هذا بيان صحفي مدفوع. تواصل مع موزّع البيان الصحفي مباشرةً في حال وجود أي استفسارات.

تُحسّن KAYTUS KSManage عبر توفير رؤية تشغيل وصيانة شاملة ومتكاملة على مستوى النظام بالكامل لمراكز بيانات الذكاء الاصطناعي

بيزنس واير

الخميس، 26 فبراير 2026 الساعة 5:02 مساءً بتوقيت GMT+9 | مدة القراءة: 7 دقائق

تم تصميم KSManage لمركز بيانات الذكاء الاصطناعي من الجيل التالي، مع رؤية على أربع مستويات عبر المكوّنات والخوادم والخزائن والكتل وأعباء عمل الذكاء الاصطناعي، ويضمن توافر مراكز بيانات الذكاء الاصطناعي عاليًا

سنغافورة، 26 فبراير 2026–(BUSINESS WIRE)–مع توسّع مراكز بيانات الذكاء الاصطناعي لدعم أعباء عمل ذكاء اصطناعي أكثر تعقيدًا بشكل متزايد، لم يعد بإمكان مراقبة تكنولوجيا المعلومات التقليدية توفير مستوى الرؤية المطلوب لعمليات موثوقة. قامت KAYTUS، وهي مزوّد رائد لحلول الذكاء الاصطناعي الشاملة والتبريد السائل، بترقية KSManage بشكل كبير، عبر إدخال رؤية كاملة على مستوى النظام بالكامل وعلى أربع مستويات عبر المكوّنات والخوادم والخزائن والكتل وأعباء عمل الذكاء الاصطناعي، لمعالجة تحديات التعقيد في استكشاف الأعطال وإصلاحها، وارتفاع معدلات تعطل المكوّنات، وتعقيد تبعيات التطبيقات، والتأخر في الاستجابة لحوادث التشغيل والصيانة (O&M) التي تَنتج عن تشغيل مراكز بيانات ذكاء اصطناعي تتسم بالطلب العالي. تتيح المنصّة المُحسّنة تحديد الأعطال بدقة، وتسريع الاستجابة للحوادث، وتمكين عمليات استباقية. وبفضل KSManage، تساعد KAYTUS العملاء على تعظيم التوافر، وتحسين الكفاءة التشغيلية، وضمان استقرار مراكز بيانات الذكاء الاصطناعي الحرجة التي تدعم الحوسبة من الجيل التالي.

أربع تحديات رئيسية تقيد الكفاءة التشغيلية لمراكز بيانات الذكاء الاصطناعي

إن التطور السريع لنماذج اللغات الكبيرة (LLMs) يسرّع تطوير مراكز بيانات الذكاء الاصطناعي، ما يؤدي إلى انتشار واسع لاعتماد بنى معمارية غير متجانسة لوحدات CPU وGPU وDPU وزيادة الحاجة إلى التعاون عبر المناطق. ترفع هذه الاتجاهات بشكل كبير تعقيد عمليات التشغيل والصيانة (O&M)، حيث قد يؤدي حتى تعطل واحد فقط إلى خسائر تتجاوز USD 1 مليون، ما يبرز الأهمية المتزايدة للتوافر والمرونة في تشغيل مراكز بيانات الذكاء الاصطناعي.

1. تعقيد البنية التحتية يعيق استكشاف الأعطال.

تدمج مراكز بيانات الذكاء الاصطناعي غير المتجانسة نطاقًا واسعًا من أنظمة الحوسبة والشبكات والتخزين والأنظمة الداعمة. تتعامل أساليب المراقبة التقليدية مع الأجهزة ككيانات معزولة ولا توفر رؤية من طرف إلى طرف عبر النظام بأكمله، ما يجعل تتبع الأعطال وربطها أمرًا صعبًا. ونتيجة لذلك، تفشل هذه الأساليب في تلبية متطلبات التشغيل الصارمة لمراكز بيانات الذكاء الاصطناعي، والتي تتطلب اكتشافًا سريعًا وتحليلًا سريعًا واستعادة سريعة. إن عدم القدرة على تحديد الأسباب الجذرية بسرعة يؤثر مباشرة في زمن التعافي ويقوض التوافر الإجمالي للنظام.

2. ارتفاع معدلات تعطل المكوّنات الأساسية وقصور الإنذار التنبؤي.

تشكّل المكوّنات الأساسية مثل وحدات GPU وأجهزة التخزين أساس أداء مركز بيانات الذكاء الاصطناعي واستقراره التشغيلي. أدى الاعتماد السريع للأجهزة عالية الكثافة من حيث الطاقة إلى تسريع تآكل المكوّنات بشكل كبير، ما يقود إلى ارتفاع معدلات التعطل. تشير بيانات الصناعة إلى أن استهلاك طاقة وحدة GPU قد زاد بأكثر من خمسة أضعاف خلال العقد الماضي، بينما ارتفعت كثافة طاقة الخزانة إلى 20–50 kW، وهي تقترب تدريجيًا من 200 kW. في ظل ظروف أحمال عالية مستمرة كهذه، تزداد مخاطر تعطل المكوّنات بشكل حاد. ومع ذلك، تفتقر أنظمة المراقبة التقليدية إلى تتبع الصحة في الوقت الحقيقي وتحليل الاتجاهات التنبؤية، ما يحد من القدرة على اكتشاف علامات الإنذار المبكر ومنع الأعطال بشكل استباقي.

