دیوید درگرز مدیر ارشد فناوری در خدمات ابری Cirrascale، ارائه دهنده پیشرو در راه حل های زیرساخت عمیق یادگیری. Cirrascale با هدایت ارزش های یکپارچگی ، چابکی و تمرکز مشتری ، راه حل های نوآورانه و مبتنی بر ابر مبتنی بر ابر (IAAS) را ارائه می دهد. همکاری با رهبران اکوسیستم هوش مصنوعی مانند Red Hat و Wekaio ، Cirrascale دسترسی یکپارچه به ابزارهای پیشرفته را تضمین می کند ، و به مشتریان این امکان را می دهد تا ضمن حفظ هزینه های قابل پیش بینی ، پیشرفت در یادگیری عمیق را هدایت کنند.
Cirrascale تنها ارائه دهنده GPUAAS است که با شرکت های بزرگ نیمه هادی مانند Nvidia ، AMD ، Cerebras و Qualcomm همکاری می کند. چگونه این موقعیت یابی منحصر به فرد از نظر عملکرد و مقیاس پذیری به مشتریان شما سود می برد؟
از آنجا که صنعت از مدل های آموزشی گرفته تا استقرار این مدلها به نام استنتاج تکامل می یابد ، هیچ اندازه ای متناسب با همه نیست. بسته به اندازه و نیازهای تأخیر مدل ، شتاب دهنده های مختلف مقادیر مختلفی را ارائه می دهند که می توانند مهم باشند. زمان پاسخگویی ، هزینه برای هر مزایا یا عملکرد هر وات می تواند بر هزینه و تجربه کاربر تأثیر بگذارد. از آنجا که استنتاج برای تولید است ، این ویژگی ها/قابلیت ها اهمیت دارند.
چه چیزی ابر نوآوری AI Cirrascale را از سایر ارائه دهندگان GPUAAS در پشتیبانی از هوش مصنوعی و گردش کار عمیق جدا می کند؟
Cirrascale’s AI Innovation Cloud Cloud به کاربران این امکان را می دهد تا فناوری های جدید و کاملاً پشتیبانی شده و کاملاً پشتیبانی شده را امتحان کنند که در هیچ ابر دیگری در دسترس نیستند. این می تواند نه تنها در تصمیمات فناوری ابری بلکه در خریدهای بالقوه در محل نیز کمک کند.
چگونه پلت فرم Cirrascale از ادغام یکپارچه برای استارتاپ ها و شرکت هایی با نیازهای شتاب AI متنوع اطمینان می دهد؟
Cirrascale یک روش راه حل برای ابر ما استفاده می کند. این بدان معناست که هم برای استارتاپ ها و هم برای شرکت ها ، ما یک راه حل کلید در دست را ارائه می دهیم که شامل Dev-Ops و مادون قرمز است. در حالی که ما آن را متمایز از پیشنهادات ما به عنوان عدم اشتراک یا مجازی بودن آن می نامیم ، Cirrascale به طور کامل تمام جنبه های ارائه را از جمله پیکربندی کامل سرورها ، شبکه سازی ، ذخیره سازی ، امنیت و دسترسی کاربر قبل از تبدیل سرویس به مشتریان خود پیکربندی می کند. بشر مشتریان ما می توانند بلافاصله استفاده از این سرویس را به جای اینکه خودشان همه چیز را پیکربندی کنند ، شروع کنند.
پذیرش AI در سطح شرکت موانعی مانند کیفیت داده ها ، محدودیت های زیرساخت ها و هزینه های بالایی با موانعی روبرو است. چگونه Cirrascale این چالش ها را برای مشاغل مقیاس ابتکارات هوش مصنوعی می پردازد؟
در حالی که Cirrascale خدمات نوع کیفیت داده را ارائه نمی دهد ، ما با شرکت هایی که می توانند در مشکلات داده کمک کنند ، همکاری می کنیم. در مورد زیرساخت ها و هزینه ها ، Cirrascale می تواند یک راه حل خاص برای نیازهای خاص مشتری را تنظیم کند که منجر به عملکرد کلی بهتر و هزینه های مرتبط با آن خاص برای نیاز مشتری می شود.
