செயற்கை நுண்ணறிவால் இயங்கும் தரவு மையங்கள் நமது டிஜிட்டல் எதிர்காலத்தின் முதுகெலும்பாக அமைகின்றன. முன்னணியில் இருப்பதற்கு, செயற்கை நுண்ணறிவுக்குத் தயாரான தரவு மையங்களை நிறுவும் பணியை விரைவுபடுத்துவது இன்றியமையாதது, மேலும் இதில் அடங்கியுள்ள மூன்று கட்டங்களை இந்தக் கட்டுரை ஆராய்கிறது.
உலகெங்கிலும் உள்ள தொழில்துறைகளின் வளர்ச்சிக்கு செயற்கை நுண்ணறிவு இப்போது ஒரு புதிய மூலக்கல்லாக விளங்குகிறது. அன்றாடப் பணிகளைத் தானியக்கமாக்குவது முதல், தயாரிப்புகள் மற்றும் சேவைகளுக்கான புதிய யோசனைகளை உருவாக்குவது வரை அனைத்திற்கும் இந்தத் தொழில்நுட்பம் பயன்படுத்தப்படுகிறது, மேலும் இதன் தாக்கம் இன்னும் வேகமெடுக்கும் என்று எதிர்பார்க்கப்படுகிறது.
மெக்கின்சியின் "செயற்கை நுண்ணறிவின் நிலை" என்ற அறிக்கையின்படி, கடந்த ஆண்டு நிலவரப்படி, உலகெங்கிலும் உள்ள 65% நிறுவனங்கள் குறைந்தபட்சம் ஒரு வணிகச் செயல்பாட்டிலாவது செயற்கை நுண்ணறிவை ஒருங்கிணைத்துள்ளன (இந்த எண்ணிக்கை 2023-ல் 50%-ஐ எட்டும் என எதிர்பார்க்கப்படுகிறது). இதற்கிடையில், செயற்கை நுண்ணறிவு, இயந்திரக் கற்றல் மற்றும் நிகழ்நேரத் தரவுச் செயலாக்கம் ஆகியவற்றால் முதன்மையாக இயக்கப்பட்டு, இந்த ஆண்டு உலகளாவிய தரவு உருவாக்கம் 175 பில்லியன் ZB-ஐ எட்டும் என்று IDC மதிப்பிடுகிறது.
தரவு மையச் சந்தையின் அதிவேக வளர்ச்சியால், செயற்கை நுண்ணறிவு ஒரு முக்கிய வளர்ச்சிக் காரணியாக மாறும். இந்தப் போக்கிற்கு உங்கள் உள்கட்டமைப்பு தயாராக உள்ளதா?
தரவு மையங்களில் செயற்கை நுண்ணறிவு: புரட்சிகரமான மாற்றம்
நவீன செயற்கை நுண்ணறிவுப் பயன்பாடுகள், தற்போதுள்ள தரவு மையங்களின் வடிவமைப்பு வரம்புகளைத் தொடர்ந்து விரிவுபடுத்தி வருகின்றன. இயந்திரக் கற்றல் வழிமுறைகளின் அடிப்படையில் உள் வணிகப் பணிச்சுமைகளைக் கையாள்வது முதல், முன்கணிப்பு மாதிரிகள் மூலம் ஆற்றல் திறன் மற்றும் பாதுகாப்பை மேம்படுத்துவது வரை, செயற்கை நுண்ணறிவு தரவு மையங்களின் அறிவார்ந்த செயல்பாட்டுத் திறன்களைப் புதிய உயரங்களுக்கு உந்தித் தள்ளுகிறது.
GPU கிளஸ்டர்களுடன் கூடிய உயர் அடர்த்தி தரவு மையங்கள் இந்த மாற்றத்திற்கு அடித்தளமாக அமைகின்றன. இந்தக் கிளஸ்டர்களால் மிகப்பெரிய இணையான பணிச்சுமைகளைக் கையாள முடியும், மேலும் அவை மாதிரிப் பயிற்சி மற்றும் அனுமானத்திற்கான கணினி ஆற்றல் தேவைகளையும் பூர்த்தி செய்கின்றன.