تتمة القصة  

3. سيناريوهات تطبيقات ذكاء اصطناعي معقدة تفتقر إلى الترابط بين الأعمال بشكل من طرف إلى طرف للمراقبة.

تدعم مراكز بيانات الذكاء الاصطناعي مجموعة واسعة من سيناريوهات التطبيقات، بما في ذلك المحتوى المُولَّد بواسطة الذكاء الاصطناعي (AIGC) والقيادة الذاتية والحوسبة العلمية. تفرض هذه الأحمال متطلبات شديدة التنوّع على موارد الحوسبة والشبكة والتخزين، ما يجعل من الصعب ربط مشكلات الأجهزة الأساسية، مثل تسريبات ذاكرة GPU أو فقدان حزم InfiniBand، بأعباء عمل ذكاء اصطناعي محددة. تُظهر إحصاءات الصناعة أن نحو 8% من انقطاعات تدريب LLM غير المخطط لها تُعزى إلى أعطال الوحدات البصرية أو الألياف. حتى فقدان الحزم على مستوى المللي ثانية يمكن أن يعطل التدريب، ويُشغّل إعادة تشغيل الوظائف، ويُجبر على التراجع عن التقدم، ما يؤدي إلى إهدار كبير في موارد الحوسبة. تفتقر أساليب المراقبة التقليدية إلى رؤية كاملة عبر الوصلة تربط الأجهزة والأحمال وعمليات الأعمال، ما يحد من قدرتها على تحديد وحل هذه المشكلات بكفاءة.

4. عمليات صيانة معقدة تؤدي إلى تأخر استجابات التشغيل والصيانة (O&M).

أدى تزايد الحاجة إلى التعاون عبر المناطق إلى زيادة تعقيد عمليات التشغيل والصيانة لمراكز بيانات الذكاء الاصطناعي. لا تزال المهام الحيوية مثل جدولة الموارد وتخطيط روابط الشبكة تعتمد بشكل كبير على العمليات اليدوية، وهي عمليات تستغرق وقتًا طويلًا وعرضة للأخطاء. وفي الوقت نفسه، يؤدي نقص الكوادر التشغيلية إلى إبطاء أزمنة الاستجابة أكثر، ما يجبر المؤسسات على اتباع نهج غالبًا ردِّي لإدارة الأعطال. تؤدي غياب آليات الاستجابة الآلية إلى إطالة متوسط زمن الإصلاح (MTTR)، ما يؤثر سلبًا في التوافر الكلي للخدمة والكفاءة التشغيلية.

يتصدى KSManage للأربع تحديات الرئيسية عبر رؤية ذكية آلية على مستوى النظام بالكامل وعلى أربع طبقات

لمعالجة تحديات التشغيل والصيانة (O&M) لمراكز بيانات الذكاء الاصطناعي، يقدم KSManage إطار مراقبة ذكي مُحدَّث من أربع طبقات، يمتد من المكوّنات إلى الأنظمة. وبالاستفادة من الرؤية العالمية من طرف إلى طرف، تُمكّن الحلول من اكتشاف الأعطال تلقائيًا، والإنذار المبكر، والتعويض/الاحتواء الذكي—ما يعزز بشكل ملموس كفاءة التشغيل والصيانة ويضمن التوافر العالي لمراكز بيانات الذكاء الاصطناعي.

1. رؤية مترابطة شاملة مع استكشاف أعطال في الوقت الحقيقي وتمثيل بصري ثلاثي الأبعاد

لمعالجة تعقيد استكشاف الأعطال في مراكز بيانات الذكاء الاصطناعي واسعة النطاق الناتج عن بنية تحتية غير متجانسة وعلاقات مترابطة بشكل كثيف، تقدم KAYTUS KSManage رؤية مترابطة كاملة مع ذكاء بصري موحد. تقوم المنصّة بجمع المقاييس الأساسية في الوقت الحقيقي بشكل مستمر، بما في ذلك استخدام GPU وCPU، واستخدام ذاكرة الفيديو، واستهلاك الطاقة، وعرض نطاق الشبكة، وصحة التخزين، مع تجميع أحداث التشغيل وسجلات الشبكة في الوقت نفسه. وبالاستفادة من اكتشاف الطوبولوجيا الآلي، يتتبع KSManage أحمال العمل عبر العقد من طرف إلى طرف، ويُنشئ أساس بيانات متكامل بعنوان “قياس–سجل–تتبّع”. ومن خلال ربط صحة الأجهزة حتى مستوى القياس عن طريق التتبع الحيّ عبر منافذ الاتصال طوال دورة حياة الوظيفة بالكامل، يقوم KSManage بعرض توزيع الموارد ديناميكيًا عبر نمذجة ثلاثية الأبعاد في الوقت الحقيقي. يتجاوز هذا النهج من طرف إلى طرف قيود المراقبة التقليدية المنعزلة، ما يتيح إجراء تحليل ترابط كامل بدقة وتحويل تشخيص السبب الجذري من تحقيقات تستغرق وقتًا إلى تحديد أعطال سريع ودقيق، مع تحسين كفاءة استكشاف الأعطال بما يصل إلى 90%.

