پرش به محتوای اصلی
پرش به محتوای مقاله

«بهینه‌سازی هزینه‌ها»؛ هدف جدید VentureBeat از استخدام تحلیل‌گر ارشد

·۲۸ مرداد ۱۴۰۵۳ دقیقه مطالعه۱ بازدید
راب استرچی به عنوان اولین تحلیلگر ارشد ونچربیت برای توسعه پژوهش هوش مصنوعی سازمانی منصوب شد.
راب استرچی به عنوان اولین تحلیلگر ارشد ونچربیت برای توسعه پژوهش هوش مصنوعی سازمانی منصوب شد.
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

تغییر مدل کسب‌وکار یک رسانه خبری به یک نهاد پژوهشی (Research Firm) برای تحلیل زیرساخت‌های AI؛ یعنی تبدیل شدن از گزارش‌دهنده اخبار به ارائه‌دهنده معیارهای فنی برای تصمیم‌گیران ارشد.

اگر مدیر ارشد فناوری (CTO) هستید و بودجه‌های کلانی را صرف زیرساخت‌های هوش مصنوعی می‌کنید، احتمالاً متوجه شده‌اید که داده‌های عینی برای تصمیم‌گیری تقریباً صفر است. اکنون ورچوربیت (VentureBeat) با انتصاب راب استرچی (Rob Strechay) به عنوان نخستین تحلیل‌گر ارشد خود و عضو مؤسس بخش پژوهشی ورچوربیت در ۱۹ اوت ۲۰۲۶، قصد دارد این خلأ اطلاعاتی را پر کند.

بیشتر پوشش‌های خبری فعلاً روی این تمرکز دارند که مدل‌ها «چه کاری» انجام می‌دهند، اما کسی نمی‌گوید «چگونه» باید آن‌ها را در مقیاس صنعتی مستقر کرد. برای یک مدیر فنی، چالش واقعی نه در نوشتن پرامپت، بلکه در لوله‌کشی زیرساخت است؛ شبیه این است که بخواهید شهری را بسازید بدون اینکه بدانید آیا لوله‌ها فشار آب را تحمل می‌کنند یا خیر. این دقیقاً وضعیت فعلی زیرساخت‌های هوش مصنوعی سازمانی است و توضیح می‌دهد چرا بسیاری از عامل‌های هوش مصنوعی در مقیاس تجاری با شکست مواجه می‌شوند.

نیاز به تخصص‌پذیری

ورچوربیت اکنون به‌طور آگاهانه به سمت تخصص‌پذیری عمیق حرکت می‌کند. هدف این است که تحلیل‌هایی ارائه شود که دقیقاً برای تصمیم‌گیرندگان فنی، از جمله مدیران، معاونان فناوری (VPs)، مدیران ارشد اطلاعات (CIOs) و مدیران ارشد فناوری (CTOs) طراحی شده است. این رهبران در حالی مشغول ارزیابی، خرید و استقرار هوش مصنوعی سازمانی هستند که کل استک (Stack) این صنعت در لحظه در حال بازنویسی است.

این مدیران اکنون پرسش‌های جدید و سخت‌تری دارند. آن‌ها نیاز دارند بدانند چگونه محیط‌های چندتأمین‌کننده‌ای را ارکستره کنند و شکاف‌های امنیتی در خط لوله‌های عامل‌محور (Agentic Pipelines) آن‌ها در کجا قرار دارد. همچنین، آن‌ها در تلاش‌اند تا مشکلات بهره‌وری را حل کنند؛ مشکلاتی که در حال حاضر بودجه‌های زیرساختی آن‌ها را می‌بلعند. در این مسیر، اتخاذ رویکردهایی مانند تحلیل‌های مشارکتی می‌تواند اصطکاک پذیرش AI در محیط کار را کاهش دهد.

استرچی با نزدیک به ۳۰ سال تجربه، از جمله مدیریت در theCUBE Research و SiliconANGLE، به این تیم می‌پیوندد. او در این مراکز پیش از این تکامل زیرساخت‌های ابری، داده و هوش مصنوعی را تحلیل کرده است. او همچنین مناصب اجرایی در Zerto داشته و به آمازون وب سرویسز (AWS) پیوست تا به ساخت یک سرویس تحلیلی جدید کمک کند. تمرکز اولیه او بر زیرساخت‌های ابری و داده، مهندسی پلتفرم، ارکستراسیون DevOps، مشاهده‌پذیری (Observability) و تلاقی امنیت با هوش مصنوعی خواهد بود.

تمرکز پژوهشی و داده‌ها

بخش پژوهشی جدید این رسانه از نظرسنجی‌های ماهانه VB Pulse برای رصد پنج حوزه حیاتی استفاده می‌کند:

  • ارکستراسیون عامل‌محور (Agentic orchestration)
  • قابلیت اطمینان و ارزیابی عامل‌ها (Agent reliability and evals)
  • امنیت و هویت در سامانه‌های عامل‌محور (Agentic security and identity)
  • زیرساخت‌های محاسباتی و محاسبات (Compute) — که در واقع کرایه آشپزخانه صنعتی برای پخت مدل‌هاست
  • لایه‌های زمینه، از جمله تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد

استرچی پیش از این در این موتور پژوهشی مشارکت داشته است. او در ماه می تحلیلی درباره بهره‌وری GPUها در سازمان‌ها منتشر کرد تا میزان اتلاف منابع محاسباتی در زیرساخت‌های AI را بررسی کند. او همچنین پیش از استقرار نظرسنجی «زیرساخت و محاسبات AI»، یک بررسی جامع و اساسی روی آن انجام داد.

