English version: So, What Does VAST Data Actually Do?
Table of contents
- שאלה אחת ביום העצמאות
- תקציר של דקה
- מה זה בכלל מערכת הפעלה ולמה זה נוגע גם אליכם
- למה בינה מלאכותית צריכה מערכת הפעלה משלה
- שבעת המנועים שמרכיבים את מערכת ההפעלה של ווסט
- מתחת למכסה המנוע, מה זה DASE
- איך זה נראה בחיים האמיתיים של כמה לקוחות
- ווסט פולאריס וספקי הענן
- היכן יושבת ווסט דאטה במפת השוק
- מה זה אומר לגבי מי שמוביל/ה בארגון שלהם
- למה הסיפור הזה חשוב גם מעבר לבועה הטכנולוגית
שאלה אחת ביום העצמאות
אני עובד ב-VAST Data בתפקיד שנקרא VP, Mission Alignment. ביום העצמאות האחרון הייתי באמצע מנגל אצל חברים, ניחוח של פחמים באוויר, השמש שקעה, היו שני סטייקים על הגריל ובדיוק התפנו ידיים. ואז עדכון הטלפון: VAST סגרה סבב גיוס בשם Series F, סבב F פשוט אומר “הסבב השישי שגייסנו”. השווי, סדר גודל של 30 מיליארד דולר.
אחד החברים שאל : “מה החברה הזו בכלל עושה? אני יודע מה עושה גוגל. מה אתם עושים?” השכן הזה הוא הקורא של הפוסט הזה. הסבב הוא רק האירוע התקשורתי. השאלה האמיתית, ושעליה אנסה לענות כאן בעברית פשוטה, היא איזו בעיה VAST מנסה לפתור, ולמה זה אמור לעניין מישהו שלא מתעסק במחשבים בכלל.
אם בא לכם תשובה בשורה אחת: VAST בונה שכבת בסיס משותפת לכל המידע של הארגון, ומחברת אליה את כל הכלים שמערכות AI צריכות, כדי שמערכות בינה מלאכותית בארגון יעבדו מהר, בעלות סבירה, ובלי לבלגן הכל. כל השאר בפוסט הוא הסבר למה המשפט הזה קשה לבנות, ואיך זה נראה כשעושים אותו נכון.
פרטים רשמיים על החברה תמצאו בדף הבית של vastdata.com.
תקציר של דקה
אם תכף מתחיל לרדת גשם והקבב כמעט מוכן, קחו רק את זה: VAST מוכרת למגוון סוג לקוחות, בינהם תוכלו למצוא בנקים, בתי חולים, יצרנים, ולענקיות טכנולוגיה את התשתית של “הקומה התחתונה”. הקומה הזו אוגרת את כל הנתונים של הארגון, מאפשרת לחפש בהם בקלות, ומאפשרת ל-AI להגיע אליהם מהר. במקום להחזיק עשר מערכות שונות שמסתכסכות זו עם זו, מקבלים פלטפורמה אחת.
הגרסא היותר ארוכה
כדי שתבינו שזה לא רעיון מהמעבדה: בין הלקוחות שלנו נמצאים כמה מהארגונים הגדולים בעולם בכל אחד מהתחומים האלה. בנקים גלובליים, מוסדות מחקר רפואיים מהמובילים, יצרני שבבים, רשתות חנויות בקנה מידה ענק, סוכנויות ממשלה, ענקיות טכנולוגיה, ספקי הענן הגדולים, ורשימה ארוכה של לקוחות אנטרפרייז (enterprise) מובילים בתעשיות נוספות. כשארגונים בסדר גודל כזה מסכימים לשים את לב המידע שלהם על שכבה אחת, אנחנו כבר לא בשלב הניסויי. הסבב האחרון הוא פשוט אישור משוק ההון לכך שעוד הרבה לקוחות מסכימים שהדרך הישנה אזלה. עכשיו אפשר להמשיך עם הסטייק.