இருப்பினும், இந்த உருமாற்றத்திற்கு ஒரே மாதிரியான, உலகளாவிய மாதிரி எதுவும் இல்லை. செயற்கை நுண்ணறிவு செயல்படுத்தப்படும் வேகம் வெவ்வேறு பிராந்தியங்கள், நிறுவனங்கள் மற்றும் வசதிகளில் மாறுபடுவதால், செயற்கை நுண்ணறிவு தரவு மையங்களின் பரிணாமப் பாதையைப் பற்றிய ஆழமான புரிதல் மிகவும் அவசியமாகிறது.
செயற்கை நுண்ணறிவு தரவு மைய உள்கட்டமைப்பு: ஒரு உலகளாவிய கண்ணோட்டம்
சில முக்கிய புள்ளிவிவரங்கள் இதோ:
உலகளாவிய தரவு மையச் சந்தைப் பங்கில் 40%-க்கும் அதிகமான பங்கைக் கொண்டுள்ள வட அமெரிக்கா, வரும் ஆண்டுகளில் தனது கொள்ளளவை 2.5 மடங்கு அதிகரிக்கும் என எதிர்பார்க்கப்படுகிறது.
சாதகமான வரிக் கொள்கைகள், வலுவான இணைப்பு வசதி மற்றும் நிலைத்தன்மை மீதான கவனம் ஆகியவற்றின் காரணமாக, அயர்லாந்து, டென்மார்க் மற்றும் ஜெர்மனி போன்ற நாடுகள் தரவு மையங்களின் மையங்களாக மாறி வருகின்றன.
சீனா, ஜப்பான், இந்தியா மற்றும் சிங்கப்பூர் ஆகியவற்றின் தலைமையில், ஆசிய-பசிபிக் பிராந்தியம் இன்னும் அதிக வளர்ச்சி விகிதங்களை (2025 முதல் 2030 வரை 13.3% கூட்டு வருடாந்திர வளர்ச்சி விகிதம்) அடையும் என்று எதிர்பார்க்கப்படுகிறது.
செயற்கை நுண்ணறிவு சார்ந்த தரவு மையத்தை நிறுவுவதற்கான மூன்று கட்டங்கள்
தரவு மையச் செயல்பாடுகளில் செயற்கை நுண்ணறிவை ஒருங்கிணைப்பது பொதுவாக மூன்று கட்டங்களாக நடைபெறுகிறது:
**தரவுத் தயாரிப்பு:** இந்தக் கட்டத்தில், AI ஆனது தரவுத்தளங்கள், API-கள், பதிவுகள், படங்கள், காணொளிகள், சென்சார்கள் மற்றும் நிகழ்நேர அல்லது நிகழ்நேரமற்ற பிற ஆதாரங்கள் போன்ற பல்வேறு வளங்களிலிருந்து தரவுகளைச் சேகரிக்கிறது. பின்னர் இந்தத் தரவு குறியிடப்பட்டு/விளக்கவுரையிடப்பட்டு, பிழைகள் நீக்கப்பட்டு, AI மாதிரி புரிந்துகொள்ளக்கூடிய வடிவத்திற்கு மாற்றப்படுகிறது. இதுவே மாதிரியின் துல்லியம் மற்றும் செயல்திறனுக்கான அடித்தளமாகும்.
**பயிற்சி:** தரவுத் தயாரிப்புக் கட்டத்தின் மூலம், பணிகளை எவ்வாறு செய்வது என்பதை AI அமைப்பு, AI மாதிரிக்குக் கற்பிக்கத் தொடங்குகிறது. AI மாதிரியின் நரம்பியல் வலையமைப்பு, தரவு, அதன் அமைப்பு, அதன் வடிவங்கள் மற்றும் அவற்றுக்கிடையேயான தொடர்புகளைக் கற்றுக்கொள்கிறது. இது ஆழ்நிலைக் கற்றல் கட்டம் என்றும் அழைக்கப்படுகிறது. இந்தக் கட்டத்திற்கு, AI பணிச்சுமைகளை மிகக் குறைந்த தாமதத்துடன் செயலாக்குவதற்கு, GPU வளம் நிறைந்த, உயர் அடர்த்தி கொண்ட தரவு மையச் சூழல் தேவைப்படுகிறது.
