متطلبات أداء وحدة التخزين الصلبة الأساسية لأحمال العمل الخاصة بالذكاء الاصطناعي
لماذا تهم زمن الوصول المنخفض وعمق الطابور العالي أكثر من السعة الأولية
في خطوط أنابيب بيانات الذكاء الاصطناعي، سعة التخزين لا تُعَدّ عادةً العامل المقيِّد—فالوحدات الرسومية (GPU) التي تبقى دون استخدامٍ انتظارًا للبيانات هي التكلفة الحقيقية. ولهذا، فإن قدرة وحدة التخزين الصلبة (SSD) على تلبية العديد من طلبات الإدخال/الإخراج المتزامنة بزمن استجابة منخفضٍ وثابتٍ أهمُّ بكثيرٍ من السعة الإجمالية المُقاسة بالترابايت. وتتفوَّق وحدات التخزين الصلبة الحديثة من نوع NVMe بانتظامٍ على ٣ ملايين عملية قراءة عشوائية في الثانية (IOPS) عند أعماق الطوابير (queue depths) التي تبلغ ١٢٨ أو أكثر، مما يضمن وصول عيّنات تدريب جديدة إلى عشرات النوى الرسومية دون توقف. أما زمن الاستجابة المنخفض—الذي غالبًا ما يكون أقل من ١٠٠ ميكروثانية—فيحافظ على حركة دفعات الاستنتاج (inference batches) في الزمن الحقيقي، بينما تتيح دعم الطوابير العميقة امتصاص أنماط الوصول المتقطِّعة والمتوازية الخاصة بمهام التدريب الموزَّعة. وقد أظهرت نموذج تجريبي يدمج الوصول المباشر من الوحدة الرسومية إلى وحدة التخزين أن إزالة طبقات SAS/SATA التقليدية قضت على قمم زمن الاستجابة الزائدة وبسَّطَتْ كامل مسار البيانات. ويمكن دائمًا توسيع السعة أفقيًّا، لكن سوء التعامل مع عمق الطابور وارتفاع زمن الاستجابة في الذيل يؤديان إلى انخفاض حادٍّ في استخدام الوحدات الرسومية، ما يزيد من وقت التدريب وتكاليفه بشكلٍ ملحوظ.
الدور الحاسم لتحمل الأحمال المختلطة المستمرة في خطوط أنابيب التدريب والاستنتاج
نادرًا ما تكون أحمال الذكاء الاصطناعي نقية من القراءة فقط؛ فعمليات حفظ النقاط المرجعية (checkpointing) وتحديثات التدرجات (gradient updates) وتسجيل البيانات الوصفية تُحدث انفجارات عنيفة في الكتابة أثناء التدريب، بينما يعيد الاستنتاج غالبًا تشغيل النماذج من وحدات تخزين مُحسَّنة للقراءة. ولذلك، يجب أن يصمد محرك الأقراص الصلبة ذو الحالة الصلبة (SSD) أمام الإجهاد المستمر للأحمال المختلطة دون خفض الأداء (throttling) أو تضخيم الكتابة بشكل مفرط. وتُعلن محركات الأقراص الصلبة المخصصة للمؤسسات، والمصمَّمة خصيصًا لهذه الظروف، عن مقاييس تحملها مثل عدد عمليات كتابة المحرك يوميًّا (DWPD) وإجمالي البايتات المكتوبة (TBW)، لأن محرك SSD القائم على تقنية QLC والمُحسَّن للقراءة فقط قد يتآكل مبكرًا عند تعرضه لأشهرٍ من عمليات القراءة المتقطعة والكتابة الكثيفة بالتناوب. ويؤدي اختيار محرك SSD يتمتَّع بقدرة عالية على التحمل تحت الأحمال المختلطة إلى تجنُّب تلف البيانات الصامت وتبديل العُقد غير المخطط له، مما يضمن موثوقية خطوط أنابيب الذكاء الاصطناعي — سواءً في عمليات التدريب التي تمتد لأسبوعٍ كامل أو في خدمة الاستنتاج على مدار ٢٤ ساعة يوميًّا و٧ أيام أسبوعيًّا.
