AI-ଚାଳିତ ଡାଟା ସେଣ୍ଟରଗୁଡ଼ିକ ଆମର ଡିଜିଟାଲ୍ ଭବିଷ୍ୟତର ମେରୁଦଣ୍ଡ ଗଠନ କରନ୍ତି। ଆଗକୁ ବଢ଼ିବା ପାଇଁ, AI-ପ୍ରସ୍ତୁତ ଡାଟା ସେଣ୍ଟରଗୁଡ଼ିକର ନିୟୋଜନକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, ଏବଂ ଏହି ଲେଖାଟି ଏଥିରେ ସାମିଲ ତିନୋଟି ପର୍ଯ୍ୟାୟକୁ ଅନୁସନ୍ଧାନ କରେ।
ସାରା ବିଶ୍ୱରେ ଶିଳ୍ପ ବିକାଶ ପାଇଁ AI ଏବେ ଏକ ନୂତନ ମୂଳଦୁଆ। ନିୟମିତ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ଠାରୁ ଆରମ୍ଭ କରି ଉତ୍ପାଦ ଏବଂ ସେବା ପାଇଁ ନୂତନ ଧାରଣା ସୃଷ୍ଟି କରିବା ପର୍ଯ୍ୟନ୍ତ ସବୁକିଛି ପାଇଁ ଏହି ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବ୍ୟବହୃତ ହେଉଛି, ଏବଂ ଏହାର ପ୍ରଭାବ କେବଳ ତ୍ୱରାନ୍ୱିତ ହେବ ବୋଲି ଆଶା କରାଯାଉଛି।
ମ୍ୟାକକିନସେଙ୍କ "ଦି ଷ୍ଟେଟ୍ ଅଫ୍ ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ" ରିପୋର୍ଟ ଅନୁଯାୟୀ, ଗତ ବର୍ଷ ସୁଦ୍ଧା, ବିଶ୍ୱବ୍ୟାପୀ 65% ସଂଗଠନ ଅତି କମରେ ଗୋଟିଏ ବ୍ୟବସାୟିକ କାର୍ଯ୍ୟରେ AIକୁ ସଂଯୁକ୍ତ କରିଥିଲେ (ଏହି ସଂଖ୍ୟା 2023 ରେ 50% ପହଞ୍ଚିବ ବୋଲି ଆଶା କରାଯାଉଛି)। ଏହି ସମୟରେ, IDC ଆକଳନ କରିଛି ଯେ ଏହି ବର୍ଷ ବିଶ୍ୱବ୍ୟାପୀ ଡାଟା ଜେନେରେସନ୍ 175 ZB ରେ ପହଞ୍ଚିବ, ଯାହା ମୁଖ୍ୟତଃ AI, ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଏବଂ ରିଅଲ୍-ଟାଇମ୍ ଡାଟା ପ୍ରୋସେସିଂ ଦ୍ୱାରା ପରିଚାଳିତ ହେବ।
ଡାଟା ସେଣ୍ଟର ବଜାରର ବିସ୍ଫୋରକ ଅଭିବୃଦ୍ଧି ସହିତ, AI ଏକ ପ୍ରମୁଖ ଅଭିବୃଦ୍ଧି ବାହକ ହୋଇଯିବ। ଏହି ଧାରା ପାଇଁ ଆପଣଙ୍କର ଭିତ୍ତିଭୂମି ପ୍ରସ୍ତୁତ କି?