**ஊகித்தல்/தன்னாட்சி:** செயற்கை நுண்ணறிவு மாதிரியானது வெளிப்புறச் சூழலமைப்பு மற்றும் புதிய தரவுகளுடன் தடையின்றி ஒருங்கிணைந்து, இறுதி முடிவுகளையும் கணிப்புகளையும் எடுக்கத் தொடங்குகிறது. இந்த இடத்தில்தான் செயற்கை நுண்ணறிவு உள்கட்டமைப்பிற்கு கேபிளிங், நிகழ்நேரத் தரவு ஊட்டங்கள் மற்றும் ஆழமான அமைப்பு ஒருங்கிணைப்பு ஆகியவை தேவைப்படுகின்றன.
செயற்கை நுண்ணறிவு சார்ந்த தரவு மையத்தை ஆதரிப்பதற்கான உள்கட்டமைப்பு சவால்களைக் கடத்தல்
செயற்கை நுண்ணறிவின் தன்னாட்சியை அடைவதற்கு, பல அடிப்படை சவால்களுக்கு தீர்வு காணப்பட வேண்டும்.
போர்ட் அடர்த்தி மற்றும் ரேக் இடம்
செயற்கை நுண்ணறிவுப் பணிச்சுமைகள் பொதுவாக, அதிவேக மற்றும் குறைந்த தாமத இணைப்புகள் மூலம் ஒன்றோடொன்று இணைக்கப்பட்ட GPU கிளஸ்டர்களைச் சார்ந்துள்ளன. இது அதிக போர்ட் அடர்த்திக்கு வழிவகுத்து, இட மற்றும் குளிரூட்டும் தேவைகளை கணிசமாக அதிகரிக்கிறது. பாரம்பரிய ரேக் வடிவமைப்புகளால் இதற்கேற்ப செயல்பட முடியாது. பிரத்யேக உள்கட்டமைப்பு இல்லாமல், செயற்கை நுண்ணறிவை வேகப்படுத்தப் பயன்படுத்தப்படும் வன்பொருளே ஒரு முட்டுக்கட்டையாக மாறிவிடும்.
கம்பிவழி ஊடகத் தேர்வுகள்
செம்பு மற்றும் ஃபைபருக்கு இடையே தேர்ந்தெடுப்பது என்பது இனி ஒரு தொழில்நுட்ப விவாதம் அல்ல—அது ஒரு உத்திசார்ந்த விவாதம். செயற்கை நுண்ணறிவு வலையமைப்புகளுக்கு நீண்ட தூரங்களுக்கு அதிக அலைவரிசையும் குறைந்த தாமதமும் தேவைப்படுகின்றன. உயர் செயல்திறன் சூழல்களில் ஃபைபர் பெரும்பாலும் விரும்பப்படும் தேர்வாக உள்ளது, ஆனால் அது முறையாகத் திட்டமிடப்பட்டு நிறுவப்பட்டால் மட்டுமே. இதில் ஏற்படும் தவறுகள், குறிப்பாக இரைச்சல் மற்றும் அதிக குறுக்கீடு உள்ள பகுதிகளில், சிக்னல் வலுவிழப்பு மற்றும் செயல்திறன் இழப்புக்கு வழிவகுக்கும்.
BAS/BMS உடனான தகவல் தொழில்நுட்ப ஒருங்கிணைப்பு
நுண்ணறிவு AI தரவு மையங்களுக்கு, முழு கட்டிட அமைப்பு முழுவதும் தடையற்ற, நிகழ்நேர கூட்டு ஒருங்கிணைப்பு தேவைப்படுகிறது. எனவே, தகவல் தொழில்நுட்ப அமைப்புகளை, கட்டிட தானியங்கு அமைப்புகள் (BAS) மற்றும் கட்டிட மேலாண்மை அமைப்புகளுடன் (BMS) ஆழமாக ஒருங்கிணைப்பது இன்றியமையாததாகிறது.