أشكال محركات الأقراص الصلبة المخصصة للمؤسسات والمُحسَّنة لهياكل البنية التحتية للذكاء الاصطناعي
وحدات التخزين الصلبة ذات واجهة PCIe الجيل الخامس/الجيل السادس NVMe وصعود شكل العوامل EDSFF (E1.S/E3.S) لزيادة الكثافة والكفاءة الحرارية
تتطلب مهام الذكاء الاصطناعي وحدات تخزين تتماشى مع عرض النطاق الترددي لذاكرة وحدة معالجة الرسومات (GPU)، ما يجعل الواجهة عنصراً حاسماً يُشكّل عنقاً زجاجياً. وتضاعف وحدات التخزين الصلبة ذات واجهة NVMe المتوافقة مع معيار PCIe الجيل الخامس (Gen5) معدل نقل البيانات ليصل إلى نحو ١٤ جيجابايت/ثانية لكل وحدة، بينما تدفع المواصفات الأولية للجيل السادس (Gen6) هذا المعدل إلى ما يتجاوز ٢٨ جيجابايت/ثانية—مُحقِّقةً بذلك التوافق الفعّال مع الطبيعة الشديدة الاستهلاك للبيانات لمجموعات التدريب. ومع ذلك، لا يكفي السرعة الخشنة وحدها؛ إذ تتطلّب خوادم الرفوف المكثَّفة عوامل شكل تُحسِّن تدفق الهواء وتزيد السعة لكل وحدة قياس (U). ولذلك، جاء معيار العوامل القياسية للمؤسسات ومراكز البيانات (EDSFF)، وبخاصة الأنواع E1.S وE3.S، ليُلبّي هذه الحاجة عبر تقديم تصميم أطول وأضيق من محركات U.2 التقليدية. ويُحسّن هذا التصميم تبدّد الحرارة، ما يسمح بتشغيل عمليات كثيفة الطوابير دون خفض الأداء (throttling). ويمكن الآن تركيب ما يصل إلى ٣٢ وحدة من نوع E1.S في خادم واحد ارتفاعه وحدة قياس واحدة (1U)، مقارنةً بحوالي ٢٤ وحدة من نوع U.2—أي بزيادة في كثافة التخزين تجاوزت ٣٠٪. ومع توسع بنية تحتية الذكاء الاصطناعي، يتجه إجماع القطاع بشكل كبير نحو اعتماد معيار EDSFF لكلٍّ من نسخ PCIe الجيل الخامس والجيل السادس المقبلة، مجسِّداً في آنٍ واحد الأداء العالي وكثافة التخزين والتبريد الفعّال.
نشر وحدات التخزين الصلبة المبردة بالسوائل في مجموعات استنتاج الذكاء الاصطناعي الفورية
لا يمكن لاستنتاج الذكاء الاصطناعي في الوقت الفعلي التحمّلَ ارتفاعات زمن الاستجابة الناتجة عن خفض الأداء الحراري على مستوى وحدة التخزين. وعندما تعمل وحدات التخزين الصلبة (SSDs) بالقرب من أقصى سرعات القراءة/الكتابة المستمرة المسموحة لها لساعاتٍ عديدة، فإن أنظمة التبريد الهوائي التقليدية غالبًا ما تفشل في الحفاظ على درجات حرارة شرائح الـ NAND ووحدة التحكم ضمن الحدود الآمنة. أما التبريد السائل المباشر إلى الرقاقة — الذي بات شائعًا بالفعل في وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسوميات (GPUs) — فقد بدأ يُطبَّق الآن أيضًا على وحدات التخزين الصلبة ذات واجهة NVMe. فعن طريق تمرير سائل التبريد عبر ألواح تبريد مُثبَّتة مباشرةً على كل وحدة تخزين، يُزال الحرارة بكفاءةٍ أعلى بكثيرٍ مما تحققه التيارات الهوائية القسرية، مما يضمن استقرار زمن استجابة عمليات القراءة العشوائية بحجم ٤ كيلوبايت عند أقل من ١٠٠ ميكروثانية حتى تحت أقصى حملٍ تشغيلي. وفي مجموعات الاستنتاج الطرفي (edge inference clusters)، حيث تكون المساحة والطاقة محدودتين بشدة، يمكِّن التبريد السائل من رفع كثافة تركيب الوحدات دون إحداث ضوضاء صوتية أو الحاجة إلى مراوح إضافية لتوليد تيارات هوائية. كما يقلِّل هذا النهج من التكلفة الإجمالية للملكية عبر خفض استهلاك الطاقة المرتبطة بأنظمة التكييف الهوائي، ويمدّد عمر وحدات التخزين الصلبة بفضل خفض درجات حرارة التشغيل. ومع تحوُّل خطوط أنابيب الاستنتاج إلى أنظمة حساسة جدًّا لزمن الاستجابة، أصبح دمج التبريد السائل مع عوامل الشكل EDSFF معيارًا متزايد الاعتماد في بنى البنية التحتية للذكاء الاصطناعي من الجيل القادم.
