות והוותיקות בארץ. בראיון לאנשים ומחשבים אמר וואנג כי "החברה הטייוואנית שהוקמה ב-1986, ועסקה בעיקר בייצור והפצה של רכיבי חומרת מחשבים בשוק הקונסיומר, הרחיבה בעשור האחרון ומיקדה את מירב הפעילות שלה במתן פתרונות ייחודיים לשרתי HPC. לחברה מגוון של כ-200 דגמים שונים המספקים מענה לכל דרישה בתחום חומרת ה-AI".

"בינה מלאכותית", אמר, "אינה דבר חדש, אבל התחום תפס תאוצה בשנה האחרונה. כדי ליישם אותה בהצלחה, המכונות, התוכנות והיישומים – צריכים להפיק את התובנות שלהם באותו אופן שבני אדם עושים – עם שמירת המידע והפיכתם לחכמים יותר עם הזמן. אנו נמצאים בנקודת זמן בה הטכנולוגיה התקדמה: למשל, יש לנו יכולת לאסוף ולאחסן כמויות נתונים עצומות הנדרשות ל-ML, לימוד מכונה, יש יכולות מהירות יותר בעיבוד וביכולות המחשוב. כל אלו מאפשרים לעבד את הנתונים שנאספים ולהפוך את המכונה, או האפליקציה – לחכמה יותר. החשיבות של AI עבור יישומים אלו היא ביכולת לקבל החלטות באופן עצמאי, בזמן אמת – על סמך נתונים מהעולם האמיתי, עם יכולת ללמוד מהנתונים הללו ומהמשוב של המשתמשים – כדי להפוך למדויקים יותר עם הזמן".

לימוד מעמיק דורש כוח מחשוב מקבילי ומסיבי

"כיום", ציין וואנג, "כדי לקדם את פיתוח הבינה המלאכותית במכונות ויישומים, ארגונים עושים שימוש בלימוד מכונה או בגרסה המתקדמת שלה, לימוד מעמיק. זו מאמצת מודלים של DNN (ר"ת Deep Neural Networks) – אלגוריתמים מסובכים הדומים במבנה ובתפקוד למוח האנושי. לימוד מעמיק דורש לא רק כמות גדולה של נתונים – אותם ניתן לאחסן ולעבד עם שרתי האחסון שלנו – אלא גם כוח מחשוב מקבילי ומסיבי, כדי לאמן אלגוריתם המבוסס על נתונים אלו. שרת ה-GPU שלנו הוא אידיאלי למשימה זו".

לדבריו, "פיתחנו גם DNN Training Appliance. זו 'ערימת' תוכנה וחומרה משולבת, הבנויה על שרת שלנו, לטובת הגדרה, ניהול וניטור של סביבת ML באופן פשוט, עם אופטימיזציות של חומרה ותוכנה הנעשות באופן מהיר ומדויק יותר".

"הלקוחות הארגוניים שלנו", הסביר וואנג, "מגיעים מכל המגזרים בתעשייה, ויש להם מכנה משותף אחד: ריבוי נתונים, הדורש יכולות מחשוב גבוהות. הלקוחות מגיעים מהמגזר הציבורי-ממשלתי, מזה הבנקאי, ממכוני מחקר, מהאקדמיה, מחברות היי-טק ועוד. אנו מגיעים למנמ"רים, או למנהלי התשתיות, ומסייעים להם לשפר את יכולות המחשוב שלהם, לטובת ניתוח נתונים מעמיק ורחב יותר, חיקור דפוסי התנהגות ועוד – בלא להכביד לו על הכיס".

"העולם הולך ליותר ויותר מורכבות ארכיטקטונית ב-IT, בשל המשולש החדש שנוצר – מחשוב, בינה מלאכותית וחומרה. ואנו ב-גיגהבייט מהווים את המענה למצב זה", סיכם וואנג. "המענה הוא בעזרת יכולות לטיפול ביותר נתונים, מיותר סוגים ויותר מקורות מידע, עם מענה למחשוב קצה, עם פילוח של הנתונים לעומק, והתמודדות עם עוד ועוד דטה. אנו מאפשרים ללקוחות הארגוניים לפעול בתחום הניתוח – בענן בקרקע, בדטה סנטר – או באופן היברידי. כך, אנו מאפשרים למנמ"רים לנצל באופן מיטבי את ההשקעה שלהם בתשתיות המחשוב, ומעניקים למנהלים יכולת קבלת החלטות מושכלת יותר, וחכמה יותר עסקית".