زمان مطالعه4 دقیقه
می پسنـدم0
اندازه متن12
پروژه Essedum که در آوریل سال جاری با حمایت Infosys و تحت مدیریت Linux Foundation Networking (LFN) آغاز شد، حالا به یکی از مهمترین دستاوردهای خود رسیده است: انتشار نسخه 1.0. این پروژه متنباز با هدف ایجاد یک فریمورک جامع برای شتابدهی به ادغام هوش مصنوعی در محیطهای شبکهای طراحی شده است.
به گفته توسعهدهندگان، Essedum نهتنها یک ابزار آزمایشی، بلکه بستری عملیاتی و قابل استقرار است که میتواند سازمانها را در مسیر تحول دیجیتال و هوشمندسازی زیرساختهای ارتباطی یاری کند.
نسخه اولیه این پلتفرم مجموعهای از ابزارهای کلیدی را ارائه میدهد که توسعه و استقرار اپلیکیشنهای هوش مصنوعی در شبکه را سادهتر میکند:
Connections: ایجاد ارتباطات ایمن بین سیستمها برای تبادل داده در محیطهای ابری و محلی.
Datasets: دریافت و مدیریت داده از منابع گوناگون مانند پایگاههای MySQL، APIها و ذخیرهسازهای ابری.
Pipelines: ساخت و اجرای پایپلاینهای آموزش و استنتاج برای مدلهای AI/ML.
Models: مدیریت مدلهای یادگیری ماشین روی پلتفرمهای ابری نظیر AWS SageMaker، Azure ML و Google Vertex AI.
Endpoints: کنترل متمرکز تمام نقاط پایانی شامل سرویسهای مدل و APIها.
Adapters: سادهسازی اتصال به سرویسهای خارجی بدون نیاز به پیکربندی پیچیده.
Remote Executor: اجرای وظایف سنگین محاسباتی روی سرورهای راهدور یا ماشینهای مجازی.
این ویژگیها Essedum را از یک پروژه آزمایشی فراتر برده و به یک پلتفرم عملیاتی برای تیمهای شبکه و مخابرات تبدیل میکند.
توسعه اپلیکیشنهای هوش مصنوعی در شبکهها فرآیندی زمانبر و پیچیده است. ابزارهای عمومی مانند MLflow و Kubeflow مدیریت چرخه عمر مدلهای یادگیری ماشین را ساده میکنند، اما برای نیازهای خاص حوزه شبکه کافی نیستند.
Essedum با تمرکز بر همین شکاف، بهعنوان یک فریمورک تخصصی یکپارچهساز عمل میکند. این یعنی:
به جای جایگزین شدن با ابزارهای موجود، آنها را تکمیل میکند.
اجزای پراکنده و پیچیده را به صورت یکپارچه در اختیار تیمها قرار میدهد.
زمان توسعه را کاهش میدهد و امکان تمرکز روی حل مسائل شبکهای را فراهم میسازد.
به بیان دیگر، Essedum همان چیزی است که میتواند AI در شبکه را از یک پروژه آزمایشی به یک راهکار عملیاتی تبدیل کند.
یکی از مهمترین دستاوردهای نسخه 1.0، استقرار موفق Essedum در یک محیط Sandbox عملیاتی با همکاری دانشگاه نیوهمپشایر است.
این استقرار نشان داد که Essedum نهتنها در کد و تئوری، بلکه در شرایط واقعی شبکه و در زیرساختهای چندابری (multi-cloud) هم قابل استفاده است.
توسعهدهندگان میتوانند در محیط آزمایشی واقعی، قابلیتهای Essedum را تست کنند.
سازمانها اطمینان پیدا میکنند که این پلتفرم برای استقرار در مقیاس تولید (Production) آماده است.
قابلیتهای امنیتی، کارایی و انعطافپذیری در سناریوهای مختلف بهطور کامل ارزیابی میشوند.
LF Networking یک برنامه ۱۸ ماهه برای گسترش Essedum طراحی کرده است. مهمترین اهداف این نقشه راه عبارتاند از:
اتوماسیون استقرار با Docker و Helm برای سهولت در استفاده در محیطهای ابری و کانتینری.
پشتیبانی از دادههای PDF و Excel بهمنظور پردازش مستندات شبکه و دادههای عملیاتی.
مدیریت امن رمزها و Secrets برای پاسخ به نیازهای امنیتی سازمانی.
کنترل دسترسی مبتنی بر نقش (RBAC) برای تیمهای چندبخشی.
گسترش پشتیبانی از پلتفرمهای ابری عمومی جهت تضمین سازگاری در انواع زیرساختها.
Essedum بر پایه اصول توسعه متنباز و جامعهمحور بنا شده است. این یعنی:
مشارکت توسعهدهندگان جهانی باعث غنیتر شدن پروژه خواهد شد.
قابلیتها و ابزارهای عمومیتر بهسرعت به پروژه اضافه میشوند.
سازمانها میتوانند با کمترین هزینه از فناوریهای پیشرفته AI در شبکههای خود بهرهبرداری کنند.
همانطور که Ranny Haiby (مدیر فناوری بنیاد لینوکس در حوزه شبکه) توضیح داده:
«Essedum جایگزین پلتفرمهای موجود نیست، بلکه یک چارچوب تخصصی برای حوزه شبکه است که ابزارهای فعلی را به هم متصل و یکپارچه میسازد.»
انتشار Essedum 1.0 را میتوان نقطه عطفی در هوشمندسازی شبکههای مخابراتی و IT دانست.
این پروژه متنباز:
فرآیند توسعه اپلیکیشنهای AI در شبکه را سادهتر میکند،
زمان استقرار را کاهش میدهد،
و زیرساختی انعطافپذیر و مقیاسپذیر برای آینده شبکههای هوشمند فراهم میسازد.
با توجه به نقشه راه توسعه و پشتیبانی فعال جامعه، Essedum پتانسیل آن را دارد که در سالهای آینده به معیار استانداردی برای AI در شبکههای مخابراتی و سازمانی تبدیل شود.