تِكنولوجيا ناند والمتانة: تقييم وحدات التخزين الصلبة من نوع تي إل سي مقابل كيو إل سي لحالات الاستخدام الخاصة بالذكاء الاصطناعي
وحدات التخزين الصلبة من نوع كيو إل سي في تدريب الذكاء الاصطناعي: الكفاءة من حيث التكلفة مقابل مخاطر انخفاض متانة الكتابة تحت أحمال مختلطة مستمرة
تحتوي وحدات التخزين الصلبة من نوع QLC (خلية رباعية المستوى) على أربعة بتات في كل خلية، ما يسمح بسعة تصل إلى ٦٠ تيرابايت في محرك واحد وبتكلفة أقل لكل جيجابايت مقارنةً بوحدات التخزين الصلبة من نوع TLC (خلية ثلاثية المستوى). وتُعد هذه الميزة التكلفةَ الجاذبة لوحدات QLC عند تدريب نماذج الذكاء الاصطناعي الكبيرة، حيث غالبًا ما تبلغ أحجام مجموعات البيانات فيها مقياس البيتابايت. ومع ذلك، فإن التنازل عن المتانة واضحٌ جدًّا: فتتيح شرائح NAND من نوع QLC عمومًا ما بين ١٠٠ و١٠٠٠ دورة برمجة/مسح فقط، ما ينتج عنه تصنيف DWPD يتراوح بين ٠٫١ و٠٫٣. وتتضمن خطوط أنابيب تدريب الذكاء الاصطناعي أحمال عمل مختلطة مستمرة: قراءة مجموعات بيانات ضخمة مع كتابة نقاط تفتيش متكررة والمقادير الوسيطة للتدرجات الحسابية. وفي ظل هذه الظروف، قد تستنفد ذاكرة التخزين المؤقت للكتابة من نوع SLC الخاصة بوحدات QLC بسرعة، مما يعرّض السرعة الأبطأ للكتابة الأصلية في وحدات QLC ويزيد من استهلاك الخلايا. كما أن تضخيم الكتابة—وخاصةً عند إجراء عمليات كتابة عشوائية صغيرة—يُضعف المتانة أكثر فأكثر. أما بالنسبة لمهمات الذكاء الاصطناعي التي تركز على الاستنتاج أو التي تهيمن عليها عمليات القراءة، فتظل وحدات التخزين الصلبة من نوع QLC قابلة للاستخدام. لكن في دورات التدريب التي تمتد لمئات العصور (epochs) بشدة كتابة عالية، توفر وحدات التخزين الصلبة من نوع TLC—التي تتراوح قيمتها DWPD بين ١ و٣—المتانة الإضافية الضرورية لتفادي الفشل المبكر للوحدة وفقدان البيانات.
معيارا التحمل: تفسير مقاييس التحمل لاختيار وحدات التخزين الصلبة المخصصة للذكاء الاصطناعي في المؤسسات
يُعبَّر عن تحمل وحدات التخزين الصلبة المخصصة للمؤسسات باستخدام معيارين رئيسيين: إجمالي البايتات المكتوبة (TBW) وعدد مرات كتابة السعة الكاملة للوحدة يوميًّا (DWPD). يشير معيار TBW إلى إجمالي كمية البيانات القابلة للكتابة طوال عمر الوحدة، بينما يدلّ معيار DWPD على عدد المرات التي يمكن فيها كتابة السعة الكاملة للوحدة كل يوم خلال فترة الضمان. ولأحمال العمل الخاصة بالذكاء الاصطناعي، فإن تقدير الكمية اليومية المكتوبة يكتسب أهمية بالغة. فعلى سبيل المثال، قد تقدّم وحدة تخزين صلبة مخصصة لمراكز البيانات بسعة ٣,٨٤ تيرابايت معيار TBW قدره ٧٠٠٠ تيرابايت على مدى خمس سنوات، ما يعادل ١ DWPD. أما وحدات التخزين الصلبة المصنوعة بتقنية TLC المخصصة للمؤسسات عادةً فتوفر نطاقًا يتراوح بين ١ و٣ DWPD، وهي كافية لأداء مهام مثل إنشاء نقاط الاستعادة (checkpointing) وتسجيل العمليات (logging) وكتابة التدرجات (gradient writes) أثناء التدريب. أما وحدات التخزين القائمة على تقنية QLC فهي عادةً ما تقدّم معدلات تتراوح بين ٠,١ و٠,٣ DWPD، أي أنها لا تستطيع تحمل سوى جزء ضئيل من الكمية اليومية المكتوبة. ويُبسِّط جدول المقارنة بين هذه المقاييس عملية الاختيار:
| نوع NAND | معدل DWPD النموذجي | معدل TBW النموذجي (لوحدة سعتها ٣,٨٤ تيرابايت) | ملاءمة الحمل العملي الخاص بالذكاء الاصطناعي |
|---|---|---|---|
| وحدات التخزين الصلبة المخصصة للمؤسسات والقائمة على تقنية TLC | ١ – ٣ | ٧٠٠٠ – ٢١٠٠٠ تيرابايت | تدريب عالي الكثافة، عمليات قراءة/كتابة مختلطة |
| كيو إل سي إنتربرايز | ٠٫١ – ٠٫٣ | ٧٠٠ – ٢١٠٠ تيرابايت | الاستنتاج المُعتمِد على القراءة، وتخزين بيانات التعريف مؤقتًا |
عند تقييم وحدات التخزين الصلبة (SSD) لتطبيقات الذكاء الاصطناعي، فإن ضرب عدد الكتابات اليومية المُخطَّط لها في مدة الضمان يُؤكِّد أن أهداف السعة المكتوبة الإجمالية (TBW) تتماشى مع خصائص الحمل التشغيلي، ما يمنع التآكل غير المخطط له ويضمن سلامة البيانات أثناء العمليات المستمرة.
