כך תשתמשו ב-AI בארגון באמצעות פלטפורמת Red Hat OpenShift

מאת: עידן בר

במהלך עשר השנים האחרונות צפיתי כיצד טכנולוגיית הבינה המלאכותית משנה את פניה. אפילו בשלוש השנים האחרונות, במהלכן ניהלתי את תחום ההתמחות העוסק ב-AI במטריקס, ראינו שינוי משמעותי בתדירות השינויים וההבדלים במורכבות ומתודולוגיות הפתרון.

עד לפני כמה שנים, בינה מלאכותית הייתה מוכרת בעיקר לגורמים שפיתחו אותה – מדעני נתונים, אנליסטים, אנשי אקדמיה וכדומה. היה מדובר במודלים שמקבלים קלט ספציפי, מוציאים פלט מוגדר, ולרוב – עונים על צורך עסקי ממוקד או אתגר נקודתי. תצורת העבודה הזו של מודלים קיבלה טוויסט משמעותי מאז התפרצות ה-GenAI לחיינו בשלהי שנת 2022 בדמות ChatGPT.

השינוי המשמעותי ביותר הוא שכבר לא מסתכלים על AI כמודל, אלא כתהליך. כזה שמתחיל בסידור ואיסוף נכון של מידע ותיוג שלו, ממשיך בניהול אימונים, גרסאות מודלים ושינויי פרמטרים, ומסתיים בהרצה יעילה, תיקוף מתמיד וניטור אחר ביצועים – תצורת עבודה שונה לחלוטין, שדורשת שינוי משמעותי בכלים ובמתודולוגיות שהיו קיימות עד כה.

פלטפורמת Red Hat OpenShift

אחד מהכלים המשמעותיים בארסנל היא פלטפורמת Red Hat OpenShift.

כן, כן, גם כשאנחנו מדברים על AI.

ארגון שרוצה להשתמש ב-AI בצורה אופטימלית, צריך להתמודד עם מספר אתגרים משמעותיים שהטכנולוגיה הזו מציבה בפניו.

אחד מהאתגרים המשמעותיים הוא ביכולת של הארגון לשנות מהר את המודלים והפתרונות בהם הוא משתמש, ולנצל את הפוטנציאל העצום הקיים בסביבת ה-Open Source (קוד פתוח), המתקדמת משמעותית מכל סביבה אחרת.

Red Hat OpenShift, כפלטפורמת קוד פתוח בעצמה, עוטפת ומנגישה מודלי AI רבים בצורה פשוטה למשתמשים, ומאפשרת להם לצרוך את ה-AI המתקדמת ביותר על ידי שליחת בקשות פשוטות. הפלטפורמה גם מנגישה יכולות אימון של מנועי GenAI למידע הארגוני, כך שניתן יהיה להתאים אותם לצרכים הארגוניים. מינימום התעסקות בקוד, מקסימום התעסקות במיצוי הפוטנציאל העסקי.

אתגר נוסף הוא במעקב אחר תהליך יצירתו ומיצויו של המודל. אימון והתאמה של מודלים כרוכים בשינויים של פרמטרים וביצוע ניסויים רבים. OpenShift מאפשרת לחוקרים ול-Data engineers לנהל בצורה קלה את הניסויים שהם מבצעים, לתעד אותם, להשוות ביניהם ואף לשחזר אותם במידת הצורך. בנוסף, במידה שקיים צורך בביצוע של מספר ניסויים במקביל, הפלטפורמה יודעת לבצע זאת בעצמה, בלי שהחוקרים צריכים להגדיר ידנית את המכונות או הניסויים. מדובר בחיסכון משמעותי בזמן, שמאפשר להגיע לתוצאות טובות יותר בפרק זמן קצר יותר.

לארגונים רבים בישראל יש עוד אתגר – העבודה בסביבה היברידית. בזמן שחלק משמעותי מהארגונים בעולם עבר לעבוד באופן בלעדי בענן, בישראל קיימות מגבלות שלא מאפשרות לארגונים לעבוד שלא בסביבה מקומית. מדובר באתגר משמעותי מאוד, משום ששמירה על סביבות חיצוניות ופנימיות כך שיתאימו אחת לשנייה זו משימה שלפעמים יכולה להיחשב בלתי אפשרית.

היכולת של OpenShift להיפרס בסביבות ענן ו-On-Premise מהווה מכפיל כוח משמעותי אל מול האתגר הזה. חוקרים ו-Data engineers יכולים להתנסות בסביבות פתוחות במודלים העדכניים ביותר, לבנות קונטיינרים וקוד בהתבסס על הספריות העכשוויות וה-Images הכי אופטימליים, ולאמן ולנהל ניסויים בסביבות ענן מרובות חומרה, ולאחר מכן, להעביר את כל הידע והכלים שנצברו להרצה ברצפת הייצור בסביבת הארגון המנותקת. הכל על אותה פלטפורמה.

היום, כשאומרים בינה מלאכותית, מתכוונים לדינמיות. לשינוי. לשימוש במודלים הטובים ביותר בכל רגע נתון, בכל סביבה שהארגון חי בה. לשמירה על ביצועים לאורך זמן ועל Value for Money גבוה. ארגון שרוצה לנצל באופן מלא את הפוטנציאל הגלום בבינה המלאכותית, צריך לאמץ כלים ומתודולוגיות עבודה שיתנו ל-AI את האקו-סיסקום השלם שיתמוך בה. באורח פלא (ואולי לא באמת), הכלי שכבר היום מספק לכם את האקו-סיסטם כבר תומך בעולמות ה-AI. לא תנסו אותו?

אם אתם מעוניינים לשמוע יותר על עולמות הבינה המלאכותית בכלל ומתודולוגיות העבודה שלנו בסביבת Red Hat OpenShift בפרט, מומחי ה-OpenShift במטריקס ואני נשמח לייעץ, לעזור ולשתף מניסיוננו.

מעוניינים בפרטים נוספים? מוזמנים ליצור עמנו קשר