با پیشرفت Google در Models Computing Quantum (Willow) و AI (Gemini 2.0) ، چگونه می بینید که منظره شرکت AI در آینده نزدیک تغییر می کند؟
محاسبات کوانتومی به دلیل کمبود برنامه نویسان و برنامه های خارج از قفسه که می توانند از این ویژگی ها استفاده کنند ، هنوز هم برای اکثر افراد از زمان نخست کاملاً دور است. Gemini 2.0 و سایر پیشنهادات در مقیاس بزرگ مانند GPT4 و Claude مطمئناً جذب برخی از مشتریان شرکت می کنند ، اما بخش بزرگی از بازار شرکت در این زمان آماده نشده است تا به داده های خود با احزاب 3 و به ویژه مواردی که ممکن است اعتماد کنند برای آموزش مدل های خود از داده های گفته شده استفاده کنید.
یافتن تعادل مناسب قدرت ، قیمت و عملکرد برای مقیاس بندی راه حل های هوش مصنوعی بسیار مهم است. توصیه های برتر شما برای شرکت هایی که در این تعادل حرکت می کنند چیست؟
آزمون ، آزمون ، آزمون. برای یک شرکت بسیار مهم است که مدل خود را بر روی سیستم عامل های مختلف آزمایش کند. تولید متفاوت از توسعه است – مسائل مربوط به تولید. آموزش ممکن است یکی باشد و انجام شود ، اما استنباط برای همیشه است. اگر نیازهای عملکردی با هزینه کمتری برآورده شود ، این پس انداز به خط پایین می رسد و حتی ممکن است راه حل را زنده کند. غالباً استقرار یک مدل بزرگ بسیار گران است تا آن را برای استفاده عملی کند. کاربران نهایی همچنین باید به دنبال شرکت هایی باشند که می توانند به این آزمایش کمک کنند زیرا اغلب یک مهندس ML می تواند در استقرار در مقابل دانشمند داده ای که این مدل را ایجاد کرده است ، کمک کند.
چگونه Cirrascale راه حل های خود را برای برآورده کردن تقاضای فزاینده برای برنامه های تولید AI ، مانند LLMS و مدل های تولید تصویر سازگار می کند؟
Cirrascale وسیع ترین آرایه از شتاب دهنده های هوش مصنوعی را ارائه می دهد ، و با تکثیر مدل های LLMS و Genai که هم از نظر اندازه و هم از نظر اندازه و هم در دامنه (مانند سناریوهای چند مدلی) و دسته ای در مقابل زمان واقعی ، واقعاً اسب برای سناریوی دوره است.
آیا می توانید نمونه هایی از چگونگی کمک به Cirrascale به مشاغل را برای غلبه بر تأخیر و تنگناهای انتقال داده در گردش کار هوش مصنوعی ارائه دهید؟
Cirrascale دارای مراکز داده بی شماری در مناطق مختلف است و به اتصال شبکه به عنوان یک مرکز سود نگاه نمی کند. این به کاربران ما این امکان را می دهد تا اتصالات مورد نیاز برای جابجایی داده ها را “اندازه راست” و همچنین استفاده بیشتری از یک مکان در صورت تأخیر یک ویژگی مهم داشته باشند. همچنین ، با پروفایل بار کار واقعی ، Cirrascale می تواند در تعادل تأخیر ، عملکرد و هزینه برای ارائه بهترین ارزش پس از برآورده کردن نیازهای عملکرد کمک کند.
از چه روندهای ظهور سخت افزار یا زیرساخت های هوش مصنوعی بیشتر هیجان زده اید و چگونه Cirrascale برای آنها آماده می شود؟
ما بیشتر از پردازنده های جدید که برای استنباط در مقابل پردازنده های عمومی مبتنی بر GPU ساخته شده اند که خوشبختانه برای آموزش مناسب هستند ، بسیار هیجان زده هستیم ، اما برای موارد استفاده از استنباط که ذاتاً نیازهای محاسباتی متفاوتی نسبت به آموزش دارند ، بهینه نشده اند.
با تشکر از شما برای مصاحبه عالی ، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید بازدید کنند خدمات ابری Cirrascaleبشر