இருப்பினும், இத்தகைய அமைப்பு ஒருங்கிணைப்பு, பழைய உள்கட்டமைப்பு, வேறுபட்ட கட்டுப்பாடு மற்றும் தகவல் தொடர்பு நெறிமுறைகள், மற்றும் நீண்ட காலமாகப் புறக்கணிக்கப்பட்ட தெளிவற்ற பகுதிகள் போன்ற பல காரணிகளால் பெரும்பாலும் கட்டுப்படுத்தப்படுகிறது. இந்தப் பகுதிகளில் யுபிஎஸ், குளிரூட்டிகள், மின் விநியோகம் மற்றும் ஹெச்விஏசி கட்டுப்பாடு போன்ற முக்கிய துணை அமைப்புகள் அமைந்துள்ளன.
ஆற்றல் நுகர்வு, குளிரூட்டல் மற்றும் பாதுகாப்பு ஆகியவற்றின் நிகழ்நேர அறிவார்ந்த உகப்பாக்கத்திற்காக செயற்கை நுண்ணறிவைப் பயன்படுத்த, இந்த தெளிவற்ற பகுதிகளில் உள்ள அனைத்து கூறுகளின் ஒருங்கிணைந்த மற்றும் நிலையான இணைப்பை உறுதிசெய்ய ஒரு தரப்படுத்தப்பட்ட கேபிளிங் திட்டம் அவசியமாகும். இதற்கு மாறாக, துண்டு துண்டான ஒழுங்குமுறை அமைப்புகள் மற்றும் மோசமான அமைப்பு இணைப்பு ஆகியவை செயல்திறன் சீர்கேட்டிற்கும், வணிக முடக்கம் போன்ற கடுமையான அபாயங்களுக்கும் எளிதில் வழிவகுக்கும்.
செயற்கை நுண்ணறிவு வணிக மாதிரிகள், பயனர் சேவை எதிர்பார்ப்புகள் மற்றும் டிஜிட்டல் பணிப்பாய்வுகளில் தொடர்ந்து ஊடுருவி வருவதால், தரவு மையங்கள் இந்த வளர்ச்சிக்கு ஏற்ப தங்களை மேம்படுத்திக்கொண்டு முன்னேற வேண்டும்.
தொழில் துறை மாற்றத்தை எதிர்கொண்டுள்ள நிலையில், நீண்டகாலப் போட்டித்தன்மையை நிலைநிறுத்துவதற்கு, சவால்களை முன்கூட்டியே கையாள்வது ஒரு அவசியமான தேர்வாக மாறியுள்ளது. தற்போதைய உள்கட்டமைப்புத் திட்டமிடல் மற்றும் கட்டுமான முடிவுகளே, எதிர்கால செயற்கை நுண்ணறிவுத் தொழில்நுட்பங்களின் விரைவான தொடர் மேம்பாடு மற்றும் நெகிழ்வான விரிவாக்கத்திற்குத் தரவு மையங்கள் தங்களை மாற்றியமைத்துக் கொள்ள முடியுமா என்பதை நேரடியாகத் தீர்மானிக்கும். செயற்கை நுண்ணறிவு யுகத்தில் உள்கட்டமைப்பை நவீனமயமாக்குவது என்பது, அடிப்படையில் தரவு மையங்களுக்கான நீண்டகாலத் தகவமைப்பை உருவாக்குவதைப் பற்றியதுதான்.
பெல்டன் ஹிர்ஷ்மேன்எங்களின் முழு அளவிலான இணைப்புத் தீர்வுகள், சவாலான AI தரவு மையச் சூழல்களுக்காகப் பிரத்யேகமாக வடிவமைக்கப்பட்ட ஒரு முழுமையான தயாரிப்புத் தொகுப்பை வழங்குகின்றன.
பதிவிட்ட நேரம்: மே-09-2026