مع تطور أنظمة الذكاء الاصطناعي من مجرد توليد المخرجات إلى اتخاذ الإجراءات، يتطلب تدريبها أكثر من مجرد القدرة الحاسوبية. تتطلب عمليات الذكاء الاصطناعي المتقدمة، مثل التعلم المعزز والتقييم، بيئات تنفيذ معزولة تُشغّل التعليمات البرمجية بأمان، وتحافظ على المعلومات عبر الخطوات، وتتوسع لتشمل أحمال العمل المتزامنة.

علاوة على ذلك، تفتقر معظم المؤسسات إلى طبقة تنفيذ موحدة للتعلم المعزز، واستخدام أدوات الوكلاء، وتقييم النماذج. وبدلاً من ذلك، تعتمد على أنظمة مصممة خصيصًا، أو أدوات متكاملة بشكل غير محكم، أو منتجات تجريبية خارجية تقع خارج بنيتها التحتية الأساسية. ومع ازدياد الحجم والتزامن وتعقيد سير العمل، تصبح هذه الأساليب المنفصلة أكثر صعوبة في الإدارة، وأقل موثوقية، وأكثر تعقيدًا في التحكم.

توفر CoreWeave Sandboxes طبقة التنفيذ الموحدة هذه من خلال نموذجين للوصول: على مستوى المجموعة لفرق المنصة التي تقوم بتشغيل التدريب على خدمة CoreWeave Kubernetes (CKS) وبدون خادم من خلال W&B للباحثين وفرق الذكاء الاصطناعي التطبيقي الذين يرغبون في عزل على مستوى المؤسسات دون الحاجة إلى البنية التحتية.

صُممت لتناسب الحجم والبساطة والتحكم

تتوفر الآن بيئات CoreWeave المعزولة عبر وحدة التحكم السحابية وحزمة تطوير البرامج (SDK) الخاصة بلغة Python، وتعمل مباشرةً ضمن مجموعة CKS الخاصة بالعميل، مما يتيح للفرق تشغيل مهام التعلم المعزز، واستخدام أدوات الوكلاء، وتقييم النماذج جنبًا إلى جنب مع مهام الذكاء الاصطناعي الخاصة بهم دون الحاجة إلى إضافة حزمة تنفيذ منفصلة. عند الإطلاق، تتضمن حزمة تطوير برامج (SDK) بلغة Python لإنشاء وإدارة بيئات معزولة وآمنة قادرة على التعامل مع المهام المعقدة ذات التفاعل المتبادل وتشغيل مهام متعددة في الوقت نفسه. تساعد أدوات إدارة الجلسات المدمجة، وتكامل التخزين، وأدوات المراقبة الفرق على تشغيل هذه العمليات بأقل قدر من النفقات التشغيلية.

بالنسبة للفرق التي لا تمتلك مجموعة CoreWeave حالية، أو التي تسعى لتوسيع قدراتها الحاسوبية، تتوفر CoreWeave Sandboxes كبيئة تشغيل بدون خادم عبر Weights & Biases. يقوم الباحثون بالمصادقة باستخدام مفتاح API موجود في W&B، وتثبيت عميل Python، ويمكنهم بدء تشغيل بيئات الاختبار في دقائق دون الحاجة إلى توفير مجموعة أو اتخاذ قرارات بشأن البنية التحتية. تعمل كل بيئة اختبار في بيئة افتراضية معزولة تمامًا بشكل افتراضي - مما يعني أن أي عطل أو ارتفاع مفاجئ في استهلاك الذاكرة أو عملية خارجة عن السيطرة في بيئة اختبار واحدة لا يمكن أن تؤثر على أي بيئة أخرى. عند حدوث خطأ ما، لا يتعين على الفرق البحث في أنظمة منفصلة لمعرفة السبب: يتم تسجيل نشاط بيئة الاختبار مباشرةً في نفس عرض تشغيل W&B مع مقاييس التدريب، وبالتالي تتم عملية تصحيح الأخطاء في سياقها بدلاً من البحث بين الأدوات.

