NetApp و NVIDIA معماری ذخیره‌سازی را برای کارخانه‌های هوش مصنوعی بازطراحی می‌کنند

ذخیره‌سازی هوش مصنوعی با گسترش کارخانه‌های هوش مصنوعی و استفاده سازمانی از عامل‌ها به بازنگری معماری نیاز دارد؛ NetApp در همکاری با NVIDIA، معماری Novus را برای جداسازی پردازش داده و فراداده معرفی کرده است. این رویکرد که مدیران دو شرکت در رویداد NetApp INSIGHT درباره آن توضیح دادند، قرار است امکان مقیاس‌دهی جداگانه به بارهای کاری متفاوت را فراهم کند و نگذارد کندی ذخیره‌سازی، منابع گران‌قیمت GPU را بی‌کار نگه دارد. جزئیات این گفت‌وگو اول اکتبر ۲۰۲۶ منتشر شد.

چرا ذخیره‌سازی هوش مصنوعی به معماری تازه نیاز دارد؟

زیرساخت ذخیره‌سازی سازمانی سنتی عمدتاً برای بارهایی طراحی شده بود که رشد و تغییرشان قابل‌پیش‌بینی‌تر بود. اما در سامانه‌های هوش مصنوعی، انتقال حجم زیادی از داده می‌تواند هم‌زمان با تعداد زیادی عملیات کوچک و سریع روی فراداده انجام شود. این دو نوع فعالیت، الگوی یکسانی ندارند و رقابت آن‌ها برای منابع مشترک ممکن است به گلوگاه تبدیل شود.

فراداده، اطلاعاتی درباره خود داده است؛ برای نمونه، مشخص می‌کند یک فایل کجا قرار دارد یا چه مجوزی برای دسترسی به آن وجود دارد. بخشی از این عملیات ماهیت تراکنشی دارد و معمولاً کوچک است. در مقابل، جابه‌جایی داده‌های حجیم یا ذخیره‌سازی checkpointها، یعنی ثبت وضعیت یک فرایند برای ادامه‌دادن یا بازیابی آن، می‌تواند انتقال پیوسته و سنگینی ایجاد کند.

Arindam Banerjee، مدیر ارشد پلتفرم و فناوری NetApp، در گفت‌وگویی در NetApp INSIGHT گفت معماری‌های قبلی معمولاً یکی از این دو نوع کار را خوب انجام می‌دادند، اما مدیریت مؤثر هر دو در یک زمان دشوار بود. در سامانه‌های هوش مصنوعی، هر دو الگو ممکن است هم‌زمان روی یک زیرساخت حضور داشته باشند؛ از همین‌رو، معماری‌ای که منابع و مسیرهای یکسانی را برای همه عملیات به کار بگیرد، ممکن است کارایی خود را از دست بدهد.

به گفته Banerjee، وقتی عملیات داده و فراداده از رسانه و شبکه مشترک استفاده می‌کنند، درخواست‌های بزرگ انتقال داده می‌توانند پشت عملیات کوچک‌تر فراداده در صف بمانند یا برعکس. پیامد این وضعیت فقط طولانی‌شدن پردازش نیست: GPUها ممکن است در انتظار رسیدن داده بمانند، درحالی‌که همچنان برق مصرف می‌کنند. در نتیجه، سرعت و بهره‌وری زیرساخت به توان پردازشی محدود نمی‌شود و نحوه رساندن داده به پردازنده‌ها هم اهمیت پیدا می‌کند.

Novus داده و فراداده را جداگانه مقیاس می‌دهد

NetApp برای پاسخ به این مسئله، معماری Novus را توصیف کرده است؛ معماری‌ای که کارکردهای مدیریت داده و فراداده را از هم جدا می‌کند تا هرکدام بتوانند مستقل و متناسب با نیاز خود توسعه پیدا کنند. به بیان ساده، اگر یک سامانه با افزایش درخواست‌های کوچک برای یافتن یا مجوزدهی به داده روبه‌رو شود، لازم نیست همان منابعی را به کار بگیرد که برای جابه‌جایی جریان‌های بزرگ داده استفاده می‌شوند.

