За последнее десятилетие сетевые технологии следовали той же траектории, что и большая часть ИТ: абстрагирование интеллекта от отдельных устройств, централизация контроля в программном обеспечении и рассмотрение базового оборудования как в значительной степени взаимозаменяемого. Программно-определяемая глобальная сеть (WAN), программно-определяемая локальная сеть (LAN) и инструменты централизованной оркестровки стали нормой.
Во многих отношениях этот сдвиг обеспечил именно то, что нужно предприятиям: большую гибкость, централизованный контроль политик, масштабную автоматизацию и упрощение сетевых операций. Скорость предоставления ресурсов и согласованность применения политик в разных регионах изменили методы работы ИТ-команд.
Но сейчас ИИ переписывает эти правила. Требования, предъявляемые рабочими нагрузками ИИ к сети — по масштабу, чувствительности к задержкам и безопасности — больше похожи на высокопроизводительные вычисления, чем на традиционные бизнес-приложения. Это снова привлекает внимание к физической сети, чего мы не видели уже много лет.
И это изменение кажется знакомым, если посмотреть на то, что происходит в облачных вычислениях.
От облачной ориентации к оптимальной рабочей нагрузке
Когда публичное облако впервые получило широкое распространение, его преимущества были революционными: мгновенная масштабируемость, быстрое выделение ресурсов, эксплуатационная свобода от обслуживания обширной инфраструктуры центров обработки данных и экономика с оплатой по факту использования. Предприятия восприняли это как способ быстрее внедрять инновации и реагировать на меняющиеся потребности рынка.
Но по мере того, как рабочие нагрузки ИИ входят в состав, их уникальные характеристики влияют на то, где они работают лучше всего. Обучение крупномасштабных моделей может генерировать огромные объемы данных, часто петабайты, которые более эффективно обрабатываются ближе к месту создания или агрегирования этих данных. Службы искусственного интеллекта в реальном времени, такие как компьютерное зрение на производстве или помощники, говорящие на естественном языке в обслуживании клиентов, могут выиграть от выполнения со сверхмалой задержкой, которую легче достичь в локальных или периферийных местоположениях. Для организаций, работающих с конфиденциальными или регулируемыми данными, локализация частей рабочего процесса может упростить соблюдение требований и управление.
Эта эволюция, часто называемая «репатриацией облака», заключается не в уходе от облака, а в разумном размещении рабочих нагрузок там, где они лучше всего работают, масштабируются и соответствуют требованиям. Публичное облако остается важным для многих приложений ИИ, но теперь оно является частью более продуманной гибридной экосистемы, в которой некоторые рабочие нагрузки ИИ или этапы жизненного цикла ИИ приближаются к специально созданной инфраструктуре для достижения целей производительности и эффективности.
Почему рабочие нагрузки ИИ нарушают виртуальные зоны комфорта
В традиционных корпоративных средах даже ресурсоемкие приложения могут хорошо работать при максимальной пропускной способности Интернета и задержке, измеряемой десятками миллисекунд. В этих условиях программно-определяемые оверлеи, работающие на стандартном оборудовании пересылки, работали превосходно.
Рабочие нагрузки ИИ меняют это уравнение. Обучение больших моделей предполагает постоянное перемещение больших объемов данных между кластерами графических процессоров и хранилищем, что может быстро довести виртуализированные плоскости пересылки до пределов пропускной способности. Хотя обучение обычно проводится в центре обработки данных в ядре, теперь вывод начинает распространяться на периферию и филиалы, предъявляя новые требования к распределенной инфраструктуре.
Задержка также становится критически важной. Выводы искусственного интеллекта для анализа в реальном времени, координации автономных транспортных средств или промышленной автоматизации могут потребовать доставки пакетов за микросекунды, а не за миллисекунды. Детерминированная задержка — согласованные и гарантированные сроки доставки — должна обеспечиваться аппаратно.
Безопасность не менее важна. Данные ИИ часто содержат конфиденциальную интеллектуальную собственность или регулируемую личную информацию. Для шифрования этих потоков с высокой пропускной способностью без снижения производительности требуется специализированный кристалл, способный обрабатывать данные на линейной скорости. А в суровых или промышленных средах, где часто используется искусственный интеллект, само оборудование должно быть построено так, чтобы выдерживать сложные условия и иногда использовать устаревшие протоколы наряду с современными рабочими нагрузками.
