GPU គឺជាខួរក្បាលរបស់កុំព្យូទ័រ AI

និយាយឱ្យសាមញ្ញ អង្គភាពដំណើរការក្រាហ្វិក (GPU) ដើរតួជាខួរក្បាលរបស់កុំព្យូទ័រ AI ។

ដូចដែលអ្នកបានដឹងហើយថា អង្គភាពដំណើរការកណ្តាល (CPU) គឺជាខួរក្បាលរបស់កុំព្យូទ័រ។ អត្ថប្រយោជន៍នៃ GPU គឺថា វាជា CPU ចាំបាច់ក្នុងការអនុវត្តការគណនាស្មុគ្រស្មាញ។ មធ្យោបាយលឿនបំផុតដើម្បីធ្វើគណិតវិទ្យានេះគឺដើម្បីឱ្យក្រុម GPUs ដោះស្រាយបញ្ហាដូចគ្នា។ ទោះ​ជា​យ៉ាង​នេះ​ក្ដី ការ​បណ្ដុះបណ្ដាល​គំរូ AI នៅ​តែ​អាច​ចំណាយ​ពេល​រាប់​សប្ដាហ៍ ឬ​រាប់​ខែ។ នៅពេលដែលបានសាងសង់រួច វាត្រូវបានដាក់នៅក្នុងប្រព័ន្ធកុំព្យូទ័រខាងមុខ ហើយអ្នកប្រើប្រាស់អាចសួរសំណួរទៅកាន់ម៉ូដែល AI ដែលជាដំណើរការហៅថាការសន្និដ្ឋាន។

កុំព្យូទ័រ AI ដែលមាន GPU ច្រើន។

ស្ថាបត្យកម្មដ៏ល្អបំផុតសម្រាប់ការដោះស្រាយបញ្ហា AI គឺត្រូវប្រើចង្កោមនៃ GPUs នៅក្នុង rack ដោយភ្ជាប់ទៅកុងតាក់នៅលើកំពូលនៃ rack ។ រ៉ាកែត GPU ច្រើនអាចត្រូវបានភ្ជាប់បន្ថែមនៅក្នុងឋានានុក្រមនៃការតភ្ជាប់បណ្តាញ។ ដោយសារបញ្ហាដែលត្រូវដោះស្រាយកើនឡើងក្នុងភាពស្មុគស្មាញ តម្រូវការ GPU ក៏កើនឡើងដែរ ហើយគម្រោងខ្លះអាចនឹងត្រូវដាក់ពង្រាយក្រុម GPU រាប់ពាន់។

ចង្កោម AI នីមួយៗគឺជាបណ្តាញតូចមួយ

នៅពេលបង្កើត AI cluster វាចាំបាច់ត្រូវរៀបចំបណ្តាញកុំព្យូទ័រតូចមួយដើម្បីភ្ជាប់ និងអនុញ្ញាតឱ្យ GPUs ធ្វើការជាមួយគ្នា និងចែករំលែកទិន្នន័យប្រកបដោយប្រសិទ្ធភាព។

រូបខាងលើបង្ហាញពីចង្កោម AI ដែលរង្វង់នៅខាងក្រោមតំណាងឱ្យលំហូរការងារដែលដំណើរការលើ GPU ។ GPU ភ្ជាប់ដើម្បីប្តូរនៅលើកំពូលនៃ rack (ToR) ។ កុងតាក់ ToR ក៏ភ្ជាប់ទៅកុងតាក់ឆ្អឹងខ្នងបណ្តាញដែលបានបង្ហាញខាងលើដ្យាក្រាម ដោយបង្ហាញពីឋានានុក្រមបណ្តាញច្បាស់លាស់ដែលត្រូវការនៅពេលដែល GPUs ច្រើនជាប់ពាក់ព័ន្ធ។

បណ្តាញគឺជាឧបសគ្គក្នុងការដាក់ពង្រាយ AI
កាលពីរដូវស្លឹកឈើជ្រុះឆ្នាំមុន នៅក្នុងកិច្ចប្រជុំកំពូលសកល Open Computer Project (OCP) ដែលគណៈប្រតិភូបានធ្វើការរួមគ្នាដើម្បីកសាងហេដ្ឋារចនាសម្ព័ន្ធ AI ជំនាន់ក្រោយ ប្រតិភូ Loi Nguyen នៃ Marvell Technology បានបង្កើតចំណុចសំខាន់មួយថា “បណ្តាញគឺជាឧបសគ្គថ្មី”។

តាមបច្ចេកទេស ការពន្យាពេលកញ្ចប់ព័ត៌មានធំ ឬការបាត់បង់កញ្ចប់ព័ត៌មានដោយសារការកកស្ទះបណ្តាញអាចបណ្តាលឱ្យកញ្ចប់ព័ត៌មានមានភាពច្របូកច្របល់ ដែលបង្កើនពេលវេលាបំពេញការងារ (JCT) យ៉ាងសំខាន់។ ជាលទ្ធផល GPUs ដែលមានតម្លៃរាប់លាន ឬរាប់សិបលានដុល្លារពីអាជីវកម្មត្រូវបានខ្ជះខ្ជាយដោយសារតែប្រព័ន្ធ AI មិនមានប្រសិទ្ធភាព ដែលបណ្តាលឱ្យមានការខូចខាតដល់អាជីវកម្មទាំងប្រាក់ចំណូល និងពេលវេលាសម្រាប់ទីផ្សារ។

