فهرست مطالب
- IBM و CoreWeave در زمینه مدیریت هویت و کنترل بارهای کاری همکاری مهندسی دارند.
- اجرای عامل‌ها در فرایند یادگیری تقویتی، نیازهای زیرساختی را از آموزش مدل فراتر می‌برد.
- CoreWeave Sandboxes امکان اجرای جداشده کد عامل‌ها را روی زیرساخت اختصاصی یا محیط سرورلس فراهم می‌کند.
- IBM اثر عملکردی کنترل‌های امنیتی را با نتایج معیارهای بنچمارک می‌سنجد.
زیرساخت عامل‌های هوش مصنوعی باید علاوه بر آموزش مدل، اجرای کد و دسترسی کنترل‌شده به ابزارها را هم پوشش دهد؛ موضوعی که IBM و CoreWeave در طراحی مشترک کنترل‌های هویتی و جداسازی بارهای کاری دنبال می‌کنند. به گزارش SiliconANGLE در ۲ اکتبر ۲۰۲۶، این همکاری بخشی از تغییری گسترده‌تر در زیرساخت پژوهشی است: تیم‌ها دیگر فقط مدل‌ها را آموزش نمی‌دهند، بلکه آن‌ها را در محیط‌های اجرایی آزمایش می‌کنند و می‌سنجند. این تغییر، ملاحظات امنیتی و هزینه‌ای را به مراحل اولیه طراحی سامانه‌ها می‌آورد.
از آموزش مدل تا اجرای عامل‌ها
پژوهش درباره مدل‌های هوش مصنوعی به‌طور سنتی بر آموزش متمرکز بوده است؛ مرحله‌ای که در آن مدل با استفاده از داده و توان محاسباتی، پارامترهای خود را تنظیم می‌کند. اما در فرایند یادگیری تقویتی، پس از آموزش ممکن است یک نسخه از مدل به محیط استنتاج منتقل شود تا کاری انجام دهد و عملکردش ارزیابی شود. استنتاج به مرحله‌ای گفته می‌شود که مدل برای پاسخ‌گویی یا انجام وظیفه از نسخه آموزش‌دیده خود استفاده می‌کند.
برایان بلگودره، عضو ارشد فنی در IBM، در گفت‌وگو با theCUBE Research در رویداد Fully Connected گفت که این مرحله اجرایی بخشی از فرایند آموزش و سنجش مدل است. در این شیوه، پژوهشگران یک نقطه از فرایند آموزش را انتخاب می‌کنند، مدل را در محیط استنتاج بارگذاری می‌کنند و از آن می‌خواهند کاری انجام دهد؛ سپس نتیجه را اندازه‌گیری می‌کنند. بنابراین زیرساخت باید بتواند هم محاسبات سنگین آموزش را پشتیبانی کند و هم اجرای وظایف و سنجش مدل را.
تفاوت مهم این است که بعضی عامل‌ها صرفاً متن تولید نمی‌کنند؛ آن‌ها می‌توانند با ابزارها، فضای ذخیره‌سازی یا سرویس‌های دیگر تعامل داشته باشند و کد اجرا کنند. در نتیجه، مدیریت منابع محاسباتی به‌تنهایی کافی نیست. سامانه باید مشخص کند چه کسی یا چه چیزی به محیط اجرا دسترسی دارد، کد در کجا اجرا می‌شود و چه منابعی در اختیار آن قرار می‌گیرد. این نیازها، جداسازی بارهای کاری عامل‌ها را به مسئله‌ای عملی برای زیرساخت‌های پژوهشی تبدیل کرده است.
نقش IBM و CoreWeave در طراحی کنترل‌ها
به گفته بلگودره، گسترش فعالیت‌های IBM Research در توسعه خانواده مدل‌های Granite به زیرساخت محاسباتی قابل‌توجهی نیاز داشته است. او همچنین گفت نیازهای خنک‌سازی و تأمین برق در نسل بعدی سخت‌افزار، از عواملی بود که به تصمیم IBM برای همکاری با CoreWeave انجامید. IBM برای کارهای خود یک خوشه بزرگ مبتنی بر GPUهای H100 ساخت؛ بلگودره این کار را پروژه‌ای بزرگ توصیف کرد که از فراهم‌کردن فضا تا آماده‌سازی زیرساخت را دربر می‌گرفت.