ଡାଟା ସେଣ୍ଟରରେ AI: ବିପର୍ଯ୍ୟସ୍ତ ରୂପାନ୍ତରଣ
ଆଧୁନିକ AI ପ୍ରୟୋଗଗୁଡ଼ିକ ନିରନ୍ତର ଭାବରେ ବିଦ୍ୟମାନ ଡାଟା ସେଣ୍ଟରଗୁଡ଼ିକର ଡିଜାଇନ୍ ସୀମାକୁ ଆଗକୁ ବଢ଼ାଉଛି। ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ଉପରେ ଆଧାରିତ ଆଭ୍ୟନ୍ତରୀଣ ବ୍ୟବସାୟିକ କାର୍ଯ୍ୟଭାର ପରିଚାଳନା କରିବାଠାରୁ ଆରମ୍ଭ କରି ଭବିଷ୍ୟବାଣୀ ମଡେଲ୍ ମାଧ୍ୟମରେ ଶକ୍ତି ଦକ୍ଷତା ଏବଂ ସୁରକ୍ଷାକୁ ଉନ୍ନତ କରିବା ପର୍ଯ୍ୟନ୍ତ, AI ଡାଟା ସେଣ୍ଟରଗୁଡ଼ିକର ବୁଦ୍ଧିମାନ କାର୍ଯ୍ୟ କ୍ଷମତାକୁ ନୂତନ ଉଚ୍ଚତାକୁ ନେଇଯାଉଛି।
ଏହି ପରିବର୍ତ୍ତନର ମୂଳ କାରଣ ହେଉଛି GPU କ୍ଲଷ୍ଟର ସହିତ ସଜ୍ଜିତ ଉଚ୍ଚ-ଘନତା ଡାଟା ସେଣ୍ଟର। ଏହି କ୍ଲଷ୍ଟରଗୁଡ଼ିକ ମଡେଲ ତାଲିମ ଏବଂ ଅନୁମାନର କମ୍ପ୍ୟୁଟିଂ ଶକ୍ତି ଚାହିଦା ପୂରଣ କରି ବିଶାଳ ସମାନ୍ତରାଳ କାର୍ଯ୍ୟଭାର ପରିଚାଳନା କରିପାରିବେ।
ତଥାପି, ଏହି ପରିବର୍ତ୍ତନ ପାଇଁ କୌଣସି ଏକକ, ସାର୍ବଜନୀନ ମଡେଲ୍ ନାହିଁ। AI କାର୍ଯ୍ୟାନ୍ୱୟନର ଗତି ବିଭିନ୍ନ ଅଞ୍ଚଳ, ଉଦ୍ୟୋଗ ଏବଂ ସୁବିଧା ମଧ୍ୟରେ ଭିନ୍ନ ହୋଇଥାଏ, ଯାହା AI ଡାଟା ସେଣ୍ଟରଗୁଡ଼ିକର ବିକାଶ ପଥ ବିଷୟରେ ଗଭୀର ବୁଝାମଣାକୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କରିଥାଏ।
ଏଆଇ ଡାଟା ସେଣ୍ଟର ଭିତ୍ତିଭୂମି: ଏକ ବିଶ୍ୱସ୍ତରୀୟ ଦୃଷ୍ଟିକୋଣ
ଏଠାରେ କିଛି ପ୍ରମୁଖ ଚିତ୍ର ଦିଆଯାଇଛି:
ଉତ୍ତର ଆମେରିକା ବିଶ୍ୱ ଡାଟା ସେଣ୍ଟର ବଜାର ଅଂଶର 40% ରୁ ଅଧିକ ଅଟେ ଏବଂ ଆଗାମୀ ବର୍ଷଗୁଡ଼ିକରେ ଏହାର କ୍ଷମତା 2.5 ଗୁଣ ବୃଦ୍ଧି କରିବ ବୋଲି ଆକଳନ କରାଯାଇଛି।
ଅନୁକୂଳ ଟିକସ ନୀତି, ଦୃଢ଼ ସଂଯୋଗୀକରଣ ଏବଂ ସ୍ଥାୟୀତ୍ୱ ଉପରେ ଧ୍ୟାନ ଦେବା ଯୋଗୁଁ ଆୟରଲ୍ୟାଣ୍ଡ, ଡେନମାର୍କ ଏବଂ ଜର୍ମାନୀ ଭଳି ଦେଶଗୁଡ଼ିକ ଡାଟା ସେଣ୍ଟର ହବ୍ ହେବାକୁ ଯାଉଛନ୍ତି।
ଚୀନ୍, ଜାପାନ, ଭାରତ ଏବଂ ସିଙ୍ଗାପୁର ନେତୃତ୍ୱରେ ଏସିଆ-ପ୍ରଶାନ୍ତ ମହାସାଗରୀୟ କ୍ଷେତ୍ର ଆହୁରି ଉଚ୍ଚ ଅଭିବୃଦ୍ଧି ହାର (୨୦୨୫ ରୁ ୨୦୩୦ ପର୍ଯ୍ୟନ୍ତ ୧୩.୩% CAGR) ହାସଲ କରିବ ବୋଲି ଆଶା କରାଯାଉଛି।
