Intelligent Enterprise: Термин HPC возник уже давно, но сейчас его стали использовать значительно чаще. С чем по-вашему это связано?
Жан-Лоран Филипп: Действительно, термин далеко на новый, но в нынешнее время у этой концепции, можно сказать, появилась вторая жизнь. Еще совсем недавно разговоры об использовании вычислений высокой производительности велись почти исключительно в контексте решения научных и инженерных задач, да и то наиболее сложных. Сейчас же к HPC сильно возрос интерес со стороны бизнеса, и уже появляются успешные примеры использования данной технологии.
Причина этого хорошо известна: предприятия многих отраслей совсем недавно получили практическую возможность собирать и хранить огромное количество первичных данных, детально описывающих буквально каждое движение, которое кем-либо и для каких-либо целей предпринимается в бизнесе. О том, что уже создается для решения задачи сбора данных в различных отраслях, сейчас говорят очень много, и повторяться не буду. Возможность обработки этих данных с целью получения понятного для бизнеса и при этом на сто процентов обоснованного результата (а это в большинстве случаев либо классификация текущих событий, либо прогноз на будущее) представляет собой несколько более сложную задачу, которая пока больше обсуждается в профессиональных кругах. Впрочем, практические результаты видны уже всем, кто интересуется этой темой. Появляется все больше специалистов в этой области. На основе имеющихся у них академических знаний они создают математические модели, применимые для решения той или иной бизнес-задачи. Эти решения «обкатываются» в отраслевых сообществах и на индустриальных площадках, проверяются, уточняются, классифицируются. Сама дисциплина Machine Learning делится на отдельные поднаправления, среди которых одним из наиболее заметных является Deep Learning. Иными словами, постепенно создается весьма зрелая инфраструктура обработки первичных данных для целей бизнеса и формируется своего рода «промышленный конвейер» движения этих данных к конечному бизнес-результату. Вот в этой среде и находит свое место идеология High Performance Computing в её современном понимании.
Предположим, практический интерес со стороны бизнеса к технологиям HPC уже созрел. Тогда на примере компании Intel хотелось бы понять, чего же корпоративный заказчик вправе ожидать от системообразующих поставщиков ИТ-рынка, с деятельностью которых он, как правило, давно и хорошо знаком.
Конечно, Intel, как, я думаю, и многие другие ИТ-компании, увидев тут пусть и самые перспективные тенденции, не разворачивает направление собственной деятельности в другое русло. Скорее мы адаптируем свое развитие таким образом, чтобы максимально учесть потенциал наших предшествующих достижений и не забыть про новейшие запросы рынка. Intel далеко не новичок в сфере HPC, другое дело, что раньше это была более узкая и даже своего рода камерная тема. Соответственно подходить к ней нам приходилось куда более упрощенно, фактически лишь обеспечивая максимальную производительность систем при разумной цене.
Сейчас, с приходом HPC в бизнес, положение существенно меняется, и для поставщика решений не в последнюю очередь. Для нас уже недостаточно просто повышать производительность аппаратных решений. Необходимо встраиваться в инфраструктуру, в тот самый конвейер обработки исходных данных на пути их движения к конечному результату. При этом нужно учитывать, что бизнес — среда чрезвычайно разнообразная и очень динамичная, если её сравнивать с академической средой или даже с областью инженерных вычислений, в рамках которой концепция HPC существовала прежде.
Какие технические инициативы со стороны Intel предполагает реализация только что обозначенных идей?
Показательным примером адаптации нашей компании к миграции HPC в бизнес-среду является расширение архитектур вычислительных комплексов. Это к вопросу о разнообразии и динамичности потребностей современного бизнеса, о чем я сказал только что. Так, наши процессоры Xeon по оценке рынка неплохо подходят для решения большинства ресурсоемких задач класса Machine Learning, которые к тому же постоянно трансформируются. Если же требуется организовать параллельные вычисления, что для данного класса задач тоже не редкость, то на помощь придет наш перспективный процессор Xeon Phi. Некоторые передовые компании применение алгоритмов Machine Learning уже отработали и интенсивно, фактически в стабильном режиме используют их в своей ежедневной операционной деятельности. Для этого могут идеально подойти решения фирмы Altera, которую приобрела Intel. Относящиеся к классу FPGA (Field Programmable Gate Array), эти решения основаны на программировании микросхем на аппаратном уровне и создании таким образом процессоров, специализированных под конкретные задачи.
Большое внимание уделяется, естественно, и памяти как одному из ключевых компонентов всей инфраструктуры Machine Learning. Думаю, в ближайшие полгода мы выпустим на рынок модули памяти, основанные на технологии 3D Crosspoint, которая существенно сократит задержки.