همکاری دو شرکت به استفاده از ظرفیت محاسباتی محدود نمانده و به مهندسی مشترک در زمینه مدیریت هویت و کنترل بارهای کاری گسترش یافته است. طبق توضیحات بلگودره، IBM نیازهای خود را برای پیوند دادن سامانه‌های هویتی داخلی‌اش با محیط CoreWeave مطرح کرده و پیاده‌سازی حاصل را در چند مرحله بازبینی کرده است. او گفت CoreWeave نیز گاهی برای گرفتن بازخورد درباره طرح‌های خود با IBM مشورت می‌کند.
مدیریت هویت در این زمینه یعنی تعیین اینکه کاربران، سرویس‌ها یا فرایندهای خودکار با چه مجوزی می‌توانند به منابع دسترسی پیدا کنند. برای بارهای کاری عامل‌محور، این موضوع اهمیت ویژه‌ای دارد؛ زیرا یک عامل ممکن است هنگام اجرای وظیفه به سرویس‌ها یا داده‌هایی نیاز داشته باشد که نباید بدون محدودیت در اختیارش باشند. همکاری توصیف‌شده میان دو شرکت، بر چگونگی پیوند دادن سیاست‌های هویتی به محیط اجرای این بارهای کاری تمرکز دارد؛ با این حال، گزارش جزئیاتی درباره محصول تازه یا جدول زمانی عرضه ارائه نمی‌کند.
جداسازی اجرا و انتخاب محل فعالیت عامل
بخش زیادی از خوشه IBM، به گفته بلگودره، به‌صورت تک‌مستاجری استفاده می‌شود؛ یعنی منابع محاسباتی و ذخیره‌سازی برای یک مشتری یا سازمان در نظر گرفته شده‌اند، نه اینکه چند مشتری به‌شکل مشترک از یک محیط استفاده کنند. IBM ذخیره‌سازی خود را نیز در محیط CoreWeave مستقر کرده و می‌تواند ظرفیت بیشتری را در چارچوب محدودیت‌های هزینه و امنیت در اختیار بگیرد. این شیوه به پژوهشگران امکان می‌دهد میان نیازهای عملیاتی و میزان کنترل موردنظرشان انتخاب کنند.
همکاری همچنین شامل CoreWeave Sandboxes است؛ محیط‌هایی برای اجرای جداشده کد عامل‌ها. این محیط‌ها می‌توانند روی زیرساخت اختصاصی اجرا شوند یا در قالب یک محیط سرورلسِ مدیریت‌شده در دسترس باشند. «سرورلس» در اینجا به این معناست که کاربر لازم نیست همه جزئیات مدیریت سرور را خودش بر عهده بگیرد؛ با این حال، گزارش درباره جزئیات فنی یا سطح دقیق جداسازی در این گزینه‌ها اطلاعات بیشتری ارائه نمی‌کند.
اهمیت این انتخاب آن است که گروه پژوهشی می‌تواند محل اجرای کد و منابعی را که در اختیار آن قرار می‌گیرد تعیین کند. اجرای اختصاصی ممکن است با نیازهای مشخص امنیتی یا کنترلی سازگار باشد، در حالی که گزینه مدیریت‌شده شکل دیگری از استفاده از منابع را ممکن می‌کند. بلگودره هشدار داد که تصمیم‌های معماری اولیه می‌توانند هزینه تغییر زیادی داشته باشند: انتخاب نامناسب ممکن است به خرید ظرفیت شبکه‌ای بیش از نیاز منجر شود یا سازمان را ناچار کند زیرساخت موجود را دوباره تجهیز کند.
امنیت، عملکرد و زنجیره تأمین
افزودن کنترل‌های امنیتی می‌تواند بر عملکرد اثر بگذارد؛ برای همین IBM، بنا بر گفته بلگودره، تأثیر این کنترل‌ها را در برابر نتایج بنچمارک‌ها می‌سنجد. بنچمارک آزمونی استاندارد برای مقایسه عملکرد سامانه‌ها یا سنجش تغییرات است. نتایج این اندازه‌گیری‌ها به IBM کمک می‌کند درباره بده‌بستان میان امنیت و سرعت با تیم‌های امنیتی گفت‌وگو کند. در چنین بحثی، هدف صرفاً افزودن کنترل بیشتر نیست؛ باید روشن شود که هر کنترل چه هزینه‌ای برای کارایی ایجاد می‌کند و در برابر چه خطری قرار می‌گیرد.