ଏକ AI-ଚାଳିତ ଡାଟା ସେଣ୍ଟର ସ୍ଥାପନର ତିନୋଟି ପର୍ଯ୍ୟାୟ
ଡାଟା ସେଣ୍ଟର କାର୍ଯ୍ୟରେ AIକୁ ଏକୀକୃତ କରିବା ସାଧାରଣତଃ ତିନୋଟି ପର୍ଯ୍ୟାୟରେ ହୋଇଥାଏ:
**ତଥ୍ୟ ପ୍ରସ୍ତୁତି:** ଏହି ପର୍ଯ୍ୟାୟରେ, AI ବିଭିନ୍ନ ଉତ୍ସ, ଯେପରିକି ଡାଟାବେସ୍, API, ଲଗ୍, ପ୍ରତିଛବି, ଭିଡିଓ, ସେନ୍ସର ଏବଂ ଅନ୍ୟାନ୍ୟ ଉତ୍ସରୁ ତଥ୍ୟ ସଂଗ୍ରହ କରେ ଯାହା ପ୍ରକୃତ ସମୟ କିମ୍ବା ଅ-ପ୍ରକୃତ ସମୟ ହୋଇପାରେ। ଏହି ତଥ୍ୟକୁ ତା’ପରେ ଲେବଲ୍/ବ୍ୟାଖ୍ୟା କରାଯାଏ; ତ୍ରୁଟିଗୁଡ଼ିକୁ ଅପସାରିତ କରାଯାଏ, ଏବଂ ଏହାକୁ ଏକ ଫର୍ମାଟରେ ରୂପାନ୍ତରିତ କରାଯାଏ ଯାହାକୁ AI ମଡେଲ୍ ବୁଝିପାରିବ। ଏହା ମଡେଲ୍ ସଠିକତା ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତାର ମୂଳଦୁଆ।
**ପ୍ରଶିକ୍ଷଣ:** AI ସିଷ୍ଟମ AI ମଡେଲକୁ ଡାଟା ପ୍ରସ୍ତୁତି ପର୍ଯ୍ୟାୟ ମାଧ୍ୟମରେ କାର୍ଯ୍ୟ କିପରି କରିବେ ତାହା ଶିଖାଇବା ଆରମ୍ଭ କରେ। AI ମଡେଲର ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଡାଟା, ଏହାର ଗଠନ, ଏହାର ପ୍ୟାଟର୍ଣ୍ଣ ଏବଂ ସେମାନଙ୍କର ସମ୍ପର୍କ ଶିଖେ। ଏହାକୁ ଡିପ୍ ଲର୍ଣ୍ଣିଂ ପର୍ଯ୍ୟାୟ ଭାବରେ ମଧ୍ୟ ଜଣାଶୁଣା। ଏହି ପର୍ଯ୍ୟାୟରେ AI କାର୍ଯ୍ୟଭାରକୁ ସର୍ବନିମ୍ନ ବିଳମ୍ବତା ସହିତ ପ୍ରକ୍ରିୟାକରଣ କରିବା ପାଇଁ GPU-ସମୃଦ୍ଧ, ଉଚ୍ଚ-ଘନତା ଡାଟା ସେଣ୍ଟର ପରିବେଶ ଆବଶ୍ୟକ।
**ଅନୁମାନ/ସ୍ୱାୟତ୍ତତା:** AI ମଡେଲ୍ ବାହ୍ୟ ଇକୋସିଷ୍ଟମ୍ ଏବଂ ନୂତନ ତଥ୍ୟ ସହିତ ସୁଗମ ଭାବରେ ସମନ୍ୱିତ ହେବା ଆରମ୍ଭ କରେ, ଚୂଡ଼ାନ୍ତ ନିଷ୍ପତ୍ତି ଏବଂ ପୂର୍ବାନୁମାନ କରେ। ଏହିଠାରେ AI ଭିତ୍ତିଭୂମିକୁ କେବୁଲିଂ, ରିଅଲ୍-ଟାଇମ୍ ଡାଟା ଫିଡ୍ ଏବଂ ଗଭୀର ସିଷ୍ଟମ୍ ସମନ୍ୱୟ ଆବଶ୍ୟକ ହୁଏ।
ଏକ AI-ଚାଳିତ ଡାଟା ସେଣ୍ଟରକୁ ସମର୍ଥନ କରିବା ପାଇଁ ଭିତ୍ତିଭୂମି ଚ୍ୟାଲେଞ୍ଜଗୁଡ଼ିକୁ ଦୂର କରିବା
AI ସ୍ୱାୟତ୍ତତା ହାସଲ କରିବା ପାଇଁ, ଅନେକ ମୌଳିକ ଚ୍ୟାଲେଞ୍ଜର ସମାଧାନ କରିବାକୁ ପଡିବ।
ବନ୍ଦର ଘନତ୍ୱ ଏବଂ ରାକ୍ ସ୍ଥାନ