Ну и помимо направлений, связанных с совершенствованием аппаратных компонентов инфраструктуры HPC, мы не выпускаем из поля зрения программные решения. Известная исследовательская компания IDC не так давно пустила в обиход термин High Performance Data Analysis, подчеркнув этим тот факт, что аппаратная концепция HPC и программные технологии анализа данных в современном бизнесе очень тесно взаимосвязаны. В нашей работе, в частности, эти идеи будут воплощаться посредством применения продуктов еще одного вендора — компании Nirvana. В данном случае речь идет о решении Data Appliance, представляющем собой цельный программно-аппаратный комплекс для анализа данных.
Вкладом Intel в создание полноценной инфраструктуры HPC служат также программные интерфейсы (например, для распознавания образов), которые в дальнейшем могут стать универсальным инструментом независимых разработчиков конечных прикладных систем, освоившихмногие ниши.
Интересно, как при создании инфраструктуры HPC должна выстраиваться организационная деятельность. Какова здесь роль крупных ИТ-компаний вообще и Intel в частности?
В настоящее время рынок во многом складывается таким образом, что крупные ИТ-вендоры развивают платформы, содержащие некий базовый набор ИТ-компонентов, которого достаточно для того, чтобы с их помощью могли создавать и развивать прикладные решения менее крупные, но имеющие глубокую экспертизу в какой-либо области компании или же непосредственно заказчики ИТ-систем. По такой схеме, например, поддерживаются облачные решения категории «платформа как сервис» (PaaS) со всей их аппаратной инфраструктурой, большим количеством сервисных функций, средствами разработки и т. д.
В организации высокопроизводительных вычислений для бизнеса мы в определенной степени идем этим же путем. Мы стараемся создать своего рода оптимальную совокупность «строительных блоков», которыми будут пользоваться OEM-производители для разработки собственных решений. Думаю, в первую очередь это касается формирования HPC-среды в изначальном ее понимании, то есть организации действительно высокопроизводительных вычислений, которые требуются для задач машинного обучения. Но не только этого. Занимаемся мы и технологиями высокоскоростного доступа к ресурсам памяти, решениями в сфере самой электронной памяти, компиляторами, программными библиотеками, средствами разработки. В итоге наиболее емкий и точный термин, которым можно было бы описать нашу деятельность в области HPC, — это оркестровка. Он как раз и предполагает наличие богатой инфраструктуры внешних разработчиков, эффективной работе которых (совместной или индивидуальной) мы должны способствовать в максимальной степени. Кстати, чтобы сделать более технологичной поддержку всего жизненного цикла HPC-вычислений, включающего стадии интеграции, тестирования, эксплуатации того или иного прикладного ПО, нами разработано специальное решение, которое так и называется — HPC Orchesrator.
Зрелость любого направления корпоративной автоматизации во многом определяется наличием большого количества отраслевых решений. Имеет ли место такая ситуация в сфере решений HPC и Machine Learning для бизнеса или их еще предстоит создать?
Такую ситуацию мы имеем уже сегодня, хотя анализ отраслевого рынка в этих областях — отдельный большой вопрос. В целом могу сказать, что в этой сфере вряд ли можно однозначно говорить о традиционных лидерах, которые первыми внедряют новейшие информационные технологии. Такими лидерами принято считать индустрии, очень сильно зависимые от ИТ, например банковскую и телекоммуникационную. В направлении, которое мы рассматриваем, ситуация более выровненная, и это ясно уже сейчас. Весьма востребованными HPC-решения оказываются в медицине, фармацевтике, в некоторых отраслях промышленности — то есть в тех индустриях, которые от ИТ критичным образом никогда не зависели.
Что касается вопроса о необходимости их создания в будущем, то и этот тезис вполне справедлив. Даже если сейчас и создана инфраструктура прикладных решений HPC, все равно трудно рассчитывать, что какое-то из них станет своего рода отраслевым стандартом, некой хрестоматией, призванной в длительной перспективе диктовать пользователям решение различных задач. Ситуация в бизнесе, как я уже отметил, чрезвычайно динамична, новые задачи в сфере машинного обучения придется решать непрерывно. Вполне возможно, что через некоторое время решения очень мало будут напоминать те, с которыми та или иная отрасль имеет дело сейчас, при этом оставаясь в рамках категории High Performance Computing. Так что и нашей компании в этом направлении хватит работы еще надолго.
С Жан-Лораном Филиппом беседовал ведущий эксперт Intelligent Enterprise Сергей Костяков
