Результативность систем искусственного интеллекта зависит от того, насколько предсказуемо и безопасно данные перемещаются между центрами обработки данных, облачными средами и периферией. При проектировании систем теперь столь же важно учитывать показатели задержки, отказоустойчивость и видимость сети, как и вычислительные мощности, пишет на портале Data Center Knowledge Крис Альбердинг, директор по продуктам компании BCN.

Дискуссии об инфраструктуре для ИИ стали весьма предсказуемыми. Почти все они сводятся к обсуждению графических процессоров (GPU), специализированных чипов, энергообеспечения и гонки по созданию все более крупных кластеров ИИ. Эти инвестиции необходимы, однако они упускают из виду не менее важный вопрос: насколько эффективно ИИ может перемещать данные туда, где требуются интеллектуальные вычисления?

Вычислительные мощности создают интеллект. Сети обеспечивают его доставку.

За последний год я провел множество бесед с ИТ-руководителями крупных предприятий из различных отраслей, сталкивающимися с реалиями внедрения ИИ. Сперва обсуждения почти всегда касаются моделей, вычислительных мощностей или облачной стратегии. Но уже к третьей беседе речь обычно заходит о сетевой инфраструктуре. И такой сдвиг вполне закономерен.

Первая волна внедрения ИИ в корпоративном секторе принесла успех тем организациям, которые имели доступ к вычислительным мощностям. Следующая волна принесет успех тем, кто сможет эффективно, безопасно и предсказуемо перемещать данные в условиях все более распределенных сред. Это совершенно иная задача с точки зрения инфраструктуры.

Перемещение данных становится стратегической задачей

Традиционные корпоративные приложения генерировали довольно предсказуемый трафик. Пользователи подключались к централизованным системам, а сети проектировались для обеспечения надежного соединения между различными локациями. ИИ работает иначе.

Один-единственный запрос к системе ИИ может потребовать извлечения данных из корпоративного хранилища и информации из векторной базы данных, обращения к большой языковой модели (LLM), работающей в другой среде, применения политик безопасности и возврата ответа пользователю — и все это за считанные секунды. Ни один из этих этапов не происходит изолированно, и все они невозможны без участия сети.

Именно поэтому расходы на инфраструктуру для ИИ продолжают стремительно расти. По прогнозам Gartner, в 2026 г. мировые расходы на ИИ достигнут 2,59 трлн. долл., причем почти половина этой суммы придется на инфраструктуру, поскольку организации расширяют системы, необходимые для масштабного внедрения ИИ. Однако одни лишь затраты на инфраструктуру не гарантируют успеха.

Одно из главных изменений, привносимых ИИ, заключается в том, что перемещение данных превращается из операционной задачи в стратегическую. Обучение модели — это лишь часть уравнения. Настоящая сложность заключается в обеспечении стабильной доставки интеллектуальных возможностей между дата-центрами, облачными платформами, филиалами, периферийными узлами и растущим числом приложений, зависящих от ИИ. Для этого требуется инфраструктура, ориентированная на эффективную передачу данных, а не просто на обеспечение высокой пропускной способности. Производительность сети всегда имела значение, но внедрение ИИ выводит этот вопрос на новый уровень важности.

Задержка передачи данных становится бизнес-показателем

Специалисты по инфраструктуре часто уделяют основное внимание таким параметрам, как загрузка GPU, производительность систем хранения данных или точность моделей. Однако конечные пользователи не сталкиваются с этими показателями напрямую. Они оценивают скорость отклика ИИ-помощника, мгновенность появления рекомендаций и плавность работы автоматизированных процессов. Для многих приложений на базе ИИ задержка перестает быть сугубо сетевой характеристикой и становится важным бизнес-показателем.

Инференс смещается на периферию

Именно задачи инференса во многом стимулируют эти изменения. Если обучение моделей по-прежнему сосредоточено в крупных облачных средах и гипермасштабируемых центрах обработки данных, то инференс все чаще происходит непосредственно в местах выполнения рабочих задач: в больницах, на заводах, в розничных магазинах, финансовых учреждениях, кампусах и филиалах компаний. По прогнозам IDC, в ближайшие несколько лет почти половина предприятий внедрит системы ИИ-инференса на периферии, что снизит зависимость от централизованной обработки данных, но одновременно повысит требования к распределенной инфраструктуре.

Проектирование с упором на предсказуемость, а не только на пропускную способность

За свою карьеру я участвовал в нескольких масштабных этапах трансформации инфраструктуры: от перехода к клиент-серверным архитектурам и виртуализации до внедрения облачных вычислений. Ситуация с ИИ отличается тем, что изменения затрагивают не какой-то один уровень инфраструктуры, а все уровни одновременно, включая сетевой.

Речь идет не столько об увеличении пропускной способности сети, сколько о создании сетей, работа которых остается предсказуемой при изменении характера рабочих нагрузок, росте числа пользователей и интеграции ИИ в повседневные бизнес-процессы. Когда ИИ становится неотъемлемой частью деятельности компании, критически важными становятся такие аспекты, как видимость сети, отказоустойчивая маршрутизация, разнообразие каналов связи, комплексная безопасность и интеллектуальное управление трафиком. Новое звучание приобретает и понятие надежности.

Когда ИИ задействован в обслуживании клиентов, обеспечении кибербезопасности, производственных процессах или принятии финансовых решений, сбой в работе сети перестает быть просто технической проблемой связи. Он может привести к остановке бизнес-процессов, все сильнее зависящих от аналитики реального времени.

Безопасность должна следовать за данными

В сфере безопасности действуют те же принципы. Системы ИИ взаимодействуют с конфиденциальными корпоративными данными, распределенными по различным средам. Для безопасного перемещения этой информации необходима слаженная работа сетевых и защитных систем, опирающаяся на такие принципы, как модель Zero Trust, сегментация, контроль доступа с учетом идентификационных данных и непрерывный мониторинг.

Подключение данных к интеллектуальным системам

Все это ничуть не умаляет важности вычислительных мощностей. GPU, ускорители и передовые процессоры по-прежнему будут определять возможности ИИ. Однако подход к формированию инфраструктуры должен стать более комплексным.

Организации, извлекающие максимальную пользу из ИИ, не просто внедряют более крупные модели. Они создают среду, в которой данные, приложения, пользователи и интеллектуальные системы могут беспрепятственно взаимодействовать друг с другом. Это требует уделения внимания сетевой инфраструктуре на гораздо более ранних этапах проектирования, чем это делалось во многих организациях ранее.

На протяжении десятилетий сети обеспечивали связь между людьми и приложениями. Сегодня они все чаще связывают данные с интеллектуальными системами. Я считаю, что это один из важнейших сдвигов в инфраструктуре корпоративных ИТ. Организации, которые осознают это на раннем этапе, возможно, и не создадут самые масштабные системы ИИ, но они будут лучше подготовлены к их масштабированию, адаптации к будущим изменениям и получению реальной бизнес-отдачи от инвестиций в технологии ИИ.