מה זה בכלל מערכת הפעלה ולמה זה נוגע גם אליכם
מערכת הפעלה היא בסך הכל התוכנה ה”בסיסית” של מחשב. בטלפון שלכם זה iOS או Android. במחשב הביתי זה Windows או macOS. אתם לא מתעסקים איתה ישירות, אבל בלעדיה שום אפליקציה לא יודעת איך לדבר עם המסך, איך לשמור קובץ, או איך להתחבר לוויפיי. היא הריצוף של הדירה. לא מסתכלים עליו כל היום, אבל אם הוא חסר, אי אפשר לחיות בבית.
כשהבית הוא לא דירה אלא ארגון שלם, מאות עובדים, מיליוני לקוחות, אינסוף קבצים ומסכי בקרה, הריצוף הזה הופך מסובך בהרבה. בעבר הוא הורכב משילוב של תוכנות שונות שכל אחת מהן באה מספק אחר: אחת לקבצי הוורד, אחת לטבלאות, אחת למצלמות אבטחה, אחת ליישום של הבנקאות באינטרנט. כל אחת באה עם חוקי משחק משלה. כשמדברים על “מערכת הפעלה” של ארגון, מתכוונים לרעיון שכל הצורות האלה של מידע יכולות לשבת על אותה ריצפה אחת. שאף תוכנה לא צריכה לדעת אם השכן הוא תמונה, סרטון, טבלה, או מסמך. הקומה התחתונה פשוט מטפלת בכל זה.
VAST AI OS היא בדיוק הקומה התחתונה הזו, אבל בנויה מההתחלה כדי לעמוד בעומסים שמערכות בינה מלאכותית יוצרות. רגע, מהן בכלל מערכות בינה מלאכותית, ומה כל כך מיוחד בעומסים שלהן.
למה בינה מלאכותית צריכה מערכת הפעלה משלה
לפני שנצלול לפרטים, שווה לעצור על שאלה אחת שמהדהדת באופן מוזר את ההיסטוריה של עולם הטכנולוגיה: למה בעצם צריך מערכת הפעלה חדשה? אי אפשר פשוט להמשיך עם מה שיש? התשובה ברורה לכל מי שזוכר את שנות האלפיים.
במשך כמעט שני עשורים, Windows שלטה בעולם המחשוב. מי שבנה אפליקציה, בנה אותה ל-Windows, וזו היתה הבחירה ההגיונית: מקלדת, עכבר, מסך גדול, חיבור חשמל קבוע, שעות עבודה במשרד. ואז הגיע הטלפון החכם. מסך זעיר, מגע באצבעות במקום עכבר, סוללה שחייבת להחזיק יום שלם, חיבור אינטרנט שעולה ויורד, ומיקום שמשתנה תוך כדי תנועה. מישהו ניסה להריץ Windows על טלפון? כן, היו כמה וכמה ניסיונות. אף אחד מהם לא הצליח באמת. לא בגלל ש-Windows היתה רעה. פשוט בגלל שהיא תוכננה לעולם אחר לחלוטין. בשביל הטלפון היה צריך משהו אחר, וכך נולדו iOS ו-Android, מערכות הפעלה שנבנו מההתחלה כדי לחסוך סוללה, להגיב למגע, להבין מיקום, ולעבוד עם רשת שמשתנה כל רגע.
היום אנחנו בדיוק באותה נקודה, רק עם AI. תשתיות הנתונים שקיימות במרכזי המחשוב תוכננו לעולם של תוכנות עסקיות מסורתיות: חשבונאות, ניהול הזמנות, הדפסות, גיבוי בלילה. הן מצוינות לעולם הזה. הן פשוט לא תוכננו לעולם שבו אלפי כרטיסי GPU יקרים חייבים להיות מוזנים כל רגע במידע, מכל סוג, בקצב של מילישניות, יום וגם לילה. לנסות לבנות בינה מלאכותית רצינית על תשתיות הישנות זה בדיוק כמו לנסות להריץ Windows על טלפון. זה אולי “יעלה”, אבל זה איטי, יקר, ולא יציב. צריך מערכת הפעלה שנבנתה לעולם הזה מההתחלה. זו בדיוק הטענה של VAST AI OS.
