تخطي اختناقات التخزين وتسريع استنتاجات الذكاء الاصطناعي على الحافة لتعزيز الرعاية الصحية المؤسسية

مع تزايد تطبيقات الذكاء الاصطناعي في العمليات المؤسسية، بدءًا من تحسين رعاية المرضى عبر التصوير الطبي المتقدم، مرورًا بتعقيد نماذج كشف الاحتيال، ووصولًا إلى دعم جهود حفظ الحياة البرية، يظهر تحدٍ رئيسي يتمثل في تخزين البيانات.

خلال مؤتمر Transform 2025 الذي نظمته VentureBeat، ناقش كل من جريج ماتسون، رئيس المنتجات والتسويق في Solidigm، وروجر كومينغز، الرئيس التنفيذي لشركة PEAK:AIO، مع مايكل ستيوارت، الشريك الإداري في M12، كيف تتيح الابتكارات في تقنيات التخزين استخدامات الذكاء الاصطناعي المؤسسي في مجال الرعاية الصحية.

إطار عمل MONAI: ثورة في التصوير الطبي

يعتبر إطار العمل MONAI نقلة نوعية في مجال التصوير الطبي، إذ يتيح بناء نماذج ذكاء اصطناعي بسرعة أكبر، مع تحسين الأمان والسلامة. ويُعزى هذا التقدم إلى الابتكارات في تقنيات التخزين التي تمكّن الباحثين من البناء فوق هذا الإطار، والتكرار السريع، والابتكار المستمر.

تعاونت PEAK:AIO مع Solidigm لتوفير حلول تخزين ذات أداء عالي، وكفاءة في استهلاك الطاقة، وسعة كبيرة، مما سمح لـ MONAI بتخزين أكثر من مليوني صورة مقطعية كاملة للجسم على عقدة واحدة ضمن بيئة تكنولوجيا المعلومات الخاصة بهم.

تخصيص حلول التخزين حسب مراحل خط بيانات الذكاء الاصطناعي

قال جريج ماتسون:
“مع التطور السريع للبنية التحتية للذكاء الاصطناعي المؤسسي، بات من الضروري تخصيص أجهزة التخزين وفقًا للحالات الاستخدامية المحددة في خط بيانات الذكاء الاصطناعي. على سبيل المثال، حالات الاستخدام على الحافة، وكذلك تزويد مجموعات التدريب بالبيانات، تستفيد من حلول تخزين الحالة الصلبة ذات السعة العالية جدًا. أما عمليات الاستدلال والتدريب النموذجي، فتحتاج إلى حلول توفر أداء عاليًا جدًا وعدد كبير من عمليات الإدخال والإخراج في الثانية.”

تحسين الاستدلال عند الحافة

لتحقيق أقصى أداء عند الحافة، من الضروري تقليص التخزين إلى عقدة واحدة، بهدف تقريب الاستدلال من البيانات. ويتم ذلك عبر دمج الذاكرة كجزء من بنية الذكاء الاصطناعي، ما يسمح بتوسيعها بالتوازي مع البيانات والبيانات الوصفية، مما يقلل زمن الوصول إلى النتائج.

يضيف ماتسون:
“تشهد مراكز البيانات الضخمة الخاصة بالذكاء الاصطناعي اعتماد تصاميم أجهزة محددة جدًا، لجلب البيانات بأقصى قرب ممكن إلى وحدات المعالجة الرسومية (GPUs). يتم بناء هذه المراكز باستخدام حلول تخزين الحالة الصلبة ذات السعة البالغة التي تصل إلى بيتابايت، مع توفير وصول سريع جدًا لوحدات المعالجة الرسومية. نفس التكنولوجيا تظهر الآن في أطر مصغرة على الحافة وفي البيئات المؤسسية.”

مستقبل أجهزة الذكاء الاصطناعي

يؤكد روجر كومينغز:
“من الضروري أن نوفر حلولًا مفتوحة، قابلة للتوسع، وسريعة كسرعة الذاكرة، مع استخدام أحدث التقنيات المتاحة. هدفنا تقديم هذه المزايا لتلبية احتياجات المؤسسات، مع توقع تطابق الاقتصاديات معها.”

وأشار ماتسون إلى أن الطلب على الأجهزة سيزداد في كل من الأداء العالي والسعة الكبيرة، مع الحفاظ على كفاءة استهلاك الطاقة:
“سنشهد تحركًا نحو حلول تخزين حالة صلبة بسعة بيتابايت، منخفضة الطاقة، قادرة على استبدال عدة أقراص صلبة، أو منتجات عالية الأداء تقترب من سرعة الذاكرة. يتطلع كبار موردي وحدات المعالجة الرسومية إلى تصميم بنى تخزين مستقبلية تدعم التكامل مع ذاكرة النظام عالية النطاق (HBM).”