این جداسازی قرار است انعطاف‌پذیری بیشتری در تنظیم زیرساخت فراهم کند. بارهای کاری هوش مصنوعی ثابت نیستند: آموزش تکمیلی یک مدل، اجرای استنتاج برای پاسخ‌دادن به درخواست‌ها و نگهداری داده‌های آماده برای استفاده، نیازهای متفاوتی دارند. Jason Hardy، معاون فناوری ذخیره‌سازی در NVIDIA، در همان گفت‌وگو تأکید کرد سازمان‌ها باید بتوانند سامانه‌های خود را در گذر زمان گسترش دهند و با ورود موارد استفاده تازه، ناچار به طراحی دوباره کل زیرساخت نشوند.

Hardy وضعیت سازمان‌ها را در حال گذار از مرحله آزمایش به سمت استفاده عملیاتی و گسترده‌تر توصیف کرد. او به افزایش استفاده از عامل‌های هوش مصنوعی و استنتاج در مقیاس سازمانی اشاره کرد. در چنین شرایطی، طراحی ذخیره‌سازی باید هم ظرفیت و هم عملکرد را در نظر بگیرد و بتواند با تغییر تقاضا میان بخش‌های مختلف زیرساخت سازگار شود.

همکاری NetApp و NVIDIA در حوزه زیرساخت هوش مصنوعی، به گفته گزارش، سابقه‌ای بیش از یک دهه دارد و اکنون شامل مهندسی مشترک نیز می‌شود. با این حال، جزئیات منتشرشده درباره Novus بر هدف معماری و نحوه جداسازی منابع متمرکز است؛ در گزارش زمان عرضه یا مشخصات عملکردی کمّی برای آن اعلام نشده است.

عامل‌ها مسئله هم‌زمانی و دسترسی را پررنگ می‌کنند

عامل‌های هوش مصنوعی، که می‌توانند برای انجام وظایف به داده‌ها و ابزارهای مختلف مراجعه کنند، الگوی تازه‌ای از فشار بر ذخیره‌سازی ایجاد می‌کنند. Banerjee گفت هزاران عامل ممکن است در یک زمان به داده‌ها مراجعه کنند، خود را مجاز کنند و عملیات مرتبط دیگری انجام دهند. بنابراین مسئله فقط این نیست که سامانه در هر ثانیه چه مقدار داده جابه‌جا می‌کند؛ تعداد درخواست‌هایی که می‌تواند هم‌زمان مدیریت کند نیز اهمیت دارد.

این ظرفیت را «هم‌زمانی» می‌نامند: توانایی رسیدگی به چندین درخواست در همان بازه زمانی. بار زیادی از درخواست‌های هم‌زمان می‌تواند تعداد عملیات فراداده را بالا ببرد، حتی اگر هر درخواست به‌تنهایی کوچک باشد. اگر مجوزها موقت یا محدود به دامنه مشخصی باشند، سامانه باید اطلاعات مربوط به دسترسی را نیز به‌موقع بررسی کند. در نتیجه، الزامات عامل‌ها با نیازهای انتقال پرسرعت داده جمع می‌شود و طراحی ذخیره‌سازی باید هر دو را پوشش دهد.

این تغییر می‌تواند شیوه تعامل تیم‌های هوش مصنوعی با زیرساخت ذخیره‌سازی را هم دگرگون کند. به گفته Banerjee، کاربران اصلی چنین سامانه‌هایی لزوماً متخصصان مهندسی ذخیره‌سازی نیستند؛ آن‌ها باید بتوانند منابع مورد نیازشان را بدون درگیرشدن با پیچیدگی‌های مدیریت زیرساخت مصرف کنند. او بر دسترسی از طریق API و SDK تأکید کرد؛ ابزارهایی که به نرم‌افزارها اجازه می‌دهند به‌شکل برنامه‌پذیر با یک سامانه ارتباط بگیرند.