בינה מלאכותית, או בקיצור AI, היא תוכנה שלמדה לזהות דפוסים מתוך הרבה מאוד דוגמאות, ובזכות זה היא יודעת לענות, לסכם, לתרגם, או להמליץ. אפשר לחשוב עליה כמו טבח. הטבח הזה לא נולד יודע לבשל. (למרות שכמה חושבים שכן) הוא עבר ארבעה שלבים שכדאי להכיר, כי כל אחד מהם מסתמך על דרישה אחרת על מהקומה התחתונה.
השלב הראשון נקרא training, אימון. כאן הטבח קורא ספרי בישול במשך חודש שלם, מאות אלפי דפים, כדי ללמוד את כללי המקצוע. המחשב עושה את זה על אלפי מעבדים גרפיים יקרים שנקראים GPU. כדי שלא יבזבזו זמן, מישהו צריך להגיש להם את כל הספרים, במהירות, בלי הפסקות. השלב השני נקרא fine tune, כיוון עדין, וזה כמו ללמד את הטבח דווקא את המטבח הספציפי של המסעדה שלכם, עם המתכונים הסודיים. השלב השלישי נקרא reinforcement, חיזוק, וכאן אומרים לטבח “את הזה אהבנו, את הזה לא” עד שהוא משתפר. השלב הרביעי, וגם החשוב ביותר מבחינה עסקית, נקרא inference, הסקה. זה הרגע שבו לקוח מבקש ארוחה, והטבח חייב להוציא צלחת מהר, חם וטעים, פעם אחר פעם.
כל אחד מהשלבים האלה אוכל מידע. הרבה מידע. תמונות, טקסט, סרטונים, רשומות, יומנים. הבעיה היא שברוב הארגונים המידע הזה יושב בעשר “מחסנים” שונים שלא מדברים זה עם זה. כל פעם שמערכת AI רוצה להתאמן, מישהו מתחיל מסע של העתקת קבצים, התאמת פורמטים, וניקוי. זה איטי, יקר, ומלא טעויות. הצוות מבזבז יותר זמן על העברות בין מחסנים מאשר על השאלה איזה מודל לבנות. במקביל, ה-GPU היקרים יושבים ומחכים. דמיינו צי משאיות שמחכה בחניון של מחסן ריק. זה בערך מה שקורה בארגונים שעדיין על הקומות הישנות.
מערכת ההפעלה ל-AI נולדת בדיוק כדי לפתור את זה. היא מחזיקה את כל הסוגים של המידע על שכבה אחת, מאפשרת לחפש בו לפי תוכן ולא רק לפי שם קובץ, מזרימה אותו ל-GPU במהירות שמספיקה לאמן ולענות בלי תור, ועושה את כל זה תוך כדי שמירה על הרשאות, אבטחה, ועלויות הגיוניות.
שבעת המנועים שמרכיבים את מערכת ההפעלה של ווסט
VAST AI OS
VAST מתארת את הפלטפורמה שלה כשבעה מנועים שעובדים יחד. אפשר לחשוב עליהם כמו על מטבח גדול במסעדה: יש מחסן, יש ספרי מתכונים, יש גשר אל מטבחים אחרים בסניפים, יש שולחן הכנה, יש לוח עדכונים בזמן אמת, יש מנהל אירוח שיודע לנווט אורחים, ויש צוות שוליות שיודע גם לבצע משימות בעצמו. כל אחד עושה דבר אחד היטב, אבל כולם חולקים את אותו מטבח כדי שאוכל יוצא מהר ובאיכות יציבה.