AI କାର୍ଯ୍ୟଭାର ସାଧାରଣତଃ ଉଚ୍ଚ-ଗତି, କମ୍-ଲାଟେନ୍ସି ଲିଙ୍କ୍ ମାଧ୍ୟମରେ ପରସ୍ପର ସହିତ ଜଡିତ GPU କ୍ଲଷ୍ଟରଗୁଡ଼ିକ ଉପରେ ନିର୍ଭର କରେ। ଏହା ଉଚ୍ଚ ପୋର୍ଟ ଘନତା ସୃଷ୍ଟି କରେ, ସ୍ଥାନ ଏବଂ ଶୀତଳୀକରଣ ଆବଶ୍ୟକତାକୁ ଉଲ୍ଲେଖନୀୟ ଭାବରେ ବୃଦ୍ଧି କରେ। ପାରମ୍ପରିକ ର୍ୟାକ୍ ଡିଜାଇନ୍ ଏହା ସହିତ ମେଣ୍ଟ କରିପାରିବ ନାହିଁ। ଉତ୍ସର୍ଗୀକୃତ ଭିତ୍ତିଭୂମି ବିନା, AIକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହାର୍ଡୱେର୍ ଏକ ବାଧା ସୃଷ୍ଟି କରିପାରେ।
ତାରଯୁକ୍ତ ମିଡିଆ ପସନ୍ଦଗୁଡ଼ିକ
ତମ୍ବା ଏବଂ ଫାଇବର ମଧ୍ୟରେ ବାଛିବା ଆଉ ଏକ ବୈଷୟିକ ବିତର୍କ ନୁହେଁ - ଏହା ଏକ ରଣନୈତିକ ବିତର୍କ। AI ନେଟୱାର୍କଗୁଡ଼ିକ ପାଇଁ ଦୀର୍ଘ ଦୂରତାରେ ଉଚ୍ଚ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଏବଂ କମ୍ ଲାଟେନ୍ସି ଆବଶ୍ୟକ ହୁଏ। ଉଚ୍ଚ-କାର୍ଯ୍ୟକ୍ଷମ ପରିବେଶରେ ଫାଇବର ପ୍ରାୟତଃ ପସନ୍ଦିତ ପସନ୍ଦ, କିନ୍ତୁ ଯଦି ସଠିକ୍ ଭାବରେ ଯୋଜନା ଏବଂ ସଂସ୍ଥାପନ କରାଯାଏ। ଏଠାରେ ଭୁଲଗୁଡ଼ିକ ସିଗନାଲ ହ୍ରାସ ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ହ୍ରାସର କାରଣ ହୋଇପାରେ, ବିଶେଷକରି କୋଳାହଳପୂର୍ଣ୍ଣ, ଉଚ୍ଚ-ହସ୍ତକ୍ଷେପ କ୍ଷେତ୍ରରେ।
BAS/BMS ସହିତ IT ସମନ୍ୱୟ
ବୁଦ୍ଧିମାନ AI ଡାଟା ସେଣ୍ଟରଗୁଡ଼ିକ ପାଇଁ ସମଗ୍ର କୋଠା ସିଷ୍ଟମରେ ସୁଗମ, ବାସ୍ତବ-ସମୟ ସହଯୋଗୀ ସମନ୍ୱୟ ଆବଶ୍ୟକ, ଯାହା ବିଲ୍ଡିଂ ଅଟୋମେସନ ସିଷ୍ଟମ (BAS) ଏବଂ ବିଲ୍ଡିଂ ପରିଚାଳନା ସିଷ୍ଟମ (BMS) ସହିତ IT ସିଷ୍ଟମର ଗଭୀର ସମନ୍ୱୟକୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କରିଥାଏ।
ତଥାପି, ଏପରି ସିଷ୍ଟମ ଏକୀକରଣ ପ୍ରାୟତଃ ବହୁବିଧ କାରଣ ଦ୍ୱାରା ବାଧାପ୍ରାପ୍ତ ହୋଇଥାଏ: ପୁରୁଣା ଭିତ୍ତିଭୂମି, ଭିନ୍ନ ନିୟନ୍ତ୍ରଣ ଏବଂ ଯୋଗାଯୋଗ ପ୍ରୋଟୋକଲ, ଏବଂ ଦୀର୍ଘ ସମୟ ଧରି ଅବହେଳିତ ଧୂସର କ୍ଷେତ୍ର। ଏହି କ୍ଷେତ୍ରଗୁଡ଼ିକରେ UPS, ଚିଲର୍ସ, ବିଦ୍ୟୁତ୍ ବଣ୍ଟନ ଏବଂ HVAC ନିୟନ୍ତ୍ରଣ ଭଳି ମୂଳ ସହାୟକ ପ୍ରଣାଳୀ ରହିଛି।
