فراتر از تعداد پردازنده‌های گرافیکی؛ لیبل‌آپ با تمرکز بر بهره‌وری محاسباتی به‌دنبال توسعه بازار زیرساخت هوش مصنوعی است
با رشد صنعت هوش مصنوعی، استفاده بهینه از منابع محاسباتی به مزیت رقابتی تازه‌ای تبدیل شده است؛ مزیتی که در کنار دسترسی به پردازنده‌های گرافیکی (GPU) اهمیت پیدا می‌کند. با بزرگ‌تر شدن مدل‌های هوش مصنوعی و افزایش تعداد کاربران سرویس‌ها، نیاز به پردازنده‌های گرافیکی و همچنین زیرساخت‌هایی مانند پردازنده‌های مرکزی (CPU)، تجهیزات ذخیره‌سازی و پردازش داده افزایش می‌یابد. شرکت لیبل‌آپ (Labelup)، فعال در حوزه نرم‌افزار زیرساخت هوش مصنوعی، با فناوری‌های مدیریت منابع و افزایش بهره‌وری به حل این چالش‌ها می‌پردازد.
شین جونگ‌گیو، مدیرعامل لیبل‌آپ، می‌گوید: «در فرایند توسعه هوش مصنوعی، گلوگاه‌ها در مقاطع مختلف تغییر می‌کردند. کاری که ما انجام داده‌ایم، شناسایی و برطرف کردن گلوگاه‌هایی بوده است که در هر مرحله به وجود می‌آیند.»
لیبل‌آپ از زمان تأسیس در سال ۲۰۱۵، فناوری‌های خود را متناسب با تغییرات محیط محاسباتی هوش مصنوعی توسعه داده است. این شرکت در ابتدا بر استفاده بهینه از پردازنده‌های گرافیکی در یک رایانه متمرکز بود، اما به‌تدریج دامنه فعالیت خود را گسترش داد؛ از مدیریت محیط‌هایی با صدها پردازنده گرافیکی تا توسعه فناوری‌هایی برای رفع گلوگاه‌های جدید در تجهیزات ذخیره‌سازی و پردازش داده.
محصول اصلی این شرکت، Backend AI، پلتفرمی است که چندین سرور مجهز به پردازنده گرافیکی را در قالب یک محیط محاسباتی واحد سازمان‌دهی و مدیریت می‌کند. این پلتفرم به شرکت‌ها و پژوهشگران امکان می‌دهد متناسب با نیاز خود به منابع پردازشی دسترسی داشته باشند و از آن‌ها برای آموزش مدل‌های هوش مصنوعی یا اجرای سرویس‌ها استفاده کنند. کاهش زمان بلااستفاده‌ای که هنگام اشتراک منابع پردازنده گرافیکی میان کاربران مختلف ایجاد می‌شود، از قابلیت‌های کلیدی این محصول است. شین برای توضیح عملکرد Backend AI می‌گوید: «این پلتفرم مانند سیستم‌عامل ویندوز برای رایانه‌های مجهز به پردازنده گرافیکی است.»
محور اصلی این فناوری، کاهش زمان بلااستفاده منابع است. شین برای توضیح این سازوکار، آن را به جدول زمان‌بندی حرکت قطارها تشبیه می‌کند. از آنجا که هر وظیفه هوش مصنوعی به ترکیب متفاوتی از منابع GPU، CPU و داده نیاز دارد، تنظیم دقیق زمان‌بندی اجرای کارها می‌تواند امکان استفاده از یک منبع را در زمانی فراهم کند که منبع دیگری بیکار مانده است. او توضیح می‌دهد: «از آنجا که زمان استفاده هر کار هوش مصنوعی از پردازنده گرافیکی، پردازنده مرکزی و داده متفاوت است، می‌توان با تنظیم زمان‌بندی استفاده از منابع در چند وظیفه، کاری کرد که هنگام بیکار ماندن یک منبع، وظایف دیگر از آن استفاده کنند. به این ترتیب، بهره‌برداری از کل منابع محاسباتی افزایش می‌یابد.»