DataStore: המחסן הגדול
נתחיל בעובדה שרוב הקוראים הלא טכניים לא יודעים: בעולם האחסון המסורתי, צריך לקנות מוצר נפרד לכל סוג של פרוטוקול גישה למידע. קופסה אחת בשם NAS לקבצים (פרוטוקולים בשם NFS ו-SMB), מערך אחר בשם SAN לבלוקים שצריכים מסדי נתונים (פרוטוקולים בשם Fibre Channel ו-iSCSI), ומערכת שלישית לאחסון אובייקטים בסגנון ענן (פרוטוקול בשם S3). שלוש קופסאות, לפעמים משלושה ספקים שונים, כל אחת עם רכש נפרד, צוות תפעול נפרד, פרויקט הגירה נפרד, ועוד עותק של המידע שנשאר מאחור. ה-DataStore מטפל בכל שלושת הפרוטוקולים על אותה מערכת, אותה חומרה, ואותו מאגר מידע. כל צוות משתמש בפרוטוקול שמתאים לו, ואף אחד לא מעתיק כלום. הוא גם בנוי לזמינות מאוד מאוד גבוהה ובלב המחסן הזה יושב מנגנון שמשנה לחלוטין את החשבון הכלכלי של פרויקט AI.
המנגנון נקרא “מנוע הדמיון” (Similarity Engine). מערכות אחסון מסורתיות יודעות לזהות רק מידע שהוא זהה לחלוטין, אחד לאחד, וגם את זה רק בתוך “חלון” צר. מנוע הדמיון של VAST סורק את כל המידע באשכול בו זמנית, מזהה בלוקים שהם “כמעט זהים” זה לזה, ושומר רק את מה שבאמת שונה ביניהם. ההבדל נשמע טכני, אבל בעולם של AI הוא מכריע. עשרות גרסאות קצת שונות של אותו מאגר אימון שכל צוות מחזיק, מיליוני קטעי טקסט קרובים שנשאבו מהאינטרנט להכשרת המודל, נקודות שמירה יומיות של מודל שמשתנות רק בקצוות, אינסוף תמונות שעברו עיבודים קלים (גרסאות מעט שונות של אותה תמונה), ויומני מערכת שחוזרים על עצמם עם הבדלים זעירים, כולם מתכווצים לשטח קטן בהרבה, אוטומטית, בלי שאף צוות יצטרך לשנות את אופן העבודה שלו.
וכאן עומדת הטענה הייחודית שאי אפשר להחמיץ. מערכות אחסון אחרות מציעות אחת משתי טכניקות לחיסכון בנפח, או שתיהן: דדופליקציה (זיהוי עותקים זהים) ודחיסה (compression). חלקן עושות את שתיהן בצורה סבירה. אבל אף אחת מהן לא משלבת את שתי הטכניקות האלה עם מנוע דמיון אמיתי שסורק את כל האשכול, על כל פרוטוקול ועל כל סוג מידע, כל הזמן. השילוב המשולש הזה, דדופליקציה ועוד דחיסה ועוד דמיון, הוא מה שמציב את היכולת של VAST בליגה משלה, וזו הסיבה שהמספרים בפסקה הבאה הם לא תיאוריה.
היתרונות שמתגלגלים מכך מצטברים, והם מופיעים בדיוק במקומות שבהם סמנכ”ל הכספים מסתכל. ראשית, העלות הגולמית יורדת. לקוחות רואים הרבה יותר מידע לוגי על אותם דיסקים, וזו הסיבה הראשית שאשכול VAST נוחת בערך שישים אחוז מתחת לעלות של אחסון מסורתי לאותה עבודה. שנית, ה-GPU היקרים מחכים פחות לבייטים ומאמנים יותר, וזה המקום שבו באמת יושב התקציב. שלישית, חשמל, קירור, ושטח רצפה צונחים באותה מידה, וזה כבר לא פרט שולי בעידן שבו AI מתחרה עם ערים שלמות על חשמל. רביעית, ריבוי צוותים: כשעשרה צוותים “כל אחד מחזיק” את אותה ערכת אימון, האשכול שומר אותה פעם אחת בלבד. חמישית, התאוששות מהירה יותר: פחות בייטים פיזיים פירושם גיבוי, שכפול, והתאוששות מאסון שרצים מהר יותר. אלה יתרונות מדידים, ולא תאוריה, וכולם מתערבבים על אותה מערכת בלי תוספת מורכבות.