NetApp در حال طراحی یک لایه کنترلی تازه برای دسترسی به Novus از طریق APIهاست. Banerjee همچنین گفت در آینده ممکن است خود عامل‌ها بخشی از کار مصرف و مدیریت منابع را انجام دهند. از این منظر، «عامل‌پسند» بودن به این معناست که سامانه بتواند درخواست‌های برنامه‌پذیر را ساده و کنترل‌شده بپذیرد؛ نه اینکه تیم‌های هوش مصنوعی ناچار باشند برای هر تغییر، به متخصصان ذخیره‌سازی وابسته باشند.

پیامدها برای زیرساخت‌های هوش مصنوعی سازمانی

اهمیت این رویکرد فراتر از افزایش سرعت انتقال داده است. اگر GPUها به‌دلیل انتظار برای داده کمتر بیکار بمانند، سازمان‌ها می‌توانند از منابع پردازشی نصب‌شده بهره مؤثرتری بگیرند. این موضوع در مقیاس زیرساخت‌های بزرگ اهمیت دارد، چون به گفته Banerjee، پردازنده‌ای که در انتظار داده است همچنان انرژی مصرف می‌کند. بنابراین هماهنگی میان ذخیره‌سازی و محاسبه بخشی از مسئله بهره‌وری کلی سامانه است.

در عین حال، جداسازی معماری به‌تنهایی تضمین نمی‌کند که همه گلوگاه‌ها برطرف شوند. کارکرد نهایی به نیازهای واقعی بار کاری و نحوه تنظیم اجزای زیرساخت وابسته خواهد بود. اطلاعات منتشرشده درباره Novus توضیحی کلی از طراحی ارائه می‌کند، نه آزمون‌های مقایسه‌ای یا ارقام عملکرد. از این رو، نمی‌توان بر پایه این گفت‌وگو درباره میزان بهبود در یک محیط مشخص نتیجه‌گیری کرد.

آنچه روشن است، تغییر نوع تقاضاست: سازمان‌ها از آزمایش‌های محدود به استفاده عملیاتی‌تر حرکت می‌کنند و هم‌زمان با ورود عامل‌ها، شمار درخواست‌های هم‌زمان و نیاز به کنترل دسترسی افزایش می‌یابد. معماری ذخیره‌سازی باید برای این ترکیب از انتقال داده‌های سنگین، عملیات فراداده و مصرف برنامه‌پذیر آماده باشد. همکاری NetApp و NVIDIA و طراحی Novus، پاسخی در همین جهت است؛ هرچند میزان موفقیت آن در عمل به پیاده‌سازی و نیازهای هر سازمان بستگی خواهد داشت.

این خبر برای چه کسانی اهمیت دارد

این تحول برای مدیران زیرساخت و مراکز داده، تیم‌های آموزش و استنتاج مدل‌های هوش مصنوعی و سازمان‌هایی که در حال انتقال عامل‌ها از مرحله آزمایش به محیط عملیاتی هستند اهمیت دارد. برای این گروه‌ها، سرعت GPU تنها معیار تصمیم‌گیری نیست؛ دسترس‌پذیری داده، توان مدیریت درخواست‌های هم‌زمان و سهولت اتصال زیرساخت به نرم‌افزارها نیز تعیین می‌کند منابع پردازشی تا چه اندازه مفید واقع شوند.

همچنین مدیران فناوری اطلاعات می‌توانند این بحث را هنگام برنامه‌ریزی ظرفیت و انتخاب معماری ذخیره‌سازی در نظر بگیرند. گزارش از عرضه مشخص یا برتری کمّی Novus خبر نمی‌دهد، اما مسئله‌ای را برجسته می‌کند که با رواج بارهای کاری هوش مصنوعی و عامل‌ها پررنگ‌تر می‌شود: ذخیره‌سازی باید هم انتقال داده‌های حجیم و هم درخواست‌های پرتعداد و هم‌زمان را مدیریت کند.