Аргументы в пользу ИИ‑Оптимизированное сетевое оборудование
Эти требования не отрицают ценность программно-определяемых сетей, как раз наоборот. Контроллеры, оркестраторы и оверлеи никогда не были более важными для формирования политик, автоматизации выделения ресурсов и интеллектуальной маршрутизации трафика. Но без аппаратного обеспечения, оптимизированного для искусственного интеллекта, эти системы могут стать ограниченными.
Думайте об этом как о работе с расширенной моделью искусственного интеллекта: уровень оркестровки может планировать задачи обучения и управлять ими, но производительность выполнения обеспечивается графическими процессорами и специализированными ускорителями, созданными для рабочей нагрузки. В сетевых технологиях эту силу обеспечивают физические маршрутизаторы, коммутаторы и беспроводные устройства с поддержкой искусственного интеллекта.
Эти платформы предлагают пересылку пакетов на основе ASIC (специализированных интегральных схем), способную поддерживать пропускную способность терабитного класса. Они используют аппаратно реализованное качество обслуживания и формирование трафика для обеспечения контроля задержек в микросекундах. Они готовы к постквантовой обработке данных и обеспечивают шифрование и встроенную защиту от угроз без ущерба для скорости. Кроме того, они включают телеметрию непосредственно в плоскость пересылки, позволяя операторам отслеживать и оптимизировать потоки данных искусственного интеллекта в режиме реального времени.
Когда гибкость программного обеспечения сочетается с мощью аппаратного обеспечения
Цель состоит не в том, чтобы заменить программно-определяемые решения аппаратно-ориентированными сетями, а в том, чтобы обеспечить поддержку сложности и интенсивности трафика ИИ. Это естественное продолжение концепции программно-определяемой сети: отделение управления от аппаратного обеспечения при одновременном согласовании физической инфраструктуры с требованиями к производительности рабочей нагрузки.
Представьте себе, что при развертывании SD-WAN выбирается лучший путь для приложения искусственного интеллекта, но этот путь ведет к физическому маршрутизатору, который может пересылать зашифрованные потоки со скоростью 400 Гбит/с без снижения производительности. Или программно определяемая кампусная фабрика, которая сегментирует и приоритизирует трафик вывода ИИ, обеспечиваемый микросхемой коммутатора, гарантирующей микросекундные соглашения об уровне обслуживания.
Программное обеспечение организует и адаптируется; аппаратное обеспечение работает по полному требованию ИИ.
Архитектура для искусственного интеллекта: гибридный подход к сетям
По мере того как ИИ переходит от пилотных проектов к промышленной эксплуатации, сетевые стратегии будут следовать образцу облачной инфраструктуры, становясь более продуманными и учитывающими рабочие нагрузки. Циклы обновления оборудования будут сокращаться, чтобы идти в ногу с достижениями в области маршрутизации и коммутации микросхем, а безопасность следующего поколения, включая квантово-устойчивые алгоритмы, обеспечит проверенный доступ, начиная с уровня устройства. Решения по проектированию сети будут явно учитывать размещение рабочей нагрузки ИИ, точно так же, как облачные архитекторы теперь выбирают, будет ли код выполняться в облаке, на периферии или локально.
Направление отрасли ясно: самые надежные сети искусственного интеллекта будут сочетать программно-определяемую гибкость с производительностью оборудования, оптимизированной для искусственного интеллекта. Такое сочетание позволит инфраструктуре соответствовать беспрецедентным требованиям ИИ по масштабу, безопасности и задержке — от ядра облака через глобальную сеть до защищенной периферии.
ИИ запускает собственную форму сетевого «мышления о репатриации», не возврат к прошлому, а перекалибровку для будущего. Подобно тому, как облачные стратегии развивались, чтобы размещать рабочие нагрузки там, где они работают лучше всего, ИИ требует баланса между гибкостью программно-определяемых сетей и чистыми, предсказуемыми возможностями специально созданного оборудования. Правильный баланс позволит предприятиям полностью реализовать потенциал ИИ.
ТЕНДЕНЦИОННЫЕ ИСТОРИИ YOUTUBE.COM/THENEWSTACK Технологии развиваются быстро, не пропустите ни одной серии. Подпишитесь на наш канал YouTube, чтобы смотреть все наши подкасты, интервью, демонстрации и многое другое. ПОДПИСАТЬСЯ Группа, созданная в Sketch. В качестве вице-президента по управлению продуктами портфеля продуктов Secure WAN в Cisco Ли Петерсон возглавляет стратегию продуктов, разработку и дорожную карту для многомиллиардного портфеля корпоративных маршрутизаций компании. Имея более чем 20-летний опыт работы в сфере телекоммуникаций и… Подробнее от Ли Петерсона