DataBase: ארון התיוק
מסד נתונים, או database באנגלית, זה המקום שבו שומרים מידע מסודר בטבלאות עם עמודות וגיליונות, כמו אקסל ענק. בעולם ה-AI יש גם “מידע לא מסודר”, למשל המשפטים שכותב לקוח בצ’אט. ה-DataBase של VAST יודע לארגן את שני הסוגים על אותה שכבה, כך שתוכנה אחת יכולה לשאול גם “כמה לקוחות פתחו תלונה החודש” וגם “מה הם אמרו בפועל”. בלי כפל מערכות, בלי גשרים שבירים בין מחלקות.
DataSpace: הגשר בין הסניפים
ארגונים גדולים יושבים ביותר ממקום אחד. סניף בארץ, מרכז נתונים בארה”ב, אזור ענן בגרמניה. DataSpace הוא הגשר. הוא דואג שאותו קובץ נראה אותו דבר בכל המקומות, בלי שמישהו ייצור גרסה שלישית בטעות. בשביל הצוות העסקי המשמעות פשוטה: הסניפים מפסיקים להתווכח על מי המספרים הנכונים, כי כולם רואים את אותם המספרים.
DataEngine: שולחן ההכנה
לפני שמערכת AI יכולה ללמוד מסרטון, מישהו צריך לחתוך אותו לפריימים, להעיף תווי פרסומת, ולהפוך לו את הצבעים לטבלה של מספרים. זה עיבוד ראשוני. בעבר זה רץ במכונות נפרדות, וכל ריצה דרשה להעביר את הקובץ פעם נוספת ברשת. DataEngine של VAST עושה את ההכנה במחסן עצמו, בדיוק במקום שהקובץ יושב. כמו שולחן הכנה שמודבק לחזית המקרר במסעדה, במקום להעביר ירקות בכל פעם לחדר אחר.
SyncEngine: לוח העדכונים בזמן אמת
בעולם האמיתי לא תמיד יש זמן לחכות עד הלילה כדי לעדכן את הנתונים. צריך לדעת תוך שניות מהקרקע: מי לחץ עכשיו על המוצר, איפה משאית הסחורה הזו עכשיו, איזו מכונה במפעל התחילה לחרוג מהטמפרטורה. SyncEngine מחבר את כל הזרמים האלה אל המחסן בלי שתצטרכו עוד מערכת חיצונית. הוא הופך את הקומה התחתונה ל”חיה”, כך שמודלים יכולים להגיב לאירועים תוך כדי שהם מתרחשים.
InsightEngine: לחפש לפי משמעות, לא לפי שם
אם מנהל מבקש “את כל הצילומים שבהם נראית מכונה X לפני שקרס לה החלק”, איש לא רוצה לפתוח רשימת קבצים. InsightEngine הופך את כל המידע במחסן לצורה שמערכת AI יכולה לחפש בה לפי משמעות, ולא רק לפי שם קובץ. באנגלית קוראים לזה embeddings. תחשבו על זה כמו על תוכן הספרים בספרייה: במקום לחפש לפי כותרת בלבד, הספריינית יכולה להבין על מה הספר ולהביא את הדומים אליו, גם אם השם שלהם שונה לחלוטין.
AgentEngine: השוליות של המטבח
סוכן הוא תוכנה שלא רק עונה אלא גם מבצעת. כשבן אדם שואל אסיסטנט בטלפון “הזמן לי טיסה”, ההזמנה האמיתית מתבצעת על ידי סוכן. AgentEngine נותן לסוכנים האלה מקום בטוח לעבוד מתוכו: כללים מי רשאי לעשות מה, יומני פעולה, ויכולת לבטל פעולה אם משהו השתבש. זה ההבדל בין שולייה שעובד תחת השגחה, לבין מי שנכנס למטבח שלכם בלי שאיש מסתכל.
