این روزها در بسیاری از جلسات فناوری، بحث هوش مصنوعی خیلی زود به انتخاب مدل، هوشمندسازی فرایندها و افزایش بهره‌وری می‌رسد.

این پرسش‌ها مهم‌اند، اما در گفت‌وگوهای کاری معمولاً چند سؤال اساسی دیرتر مطرح می‌شوند: داده‌ها کجا نگهداری خواهند شد؟ پردازش روی چه زیرساختی انجام می‌شود؟ شبکه چه حجمی از تبادل داده را باید تحمل کند؟ اگر تعداد کاربران افزایش پیدا کرد، سرویس چگونه توسعه می‌یابد؟ و چه کسی مسئول پایداری این زنجیره خواهد بود؟

هوش مصنوعی در ظاهر یک نرم‌افزار یا مدل است، اما اجرای واقعی آن به تجهیزات، منابع و تصمیم‌های زیرساختی وابسته است. در مرحله آزمایشی، تعداد کاربران و حجم داده محدود است و چند ثانیه تأخیر هم مهم به نظر نمی‌رسد. چالش از زمانی آغاز می‌شود که همان نمونه باید به سرویسی پایدار برای ده‌ها یا صدها کاربر تبدیل شود.

در بسیاری از پروژه‌ها، نمونه اولیه موفق است، اما هنگام استفاده گسترده با افت سرعت، محدودیت ظرفیت یا افزایش هزینه روبه‌رو می‌شود. مشکل همیشه از مدل نیست؛ گاهی زیرساخت برای این مقیاس طراحی نشده است.

آموزش یا تنظیم مدل، توان پردازشی زیادی می‌خواهد. در مرحله استنتاج، یعنی استفاده روزمره از مدل، تعداد درخواست‌های هم‌زمان، زمان پاسخ، دسترسی مداوم و هزینه هر درخواست مهم‌تر می‌شود.

برای نمونه، جست‌وجوی هوشمند در اسناد سازمانی فقط به مدل زبانی نیاز ندارد. سامانه باید به داده‌ها دسترسی پیدا کند و پاسخ را به‌موقع به کاربر برساند. کندی ذخیره‌سازی یا محدودیت شبکه می‌تواند ظرفیت یک پردازنده قدرتمند را هم هدر دهد.

زیرساخت خوب فقط یک قطعه قدرتمند نیست

یکی از اشتباه‌های رایج این است که زیرساخت هوش مصنوعی را با خرید چند پردازنده گرافیکی قدرتمند برابر بدانیم، درحالی‌که پردازنده فقط یکی از حلقه‌های این زنجیره است.

داده باید از محل ذخیره‌سازی به منابع پردازشی برسد، میان سرورها جابه‌جا شود و نتیجه به کاربر بازگردد. اگر ذخیره‌سازی یا شبکه پاسخ‌گو نباشد، قدرت پردازنده به‌تنهایی مشکل را حل نمی‌کند.

این تجهیزات به برق پایدار، سرمایش، فضای رک، افزونگی، پشتیبان‌گیری و پایش نیاز دارند. توان پردازشی بیشتر معمولاً مصرف انرژی و گرمای بیشتری هم ایجاد می‌کند. اگر این موارد از ابتدا دیده نشوند، تجهیز جدید می‌تواند به عامل ناپایداری تبدیل شود.

زیرساخت مناسب زمانی شکل می‌گیرد که میان پردازش، شبکه، ذخیره‌سازی، انرژی و سرمایش تعادل برقرار باشد؛ نه زمانی که فقط قدرتمندترین یا گران‌ترین تجهیز خریداری شده باشد.

در بسیاری از پروژه‌های سازمانی، ارزشمندترین دارایی خود مدل نیست؛ داده‌ای است که مدل برای پاسخ‌گویی به آن دسترسی دارد. اطلاعات مالی، سوابق مشتریان، اسناد داخلی، داده‌های عملیاتی و دانش انباشته سازمان را نمی‌توان بدون سیاست مشخص در اختیار هر سرویس خارجی قرار داد.

به همین دلیل، موضوع هوش مصنوعی خصوصی یا درون‌سازمانی برای بسیاری از سازمان‌ها جدی‌تر شده است. البته خصوصی‌بودن الزاماً به این معنا نیست که تمام اجزا باید در داخل سازمان ساخته یا نگهداری شوند. بعضی مجموعه‌ها به زیرساخت داخلی نیاز دارند، برخی می‌توانند از فضای ابری استفاده کنند و برای گروهی نیز معماری ترکیبی انتخاب منطقی‌تری است.

تصمیم درست باید براساس حساسیت داده، تعداد کاربران، هزینه، سطح دسترسی و الزامات امنیتی گرفته شود. مهم این است که سازمان از ابتدا بداند داده در کجا نگهداری می‌شود، از چه مسیری انتقال پیدا می‌کند، چه کسانی به آن دسترسی دارند و مسئولیت حفاظت از آن بر عهده چه بخشی است.

هزینه‌ای که روی پیش‌فاکتور دیده نمی‌شود

قیمت خرید تجهیزات فقط بخشی از هزینه واقعی یک پروژه هوش مصنوعی است. مصرف برق، سرمایش، فضای رک، نگهداری، پشتیبان‌گیری، امنیت، توسعه آینده و حتی بلااستفاده ماندن منابع گران‌قیمت نیز باید در محاسبات دیده شوند.

خرید بیش از نیاز می‌تواند سرمایه سازمان را برای مدت طولانی بدون استفاده نگه دارد. خرید کمتر از نیاز هم ممکن است خیلی زود باعث افت عملکرد، نارضایتی کاربران و خرید دوباره تجهیزات شود.

به همین دلیل، گفت‌وگو درباره زیرساخت نباید از نام محصول آغاز شود. ابتدا باید بدانیم قرار است چه مسئله‌ای حل شود، چند نفر از سرویس استفاده خواهند کرد، حجم داده چقدر است، چه زمان پاسخی قابل قبول است و توقف سرویس چه پیامدی برای سازمان دارد. رشد احتمالی بار کاری در دو یا سه سال آینده نیز باید از همان ابتدا در طراحی دیده شود.

پس از آغاز به کار سرویس، پایش به یکی از بخش‌های اصلی زیرساخت تبدیل می‌شود. باید بدانیم پردازنده‌ها چقدر درگیر هستند، ذخیره‌سازی با چه سرعتی پاسخ می‌دهد، شبکه در کدام نقطه به محدودیت نزدیک می‌شود و هر بار استفاده از مدل چه هزینه‌ای ایجاد می‌کند. بدون این اطلاعات، تصمیم‌گیری برای افزایش ظرفیت بیشتر به حدس شبیه خواهد بود تا مدیریت.

از نگاه من، سازمانی که مدل مناسبی انتخاب کرده اما هنوز درباره داده، شبکه، ذخیره‌سازی، توان، سرمایش و تداوم سرویس تصمیم روشنی ندارد، هنوز به یک راهکار هوش مصنوعی نرسیده است؛ تنها یک نمونه آزمایشی در اختیار دارد.

زیرساخت معمولاً کم‌صداترین بخش گفت‌وگو درباره هوش مصنوعی است، اما درست در لحظه‌ای که یک ایده باید به خدمتی واقعی و قابل اتکا تبدیل شود، اهمیت خود را نشان می‌دهد. آینده هوش مصنوعی سازمانی فقط به مدل‌های بهتر وابسته نیست؛ به زیرساختی بستگی دارد که بتواند این مدل‌ها را امن، پایدار و در مقیاس واقعی اجرا کند.