بر اساس گزارشی در ماه ژوئن که از نظرسنجی ۱۴۵ سازمان استخراج شده، دو-سوم شرکت‌ها استراتژی «چندتأمین‌کننده‌ای» را پذیرفته‌اند. این پوشش ریسک در زمان قطعی مدل‌های کلود (Claude) متعلق به آنتروپیک (Anthropic) در ماه ژوئن، حیاتی بود؛ زیرا اگر شرکت‌ها تنها به یک ارائه‌دهنده وابسته بودند، عملیات آن‌ها کاملاً فلج می‌شد.

تحلیل‌های فنی عمیق

استرچی همچنین هدایت سری ویدیوهای گسترش‌یافته VB In Conversation را بر عهده می‌گیرد. برخلاف مصاحبه‌های معمول صنعتی، این برنامه روی نقشه‌های معماری (Architectural Blueprints) و موانع واقعی استقرار تمرکز می‌کند. هدف این است که نگاهی بدون رتوش به این موضوع انداخته شود که کدام ابزارها واقعاً تحت فشار عملیاتی در سطح تولید (Production-grade) دوام می‌آورند.

استرچی در این باره می‌گوید: «ورچوربیت مخاطبانی از سازندگان سازمانی و خریداران فناوری دارد که هر تحلیل‌گری آرزوی خدمت به آن‌ها را دارد.» هدف او استفاده از معیارهای تجربی عمیق و داده‌های ردیابی اختصاصی است تا خریداران در تخریب‌کننده‌ترین دوران تاریخ فناوری سازمانی، تصمیمات درستی بگیرند.

این چرخش نشان‌دهنده یک روند گسترده‌تر در روزنامه‌نگاری AI است. با رسیدن «چرخه هایپ» به نقطه اوج، ارزش از معرفی ویژگی‌های جدید به سمت حسابرسی زیرساخت‌های پشتیبان منتقل شده است. برندگان مرحله بعدی، کسانی خواهند بود که مشکل بهره‌وری و شکاف‌های امنیتی در خط لوله‌های عامل‌محور را حل کنند.

برای شما به عنوان خواننده، این یعنی تغییر در نوع اطلاعات دریافتی؛ به‌جای خواندن درباره اینکه یک مدل «چه کارهایی ممکن است بکند»، معیارهای تجربی از رفتار مدل در محیط‌های چندتأمین‌کننده‌ای را خواهید دید.

برای مشاهده این تحلیل‌ها در عمل، مصاحبه‌های فنی آینده در سری VB In Conversation را در یوتیوب دنبال کنید یا در نظرسنجی بعدی VB Pulse شرکت کنید تا به مجموعه داده‌ها کمک نمایید.

برای شما به عنوان خواننده، این یعنی تغییر در نوع اطلاعات دریافتی؛ به‌جای خواندن درباره اینکه یک مدل «چه کارهایی ممکن است بکند»، معیارهای تجربی از رفتار مدل در محیط‌های چندتأمین‌کننده‌ای را خواهید دید.

برای مشاهده این تحلیل‌ها در عمل، مصاحبه‌های فنی آینده در سری VB In Conversation را در یوتیوب دنبال کنید یا در نظرسنجی بعدی VB Pulse شرکت کنید تا به مجموعه داده‌ها کمک نمایید.

گام بعدی شما

  • اگر در حال انتخاب استک فنی برای سازمان خود هستید، نتایج نظرسنجی‌های VB Pulse را برای شناسایی استانداردهای صنعتی دنبال کنید.
  • برای درک موانع استقرار در مقیاس واقعی، مصاحبه‌های فنی سری VB In Conversation را در یوتیوب تماشا کنید.
  • استراتژی تک-تأمین‌کننده‌ای خود را بازنگری کنید تا در برابر قطعی‌های احتمالی مدل‌ها مقاوم شوید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

چرا این موضوع مهم است؟

این تغییر رویکرد توسط یک رسانه معتبر، نشان‌دهنده نیاز شدید بازار به داده‌های عینی (Empirical Data) به‌جای ادعاهای بازاریابی است. اعتبار این تحلیل‌ها بر اساس داده‌های واقعی استقرار، ریسک مالی سازمان‌ها در خرید سخت‌افزارهای گران‌قیمت را کاهش می‌دهد.

تأثیر برای ایران

این تحلیل‌ها برای مدیران فنی ایرانی که با محدودیت بودجه و سخت‌افزار روبرو هستند، نقشه‌ای برای بهینه‌سازی منابع فراهم می‌کند تا از اتلاف هزینه‌ها در استقرار مدل‌ها جلوگیری کنند.

·نگاه ما
تحریریه دات‌هوش

انتقال تمرکز رسانه‌های تخصصی از «قابلیت‌های مدل» به «معماری استقرار»، نشان می‌دهد که صنعت از فاز شگفتی خارج شده و وارد فاز بهره‌وری شده است. اکنون ارزش واقعی نه در قدرت استدلال مدل، بلکه در توانایی مدیریت هزینه استنتاج و پایداری زیرساخت در مقیاس میلیونی است. این یعنی دوران «دموهای جذاب» تمام شده و دوران «حسابرسی‌های سخت‌گیرانه» آغاز شده است.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.