הקסם הוא בחיבור
כל אחד משבעת המנועים האלה קיים בנפרד אצל ספקים אחרים. מה שמחבר ארגון לארגון אחר, ומפריד פתרון איטי מפתרון מהיר, הוא העובדה ששבעתם חולקים אותה שכבה תחתונה. אין צורך להעביר נתונים מספק אחד למשנהו. הצוותים מפסיקים להעתיק קבצים והם חוזרים לעבוד על מה שבאמת מעניין: מה אנחנו רוצים שהמודל ידע לעשות, איזו שאלה עסקית אנחנו פותרים, איך אנחנו מודדים שיפור.
מתחת למכסה המנוע, מה זה DASE
כדי שהמטבח הזה יעבוד באמת, VAST המציאה ארכיטקטורה (הצורה הפנימית של המערכת) שנקראת DASE, ראשי תיבות של Disaggregated Shared Everything. ובעברית פשוטה: כל התשתית הכבדה מונחת במקום אחד, וכולם נהנים ממנה יחד.
הדרך הקלה ביותר להבין את הרעיון היא לחשוב על ההבדל בין שדה תעופה פרטי קטן ובין נמל תעופה מודרני כמו נמל התעופה בן גוריון. בעבר, חברה תעופה רצינית רצתה הכל בעצמה. מסלולי המראה משלה, מסוף משלה, מערכת בקרה משלה, מחסני דלק משלה, וצוותי קרקע משלה. כשטיסה אחת התעכבה, אף חברה אחרת לא יכלה להשתמש במסלול הזה. כשרצו להוסיף עוד טיסות, היה צריך לבנות בו זמנית עוד מסלול ועוד מסוף, גם אם בפועל מה שחסר זה רק טייסים. הצמיחה היתה יקרה, איטית, ומבזבזת.
בנמל תעופה מודרני, ההפך הגמור. יש מסלולי המראה משותפים לכל חברות התעופה, מערכת אחת לבקרת תנועה, מסוף שמחולק לשערים, וצוותי קרקע שעוברים מטיסה לטיסה לפי הצורך. כל חברה מקבלת שערים משלה ומופיעה במסכים בנפרד, אבל אף אחת לא בונה לעצמה ריצוף, מערכת חשמל, או מגדל פיקוח. כשנכנס גל נוסעים פתאומי, אפשר לפתוח עוד שערים בלי לסלול עוד מסלול. כשנפתח קו טיסות חדש, אפשר להוסיף טייסים בלי לבנות עוד אגף.
DASE עובדת בדיוק לפי העיקרון הזה. במקום שכל שרת יחזיק לעצמו דיסקים, זיכרון, ותוכנה משלו, יש מאגר נתונים מהיר אחד שכל הארגון משתמש בו כמו “מסלול ההמראה המשותף”, ומולו שרתי עיבוד פשוטים שמתפקדים כמו “שערים” שכל אחד יכול לטפל בכל בקשה. כל שרת רואה את כל המידע, אז שום בקשה לא נתקעת מאחורי שרת אחר עמוס. רוצים יותר ביצועים? מוסיפים שרתים בלי להוסיף דיסקים. רוצים יותר מקום? מוסיפים דיסקים בלי לקנות עוד שרתים. גיבויים, עדכוני תוכנה, החלפת רכיבים, הכל קורה תוך כדי שהמטוסים ממריאים ונוחתים. אף משתמש לא מרגיש שהמערכת באמצע תחזוקה.
התוצאה לעולם העסקי היא חמישה כללי זהב שעד היום נחשבו כ”חוקי טבע” של עולם המחשוב, ופתאום נשברים. ראשית, ביצועים גבוהים בלי לוותר על קיבולת. שנית, צמיחה חופשית בלי שהמורכבות תקפוץ. שלישית, מידע “חם” שמשתמשים בו כל היום ומידע “קר” של היסטוריה באותה מערכת, בלי תור. רביעית, תגובה מהירה גם בשעות שיא. חמישית, עדכוני מערכת בלי השבתות. כל אחד מאלה לבד שווה הרבה כסף לארגון. ביחד, זו הסיבה שכמה מהבנקים, בתי החולים, יצרני השבבים, ספקי הענן, מוסדות המחקר, ולקוחות אנטרפרייז גדולים בעולם בחרו לשים את המידע שלהם על הקומה התחתונה הזו.