به گفته لیبل‌آپ، استفاده از Backend AI بسته به نوع کار می‌تواند بهره‌وری محاسباتی را بین ۱۰ تا ۵۰ درصد افزایش دهد. برای مثال، مدت‌زمان آموزش یک مدل هوش مصنوعی که در شرایط معمول ۱۲۰ روز برآورد می‌شود، می‌تواند به حدود ۷۰ روز کاهش یابد. شین می‌گوید: «در شرایطی که شرکت‌های هوش مصنوعی برای تأمین پردازنده‌های گرافیکی صدها میلیون تا چندین میلیارد وون هزینه می‌کنند، ارزش Backend AI در این است که به آن‌ها اجازه می‌دهد با همان تجهیزات، کارهای بیشتری انجام دهند.»
لیبل‌آپ قرار است در ماه نوامبر سهام خود را در بورس عرضه کند. این شرکت قصد دارد منابع مالی حاصل از عرضه سهام را به توسعه فناوری اختصاص دهد. نخستین اولویت شین، راه‌اندازی یک مرکز آزمایش گسترده برای پردازنده‌های گرافیکی است. او توضیح می‌دهد که برای آزمایش نسل‌های جدید GPU باید دست‌کم چند ده دستگاه را در کنار یکدیگر قرار داد و ساخت چنین مرکزی می‌تواند نزدیک به ۲۰ میلیارد وون هزینه داشته باشد. این برنامه بر این ارزیابی استوار است که برای بهینه‌سازی نرم‌افزار در محیط‌های مجهز به تعداد زیادی پردازنده گرافیکی، آزمایش و اعتبارسنجی با سخت‌افزار واقعی ضروری است.
این شرکت هم‌زمان با عرضه سهام، فعالیت‌های بین‌المللی خود را نیز گسترش خواهد داد. لیبل‌آپ پس از تأسیس شرکت تابعه در آمریکا، قصد دارد در این کشور واحدهای پشتیبانی فنی و فروش راه‌اندازی کند و سپس وارد بازار آسیا و اقیانوسیه شود. شین می‌گوید: «در خارج از کشور، هنوز شرکای توزیعی وجود دارند که Backend AI را با سرورها ترکیب می‌کنند و تقاضا در ژاپن و سنگاپور نیز در حال شکل‌گیری است.»
همکاری با شرکت‌های داخلی تولیدکننده نیمه‌رساناهای هوش مصنوعی نیز از حوزه‌هایی است که لیبل‌آپ به آن توجه دارد. این شرکت از تولیدکنندگان کره‌ای، از جمله ربل‌این (Rebellions) و فیوریوس‌ای‌آی (FuriosaAI)، پشتیبانی می‌کند. بااین‌حال، شین تأکید می‌کند: «برای اینکه نیمه‌رساناهای هوش مصنوعی کره‌ای بتوانند در بازارهای خارجی رقابت‌پذیر باشند، به نمونه‌های واقعی استفاده نیاز داریم که نشان دهند مشتریان واقعاً چه ارزشی از این محصولات به دست می‌آورند.» او می‌افزاید: «برای جذب مشتری باید هنگام اجرای واقعی سرویس‌های هوش مصنوعی نشان دهیم که محصولات ما در مقایسه با GPUهای موجود، از نظر هزینه، سرعت پردازش و میزان بهره‌برداری از منابع چه مزیت‌هایی دارند.» به گفته شین، اثبات رقابت‌پذیری نیمه‌رساناهای هوش مصنوعی صرفاً با تکیه بر توان محاسباتی آن‌ها دشوار است.
شین در پایان می‌گوید: «با افزایش مداوم منابع محاسباتی موردنیاز هوش مصنوعی، اهمیت نرم‌افزارهایی که این منابع را به‌طور کارآمد توزیع و مدیریت می‌کنند نیز بیشتر خواهد شد. در مورد نیمه‌رساناهای هوش مصنوعی هم مهم است که مشتریان واقعی بتوانند از آن‌ها استفاده کنند و ارزششان را در عمل بسنجند.»