قال برايان بيلغودير، كبير الفنيين في قسم أنظمة الذكاء الاصطناعي/التعلم الآلي بمركز أبحاث IBM: "تُسدّ CoreWeave Sandboxes ثغرةً حقيقيةً في بنية أبحاث الذكاء الاصطناعي لدينا، ألا وهي تنفيذ التعليمات البرمجية بشكل آمن ومعزول وعلى نطاق واسع مباشرةً على موارد الحوسبة الحالية لدينا. تُشغّل عمليات التعلم المعزز لدينا آلافًا من بيئات الاختبار المعزولة بالتوازي لكل خطوة تدريب، ولكل منها صورة حاوية وحدود موارد خاصة بها. يستطيع الباحثون تشغيل بيئات الاختبار المعزولة في غضون دقائق من تثبيت cwsandbox باستخدام pip، دون الحاجة إلى أي معرفة بالبنية التحتية."

قال تشين غولدبيرغ، نائب الرئيس التنفيذي للمنتجات والهندسة في CoreWeave: "مع انتقال استخدام أدوات الوكلاء وتقييمها إلى نطاق الإنتاج، تحتاج الفرق إلى طبقة تنفيذ تعمل مثل بقية بنيتها التحتية - مُدارة، وقابلة للمراقبة، وقريبة من سير العمل الذي يعمل بالفعل على CoreWeave. تُسدّ بيئات CoreWeave Sandboxes فجوة التنفيذ في التعلم المعزز وسير عمل الوكلاء دون الحاجة إلى أن تُنشئ الفرق أنظمة تنفيذ مخصصة. وبالنسبة للفرق التي ترغب في هذه الإمكانيات دون إدارة مجموعاتها الخاصة، فإن المسار اللامركزي عبر Weights & Biases يجعل طبقة التنفيذ نفسها متاحة في دقائق."

معالجة التعقيد المتزايد لسير عمل الذكاء الاصطناعي

قال رومان سوليتسكي، عالم الذكاء الاصطناعي في شركة ميسترال: "كانت إدارة المجموعات المنفصلة وجدولة بيئات الاختبار المعزولة عبر أنواع مختلفة من العُقد تفتقر إلى حل موحد، مما كان يُهدر وقتنا ومواردنا. وقد حلت بيئات الاختبار المعزولة من CoreWeave هذه المشكلة. الآن، نقوم بتشغيل مئات بيئات الاختبار المعزولة المتزامنة على عُقد وحدة المعالجة المركزية، إلى جانب مهام تدريب Slurm على عُقد وحدة معالجة الرسومات، كل ذلك من خلال إعداد واحد. وقد مكّنت حزمة تطوير البرمجيات (SDK) الخاصة بلغة Python باحثينا من البدء فورًا، وعمل فريق CoreWeave معنا عن كثب لتكييف حزمة تطوير البرمجيات مفتوحة المصدر لتندمج بسلاسة في قاعدة بياناتنا البرمجية."

قال هولجر مولر، نائب الرئيس وكبير المحللين في شركة كونستليشن ريسيرش: "تواجه الشركات ضغوطًا متزايدة لبناء أنظمة أتمتة الذكاء الاصطناعي بأسرع وقت ممكن، لذا فهي تبحث عن أي وسيلة لتسريع عملية الانتقال من الفكرة إلى التطبيق العملي للأنظمة. ومع دخولها المراحل التالية من أتمتة الذكاء الاصطناعي، تحتاج هذه الشركات إلى دعم التحقق من المكافآت وتقييمها دون إضافة بنية تحتية مخصصة إلى بيئاتها الحالية. إن التنفيذ المصمم خصيصًا والذي يبقى ضمن بنية التدريب الحالية يقلل من التوسع التشغيلي ويزيل هشاشة أنظمة الاختبار الداخلية، وهي ثغرة لا يُصمم موردو أنظمة الاختبار العامة أو تلك التي تعتمد على وحدة المعالجة المركزية فقط لحلها."

مبني على بنية تحتية مثبتة للذكاء الاصطناعي

تقدم CoreWeave باستمرار أداءً رائدًا في مجال البنية التحتية، ويتجلى ذلك من خلال نتائج معيار MLPerf القياسية، ومكانتها كسحابة الذكاء الاصطناعي الوحيدة التي حصلت على أعلى تصنيف بلاتيني في كل من SemiAnalysis ClusterMAX™ 1.0 و 2.0، وتصنيفها رقم 1 لسرعة الاستدلال وأداء السعر لـ Kimi K2.6 من Moonshot AI في قياس الاستدلال المستقل الذي أجرته Artificial Analysis.