איך זה נראה בחיים האמיתיים של כמה לקוחות
בבנק, נציג שירות שמדבר איתכם בטלפון יכול להציג על המסך תוך שניה את הסיפור המלא שלכם, גם אם הוא מורכב מעשרים אינטראקציות בעשר מערכות שונות. אין יותר “אעביר אותך לאדם אחר”. ה-AI מסתכל על הכל, מסכם, ומציע צעד הגיוני. השיחה לוקחת חצי, והשירות מרגיש אנושי יותר.
בבית חולים, מערכת המבוססת AI יכולה להסתכל על תוצאות בדיקות, צילומים, ויומן הביקורים, ולסמן בדיסקרטיות שאצל מטופל מסוים יש דפוס שכבר ראינו אצל אחרים שלקו בהמשך. הרופא לא מקבל הוראה. הוא מקבל סימון ידידותי שעוזר לו להחליט אם להעמיק בבדיקה. ההבדל יכול להיות חודשים של טיפול מוקדם.
ברשת חנויות, אפשר לבדוק תוך כדי היום מה נמכר, מה לא, ולמה. אם פתאום יש גשם בצפון, המודל לומד שהמטריות התחילו לעוף בסניף בחיפה ומציע למוקד הלוגיסטי לשלוח ארגזים נוספים מהמחסן בפתח תקווה. בלי שאף אחד צריך לעדכן ידנית טבלת אקסל. כל הדוגמאות האלה מתאפשרות רק כי הקומה התחתונה רואה הכל יחד, וזה בדיוק מה ש-AI OS אמור לאפשר.
ווסט פולאריס וספקי הענן
Polaris הוא מוצר נפרד של VAST שמטרתו לחבר בין שלושת העולמות שכל ארגון גדול חי בהם בו זמנית: המרכזי נתונים שלו עצמו, ענני ענק כמו AWS, Google Cloud ו-Microsoft Azure, וספקי ענן ייעודיים ל-AI שצצים בשנים האחרונות. אפשר לחשוב עליו כמו על מנהל תנועה אווירית למידע: כל טיסה תמריא בזמן, על המסלול הנכון, אל היעד הנכון.
זה חשוב למנהל הלא טכני בגלל שלוש סיבות. ראשית, אף ארגון רציני לא רוצה להיות “נעול” אצל ספק ענן אחד. שנית, GPU יקרים לא תמיד זמינים אצל הספק שאתם רגילים אליו, ולפעמים שווה לשכור אותם השבוע אצל ספק ייעודי. שלישית, כללים רגולטוריים, רפואיים או בנקאיים, מחייבים לפעמים להחזיק חלק מהנתונים בארץ. Polaris מאפשר את כל אלה ובו זמנית מבטיח שאותו צוות AI עובד עם אותם נתונים, באותם כללים, מבלי לחתוך כל פעם תהליך עבודה למחצה.
פירוט רשמי של VAST על העבודה מול ספקי הענן זמין ב-vastdata.com/industry/cloud-service-providers.
היכן יושבת ווסט דאטה במפת השוק
אפשר לדמיין את השוק כשתי שאלות פשוטות. ראשונה: עד כמה המוצר מכניס את כל המידע של הארגון תחת קורת גג אחת. שנייה: עד כמה הוא מתוכנן מההתחלה כדי להאכיל מערכות AI. מי שגבוה בשני הצירים יחד הוא נדיר. רוב ההצעות המתחרות טובות בציר אחד אבל מתפשרות בשני. VAST מנסה ומצליחה להיות באמצע למעלה מימין: שכבה אחת, מתאימה במיוחד ל-AI.
מה זה אומר לגבי מי שמוביל/ה בארגון שלהם
ההחלטות שעומדות בפני מנכ”לית, סמנכ”ל הכספים, ובעצם כל ראש דיוויזיה הן לאו דווקא איזו טכנולוגיית AI לקנות. ההחלטות הן איזה סוג של “קומה תחתונה” להניח, כי על הקומה הזו ייבנו עשרות יישומים בשנים הקרובות.