الأسئلة الشائعة
لماذا يُعد انخفاض زمن الوصول مهمًّا لأحمال العمل الخاصة بالذكاء الاصطناعي؟
يضمن انخفاض زمن الوصول وصول البيانات إلى نوى وحدة معالجة الرسومات (GPU) بسرعة، مما يقلل من وقت الخمول ويحافظ على الأداء الفعلي في الوقت الحقيقي لكلٍّ من مهام التدريب والاستنتاج.
ما المؤشرات الأساسية لمدى تحمل وحدات التخزين الصلبة (SSD) في أحمال عمل الذكاء الاصطناعي؟
تشمل مؤشرات التحمل عدد مرات كتابة المحرك يوميًّا (DWPD) والسعة المكتوبة الإجمالية (TBW)، وهما يدلان على عدد المرات التي يمكن فيها كتابة البيانات يوميًّا على المحرك، وعلى إجمالي سعته القابلة للكتابة طوال عمره الافتراضي.
كيف يستفيد نظام التبريد السائل من وحدات التخزين الصلبة في مجموعات استنتاج الذكاء الاصطناعي؟
التبريد السائل يمنع التخفيض الحراري، ويضمن انخفاض زمن الوصول بشكلٍ ثابت، ويقلل استهلاك الطاقة، ويساعد على زيادة كثافة وحدات التخزين الصلبة (SSD) دون الحاجة إلى مراوح تبريد إضافية.
ما المزايا التي تقدمها عوامل الشكل EDSFF للبنية التحتية الخاصة بالذكاء الاصطناعي؟
عوامل الشكل EDSFF، مثل E1.S وE3.S، تحسّن الكفاءة الحرارية، وتزيد من كثافة التخزين، وتدعم متطلبات النطاق الترددي الأعلى لذاكرة وحدات معالجة الرسوميات (GPU).
كيف تقارن وحدات التخزين الصلبة QLC بوحدات التخزين الصلبة TLC فيما يخص أحمال العمل الخاصة بالذكاء الاصطناعي؟
توفر وحدات التخزين الصلبة QLC تكاليف أقل وقدرات تخزين أعلى، لكنها تفتقر إلى المتانة المطلوبة لأحمال العمل المختلطة. أما وحدات التخزين الصلبة TLC فتقدم متانة أفضل للمهام ذات شدة الكتابة العالية، ما يجعلها مثالية لمسارات تدريب نماذج الذكاء الاصطناعي.
جدول المحتويات
- متطلبات أداء وحدة التخزين الصلبة الأساسية لأحمال العمل الخاصة بالذكاء الاصطناعي
- أشكال محركات الأقراص الصلبة المخصصة للمؤسسات والمُحسَّنة لهياكل البنية التحتية للذكاء الاصطناعي
- تِكنولوجيا ناند والمتانة: تقييم وحدات التخزين الصلبة من نوع تي إل سي مقابل كيو إل سي لحالات الاستخدام الخاصة بالذكاء الاصطناعي
-
الأسئلة الشائعة
- لماذا يُعد انخفاض زمن الوصول مهمًّا لأحمال العمل الخاصة بالذكاء الاصطناعي؟
- ما المؤشرات الأساسية لمدى تحمل وحدات التخزين الصلبة (SSD) في أحمال عمل الذكاء الاصطناعي؟
- كيف يستفيد نظام التبريد السائل من وحدات التخزين الصلبة في مجموعات استنتاج الذكاء الاصطناعي؟
- ما المزايا التي تقدمها عوامل الشكل EDSFF للبنية التحتية الخاصة بالذكاء الاصطناعي؟
- كيف تقارن وحدات التخزين الصلبة QLC بوحدات التخزين الصلبة TLC فيما يخص أحمال العمل الخاصة بالذكاء الاصطناعي؟