ଶକ୍ତି ବ୍ୟବହାର, ଶୀତଳତା ଏବଂ ସୁରକ୍ଷାର ପ୍ରକୃତ-ସମୟ ବୁଦ୍ଧିମାନ ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ AI କୁ ଉପଯୋଗ କରିବା ପାଇଁ, ଏହି ଗ୍ରେ-ଏରିଆ ସ୍ପେସଗୁଡ଼ିକରେ ସମସ୍ତ ଉପାଦାନଗୁଡ଼ିକର ଏକୀକୃତ ଏବଂ ସ୍ଥିର ଆନ୍ତଃସଂଯୋଗିତା ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ଏକ ମାନକୀକରଣ କେବୁଲିଂ ଯୋଜନା ଅତ୍ୟାବଶ୍ୟକ। ବିପରୀତ ଭାବରେ, ଖଣ୍ଡିତ ନିୟାମକ ପ୍ରଣାଳୀ ଏବଂ ଦୁର୍ବଳ ସିଷ୍ଟମ ଆନ୍ତଃସଂଯୋଗ ସହଜରେ କାର୍ଯ୍ୟଦକ୍ଷତା ହ୍ରାସ ଏବଂ ବ୍ୟବସାୟିକ ଡାଉନଟାଇମ୍ ପରି ଗମ୍ଭୀର ବିପଦ ମଧ୍ୟ ଆଣିପାରେ।
ଯେହେତୁ କୃତ୍ରିମ ବୁଦ୍ଧିମତା ବ୍ୟବସାୟ ମଡେଲ, ଉପଭୋକ୍ତା ସେବା ଆଶା ଏବଂ ଡିଜିଟାଲ୍ କାର୍ଯ୍ୟପ୍ରବାହରେ ବ୍ୟାପି ରହିଛି, ଡାଟା ସେଣ୍ଟରଗୁଡ଼ିକୁ ପୁନରାବୃତ୍ତି କରିବାକୁ ପଡିବ ଏବଂ ବିକାଶ ସହିତ ତାଳ ଦେଇ ଚାଲିବାକୁ ପଡିବ।
ଶିଳ୍ପ ପରିବର୍ତ୍ତନର ସମ୍ମୁଖୀନ ହୋଇ, ଦୀର୍ଘକାଳୀନ ପ୍ରତିଯୋଗିତାମୂଳକତା ବଜାୟ ରଖିବା ପାଇଁ ସକ୍ରିୟ ଭାବରେ ଚ୍ୟାଲେଞ୍ଜଗୁଡ଼ିକୁ ମୁକାବିଲା କରିବା ଏକ ଆବଶ୍ୟକୀୟ ପସନ୍ଦ ପାଲଟିଛି। ବର୍ତ୍ତମାନର ଭିତ୍ତିଭୂମି ଯୋଜନା ଏବଂ ନିର୍ମାଣ ନିଷ୍ପତ୍ତିଗୁଡ଼ିକ ସିଧାସଳଖ ନିର୍ଣ୍ଣୟ କରିବ ଯେ ଡାଟା ସେଣ୍ଟରଗୁଡ଼ିକ ଭବିଷ୍ୟତର AI ପ୍ରଯୁକ୍ତିବିଦ୍ୟାର ଦ୍ରୁତ ପୁନରାବୃତ୍ତି ଏବଂ ନମନୀୟ ପ୍ରସାରଣ ସହିତ ଖାପ ଖୁଆଇ ପାରିବେ କି ନାହିଁ। AI ଯୁଗରେ ଭିତ୍ତିଭୂମିର ଆଧୁନିକୀକରଣ ମୂଳତଃ ଡାଟା ସେଣ୍ଟରଗୁଡ଼ିକ ପାଇଁ ଦୀର୍ଘକାଳୀନ ଅନୁକୂଳନଶୀଳତା ନିର୍ମାଣ କରିବା ବିଷୟରେ।
ବେଲଡେନ୍ ହିର୍ସମ୍ୟାନ୍ର ସମ୍ପୂର୍ଣ୍ଣ ପରିସରର ସଂଯୋଗ ସମାଧାନଗୁଡ଼ିକ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଉତ୍ପାଦ ପୋର୍ଟଫୋଲିଓ ପ୍ରଦାନ କରେ ଯାହା ବିଶେଷ ଭାବରେ ଦାବି କରୁଥିବା AI ଡାଟା ସେଣ୍ଟର ପରିସ୍ଥିତି ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି।
ପୋଷ୍ଟ ସମୟ: ମଇ-୦୯-୨୦୨୬