השאלה הראשונה היא “כמה סוגי מידע וכמה עותקים של הנתונים שלנו אנחנו מחזיקים, ואיפה”. ככל שהתשובה ארוכה יותר, כך היציבות פחות טובה, העלות גבוהה יותר, והסיכון לאבטחת מידע גדול יותר. השאלה השנייה היא “בכל פעם שצוות מבקש לבנות מודל AI חדש, כמה זמן עובר עד שהוא מתחיל לעבוד באמת”. ארגונים שעדיין על הדרך הישנה מודדים את זה בחודשים. ארגונים שעברו לפלטפורמה מאוחדת מודדים את זה בימים, לפעמים בשעות.
השאלה השלישית היא הכי חשובה. “מה קורה כשמודל AI בשירות שלנו מתחיל לפעול בעצמו”. לסוכן יש סמכות, ויחד איתה אחריות. צריך לדעת מי מאשר לו לפעול, מה היומן שלו, ואיך מבטלים פעולה כשמשהו השתבש. זו לא שאלה טכנית. זו שאלה של ממשל ושל אמון של לקוחות. הבחירה ב”קומה תחתונה” שיודעת לטפל גם בזה, היא בחירה ניהולית, לא טכנית.
במובן הזה, ההחלטה על שכבת הנתונים הזו דומה להחלטה על מערכת ליבה פיננסית או מערכת לניהול משאבים בארגון. היא נראית טכנית, אבל בפועל היא קובעת כמה מהר הארגון יוכל להשתנות, להגיב לשוק, ולשמור על אמון הלקוחות.
למה הסיפור הזה חשוב גם מעבר לבועה הטכנולוגית
חזרה אל המנגל.
אם הטענה על מערכת הפעלה ל-AI נכונה, העשור הקרוב יהיה דומה לעשור שאחרי שהופיע ה-Windows: גל של יישומים חדשים שמתאפשרים בזכות בסיס משותף. רוב האנשים לא ישמעו את שם הבסיס הזה. הם פשוט יבחינו שהבנק שלהם מבין אותם מהר יותר, שבית החולים תפס משהו מוקדם, שהקמעונאי שלהם החזיק בדיוק את מה שהם חיפשו, ושהאנשים שהם פגשו בכל אלה היו נינוחים יותר. זו גרסת ה-AI ששווה לבנות. היא קיימת רק אם מישהו עושה את העבודה הסיזיפית של בניית הצנרת מחדש. השכן שלי אולי לעולם לא ישמע את שם החברה. כפי שעובד עם החשמל בקיר, זו אולי המחמאה הגדולה ביותר.
לכן הסיפור כאן גדול מאחסון, וגדול אפילו מ-AI כתוכנה. מדובר בשאלה איזה סוג של ארגונים יוכלו לקחת את הנתונים שכבר צברו במשך שנים ולהפוך אותם לפעולה, לתשובה, וליתרון תפעולי. אם הטענה של VAST תוכיח את עצמה, השכבה הזו תהיה פחות מפורסמת מהיישומים שיושבים עליה, אבל לא פחות חשובה.
וזו, אגב, הסיבה שהיה לי חשוב לכתוב את הפוסט הזה בעברית פשוטה. מאחורי סבב גיוס מרשים, יש רעיון די פשוט להבנה: אם אנחנו רוצים ש-AI יעבוד בעולם האמיתי, צריך לבנות מחדש את הקומה התחתונה כך שתהיה אחת, מהירה, וכלכלית. זו הטענה. כל השאר הוא, בסופו של דבר, ניסיון להוכיח אותה. ואם בפעם הבאה שהשכן שלי שואל אותי “מה החברה הזו עושה” אצליח לענות לו במשפט אחד, אדע שכל החודשים שמאחורי הפוסט הזה הצדיקו את עצמם.
האנלוגיות והדעות בפוסט הן שלי. אין כאן ייעוץ השקעות, ואין כאן הודעה רשמית של החברה.