بلگودره امنیت را مسئله‌ای در سراسر زنجیره تأمین توصیف کرد، نه موضوعی محدود به سخت‌افزار. از دید او، سخت‌افزار، میان‌افزار، هسته سیستم‌عامل، کد، منشأ داده‌ها و تصویرهای اجرایی عامل‌ها همگی در این زنجیره نقش دارند. «منشأ داده» به این پرسش مربوط است که داده از کجا آمده و چگونه وارد سامانه شده است؛ تصویر اجرایی نیز مجموعه‌ای است که برای اجرای نرم‌افزار یا عامل به کار می‌رود. بررسی این اجزا برای ارزیابی اعتمادپذیری محیطی که عامل در آن فعالیت می‌کند اهمیت دارد.
این نگاه، مسئله جداسازی را به بخشی از معماری امنیتی گسترده‌تر پیوند می‌دهد. جدا کردن محیط اجرا به‌تنهایی همه خطرها را برطرف نمی‌کند؛ سازمان باید در کنار آن هویت و مجوزها را مدیریت کند و اجزای نرم‌افزاری و داده‌ای مورد استفاده را نیز بشناسد. در عین حال، تصمیم‌های امنیتی و زیرساختی روی هزینه و عملکرد اثر می‌گذارند. از همین رو، همکاری مهندسی میان مصرف‌کننده زیرساخت و ارائه‌دهنده آن می‌تواند برای آزمودن نیازها و بازبینی طراحی مفید باشد؛ هرچند گزارش درباره نتایج کمی این همکاری یا میزان بهبود عملکرد عددی ارائه نمی‌دهد.
این خبر برای چه کسانی اهمیت دارد
این تحول برای تیم‌های پژوهشی که مدل‌های یادگیری تقویتی را می‌آموزند و سپس رفتارشان را در مرحله استنتاج می‌سنجند اهمیت دارد؛ زیرا اجرای عامل‌ها نیازهایی فراتر از توان محاسباتی آموزش ایجاد می‌کند. مدیران زیرساخت نیز با تصمیم‌هایی درباره ظرفیت شبکه، ذخیره‌سازی، دسترسی و محل اجرای کد روبه‌رو هستند که تغییرشان در مراحل بعد ممکن است پرهزینه باشد.
برای تیم‌های امنیتی، تجربه IBM نمونه‌ای از تلاش برای سنجش هم‌زمان کنترل‌های امنیتی و اثر آن‌ها بر عملکرد است. همچنین سازمان‌هایی که محیط ابری یا زیرساخت مشترک در اختیار دارند می‌توانند از این بحث برای بررسی نحوه مدیریت هویت و جداسازی کدهای عامل‌ها استفاده کنند. خبر، معرفی یک مدل تازه یا قابلیت عمومی جدید نیست؛ اهمیت آن در نشان‌دادن این است که با حرکت پژوهش از آموزش به اجرای عامل‌ها، طراحی زیرساخت و امنیت به بخش جدایی‌ناپذیر توسعه هوش مصنوعی تبدیل می‌شود.
پرسش‌های متداول
همکاری IBM و CoreWeave بر چه موضوعی متمرکز است؟
چرا اجرای عامل‌های هوش مصنوعی به جداسازی نیاز دارد؟
CoreWeave Sandboxes چه کاربردی دارد؟
دانش آموخته مدیریت کسب و کار گرایش استراتژی و پژوهشگر ، استراتژیست و توسعه دهنده اقتصاد دیجیتال
مطالب مرتبط
هوش مصنوعی در صنعت انرژی؛ کاهش مصرف بدون ریسک عملیاتیهوش مصنوعی می‌تواند با پیش‌بینی تقاضا، بهینه‌سازی تجهیزات و شناسایی خطاها، مصرف انرژی را کاهش دهد؛…
راهنمای انتخاب هوش مصنوعی برای کارخانه‌ها در ۲۰۲۶انتخاب هوش مصنوعی برای کارخانه فقط مقایسه چند نرم‌افزار یا مدل زبانی نیست؛ باید مسئله کسب‌وکار،…
راهنمای پیاده‌سازی دوقلوی دیجیتال مبتنی بر هوش مصنوعیپیاده‌سازی دوقلوی دیجیتال مبتنی بر هوش مصنوعی، فرایندی مرحله‌ای برای ساخت یک مدل زنده و داده‌محور…