ការវាស់វែងគឺជាលក្ខខណ្ឌសំខាន់សម្រាប់ប្រតិបត្តិការជោគជ័យនៃបណ្តាញ AI

ដើម្បីដំណើរការចង្កោម AI ប្រកបដោយប្រសិទ្ធភាព GPUs ចាំបាច់ត្រូវតែអាចប្រើប្រាស់បានពេញលេញ ដើម្បីកាត់បន្ថយរយៈពេលបណ្តុះបណ្តាល និងដាក់ពង្រាយគំរូសិក្សាដើម្បីបង្កើនផលចំណេញពីការវិនិយោគ។ ដូច្នេះ ចាំបាច់ត្រូវធ្វើការសាកល្បង និងវាយតម្លៃដំណើរការនៃចង្កោម AI (រូបភាពទី 2)។ ទោះជាយ៉ាងណាក៏ដោយ កិច្ចការនេះមិនងាយស្រួលទេ ព្រោះនៅក្នុងលក្ខខណ្ឌនៃស្ថាបត្យកម្មប្រព័ន្ធមានការកំណត់ និងទំនាក់ទំនងជាច្រើនរវាង GPU និងរចនាសម្ព័ន្ធបណ្តាញដែលត្រូវការបំពេញគ្នាទៅវិញទៅមកដើម្បីដោះស្រាយបញ្ហា។

វាបង្កើតបញ្ហាប្រឈមជាច្រើនក្នុងការវាស់វែងបណ្តាញ AI៖

- ភាពលំបាកក្នុងការផលិតឡើងវិញនូវបណ្តាញផលិតកម្មទាំងមូលនៅក្នុងមន្ទីរពិសោធន៍ ដោយសារការកំណត់តម្លៃ បរិក្ខារ កង្វះខាតវិស្វករ AI បណ្តាញជំនាញ លំហ ថាមពល និងសីតុណ្ហភាព។

- ការវាស់វែងលើប្រព័ន្ធផលិតកម្មកាត់បន្ថយសមត្ថភាពដំណើរការដែលមាននៃប្រព័ន្ធផលិតកម្មខ្លួនឯង។

- ភាពលំបាកក្នុងការផលិតឡើងវិញនូវបញ្ហាដោយភាពខុសប្លែកគ្នានៃមាត្រដ្ឋាន និងវិសាលភាពនៃបញ្ហា។

- ភាពស្មុគស្មាញនៃរបៀបដែល GPUs ត្រូវបានភ្ជាប់ជារួម។

ដើម្បីដោះស្រាយបញ្ហាប្រឈមទាំងនេះ សហគ្រាសអាចសាកល្បងសំណុំរងនៃការដំឡើងដែលបានស្នើឡើងនៅក្នុងបរិយាកាសមន្ទីរពិសោធន៍ ដើម្បីសម្គាល់ប៉ារ៉ាម៉ែត្រសំខាន់ៗដូចជា JCT (ពេលវេលាបញ្ចប់ការងារ) កម្រិតបញ្ជូនដែលក្រុម AI អាចសម្រេចបាន ហើយប្រៀបធៀបវាជាមួយនឹងការប្តូរវេទិកា និងការប្រើប្រាស់ឃ្លាំងសម្ងាត់។ ស្តង់ដារនេះជួយស្វែងរកសមតុល្យត្រឹមត្រូវរវាង GPU/ដំណើរការបន្ទុក និងការរចនា/ការដំឡើងបណ្តាញ។ នៅពេលដែលពេញចិត្តនឹងលទ្ធផលនេះ ស្ថាបត្យករកុំព្យូទ័រ និងវិស្វករបណ្តាញអាចអនុវត្តការកំណត់ទាំងនេះដើម្បីផលិត និងវាស់វែងលទ្ធផលថ្មី។

មន្ទីរពិសោធន៍ស្រាវជ្រាវសាជីវកម្ម វិទ្យាស្ថានស្រាវជ្រាវ និងសាកលវិទ្យាល័យកំពុងធ្វើការដើម្បីវិភាគគ្រប់ទិដ្ឋភាពនៃការកសាង និងប្រតិបត្តិការបណ្តាញ AI ប្រកបដោយប្រសិទ្ធភាព ដើម្បីដោះស្រាយបញ្ហាប្រឈមនៃការងារលើបណ្តាញធំ ជាពិសេសនៅពេលដែលការអនុវត្តល្អបំផុតបន្តផ្លាស់ប្តូរ។ វិធីសាស្រ្តសហការដែលអាចធ្វើម្តងទៀតនេះគឺជាមធ្យោបាយតែមួយគត់សម្រាប់អាជីវកម្មដើម្បីធ្វើការវាស់វែងម្តងហើយម្តងទៀត និងសាកល្បងយ៉ាងរហ័សនូវសេណារីយ៉ូ "តើមានអ្វីប្រសិនបើ" ដែលជាមូលដ្ឋានគ្រឹះសម្រាប់ការបង្កើនប្រសិទ្ធភាពបណ្តាញសម្រាប់ AI ។

(ប្រភព៖ Keysight Technologies)