شرکت اسنوفلک (Snowflake) به عنوان یکی از پیشروان حوزه دیتا کلاد و انبار داده، اخیراً اعلام کرده است که نمی‌خواهد بار سنگین آموزش مدل‌های هوش مصنوعی روی زیرساخت ابری خودش اجرا شود. این خبر که به سرعت در رسانه‌های فناوری بازتاب یافت، پرسش‌های مهمی درباره معماری داده و یادگیری ماشین مطرح کرده است.
چرا اسنوفلک آموزش مدل را به بیرون از کلاستر خود ارجاع می‌دهد؟
اسنوفلک پلتفرم خود را برای مدیریت، ذخیره‌سازی و تحلیل داده‌ها بهینه کرده است، اما آموزش مدل‌های پیچیده هوش مصنوعی نیازمند منابع محاسباتی سنگین و تخصصی است. اجرای این بارهای کاری روی کلاستر اسنوفلک نه‌تنها هزینه‌ها را به‌شدت افزایش می‌دهد، بلکه ممکن است باعث تداخل با عملکرد روزمره انبار داده شود. به‌همین دلیل، راهبرد جدید اسنوفلک این است که داده‌ها را در پلتفرم خود نگه دارد و فرایند آموزش مدل‌ها را به محیط‌های محاسباتی خارجی مانند سرویس‌های یادگیری ماشین ابری یا کلاسترهای اختصاصی انتقال دهد.
این تصمیم چه تأثیری بر توسعه‌دهندگان و سازمان‌ها دارد؟
سازمان‌هایی که از اسنوفلک به‌عنوان منبع داده اصلی خود استفاده می‌کنند، می‌توانند از طریق اتصال‌های استاندارد مانند کانکتورهای Spark یا APIهای موجود، داده‌ها را به ابزارهای دلخواه خود برای آموزش مدل منتقل کنند. این رویکرد باعث می‌شود تیم‌های علوم داده در انتخاب فریمورک‌ها و پلتفرم‌های محاسباتی انعطاف بیشتری داشته باشند. در عوض، اسنوفلک تمرکز خود را بر روی کیفیت داده، حاکمیت اطلاعات و امنیت، که مزیت‌های اصلی این پلتفرم هستند، حفظ می‌کند.
آینده پلتفرم‌های داده در عصر مدل‌های زبانی بزرگ
با رشد روزافزون مدل‌های زبانی بزرگ و نیاز به حجم عظیمی از داده برای پیش‌آموزش و تنظیم دقیق، نقش پلتفرم‌های داده در حال تغییر است. اسنوفلک با این رویکرد عملاً می‌پذیرد که در رقابت سخت‌افزاری و محاسباتی با ابر ارائه‌دهندگانی مانند AWS و Azure وارد نشود و در عوض به‌عنوان لایه هوشمند داده و حکمرانی در کنار آن‌ها عمل کند. این استراتژی ممکن است الگویی برای سایر سرویس‌های داده نیز باشد.
- کاهش هزینه‌های زیرساختی با انتقال آموزش مدل به سکوهای مقرون‌به‌صرفه‌تر
- جدا کردن بار محاسباتی سنگین از عملیات روزمره انبار داده
- افزایش انعطاف‌پذیری تیم‌های علم داده در انتخاب ابزار و فریمورک
- تمرکز اسنوفلک بر امنیت، حاکمیت و کیفیت داده
- پرهیز از وابستگی کامل به یک فروشنده برای عملیات یادگیری ماشین
در مجموع، تصمیم اسنوفلک به معنای کناره‌گیری از هوش مصنوعی نیست، بلکه به تعریف دقیق‌تری از مرز بین مدیریت داده و محاسبات سنگین اشاره دارد. شرکتها و توسعه‌دهندگانی که از اسنوفلک استفاده می‌کنند، باید معماری خود را برای این جداسازی آماده کنند و برنامه‌های انتقال داده را در استراتژی هوش مصنوعی خود بگنجانند.
پرسش‌های پرتکرار
اسنوفلک دقیقاً چه برنامه‌ای برای آموزش مدل‌های هوش مصنوعی دارد؟
اسنوفلک قصد دارد داده‌های مدیریت‌شده را به محیط‌های خارجی برای آموزش مدل منتقل کند و بار محاسباتی سنگین را از کلاستر خود دور نگه دارد. به این ترتیب سازمان‌ها می‌توانند از قدرت پردازشی سرویس‌های دیگر برای مدل‌هایشان استفاده کنند و اسنوفلک نیز بر دیتا و حاکمیت متمرکز بماند.
آیا این تصمیم به معنای ضعف اسنوفلک در حوزه هوش مصنوعی است؟
خیر؛ این رویکرد به‌دلیل صرفه اقتصادی و معماری بهتر است. اسنوفلک امکاناتی برای یکپارچه‌سازی با ابزارهای یادگیری ماشین ارائه می‌دهد، اما تمرکز اصلی خود را بر داده و امنیت گذاشته است.