2. تحليل اتجاهات العتاد التنبؤي مع إنذار مبكر لِموثوقية المكوّنات الأساسية.

لمعالجة غياب الإنذار المبكر الاستباقي، وارتفاع معدلات التعطل، وتسارع تآكل المكوّنات الناجم عن الانتشار الواسع للأجهزة عالية الكثافة من حيث الطاقة، ينشئ KAYTUS KSManage نظامًا ذكيًا لإدارة صحة العتاد والإنذار المبكر. وبالاستفادة من بيانات تتبع العتاد الشاملة، يطبق KSManage خوارزميات متقدمة لتحليل عميق لاتجاهات الأداء للمكوّنات الحيوية، بما في ذلك GPUs وأجهزة التخزين. يتم تحديد مؤشرات مبكرة للتآكل بشكل دقيق، ما يتيح التنبؤ بمخاطر تعطل العتاد قبل سبعة أيام حتى. بالتوازي، يراقب KSManage باستمرار المعايير التشغيلية الرئيسية مثل الحمل ودرجة الحرارة، بما يسمح بالتخفيف الاستباقي من الأعطال المحتملة في ظل ظروف أحمال عالية مستمرة، وتقليل معدلات تعطل المكوّنات من المصدر.

3. ترابط تبعيات التطبيقات من طرف إلى طرف مع مراقبة الشبكات وسير العمل.

لمعالجة التحديات الناجمة عن تنوع سيناريوهات تطبيقات الذكاء الاصطناعي، وسير العمل التجاري المعقد، وصعوبة ربط الشذوذات في العتاد بمهام تدريب الذكاء الاصطناعي، تقدم KAYTUS KSManage رؤية مترابطة شاملة عبر العتاد والمنصّات والأحمال. تراقب الحلول بدقة المقاييس الحيوية للشبكة، بما في ذلك عرض النطاق وزمن الوصول وفقدان الحزم، مع حجز هامش عرض نطاق بنسبة 20% لضمان نقل بيانات ثابت، والمحافظة على زمن وصول داخلي على مستوى المللي ثانية وبقاء فقدان الحزم أقل من 0.01%. يتيح ذلك ربط الشذوذات في العتاد بدقة بمهام التدريب المحددة. من خلال تتبع المسار الكامل من شذوذات الشبكة عبر الأحمال وصولًا إلى أثر الأعمال، يحدد KSManage بسرعة الأسباب الجذرية لانقطاعات تدريب LLM، مثل أعطال الوحدات البصرية أو الألياف، ما يمنع التراجع عن التدريب، ويزيل إهدار موارد الحوسبة، ويقدم رؤية من طرف إلى طرف تتجاوز قدرات أدوات المراقبة التقليدية.

4. تشغيل وصيانة آلي من أربع طبقات مع استكشاف أعطال دقيق واستجابة سريعة

لمعالجة الاعتماد المفرط على العمليات اليدوية، ونقص المتخصصين في التشغيل والصيانة (O&M)، وتأخر الاستجابة للحوادث، تقدم KAYTUS KSManage نظام تشغيل وصيانة ذكي ومرن مبني على إطار رؤية من أربع طبقات يمتد عبر المكوّنات والخوادم والخزائن والكتل وأعباء عمل الذكاء الاصطناعي. تتيح هذه البنية المعمارية الموحدة عمليات تشغيل آلية من طرف إلى طرف وتشخيص أعطال دقيق عبر مركز بيانات الذكاء الاصطناعي بأكمله. تصل معدلات نجاح النسخ الاحتياطي الآلي إلى ما يقارب 99.8%، بينما يتيح التطبيق المشترك لخرائط المعرفة (knowledge graphs) وخوارزميات كشف الشذوذات عبر السلاسل الزمنية تحديد ما يصل إلى 90% من الأسباب الجذرية تلقائيًا خلال خمس دقائق. ونتيجة لذلك، تزداد كفاءة التشغيل والصيانة بما يصل إلى أربع مرات، ما يقلل بشكل كبير متوسط زمن الإصلاح (MTTR) ويُقلل الاعتماد على التدخل اليدوي والأخطاء البشرية. بالتوازي، ينشئ KSManage آلية استجابة مرنة تشمل الإنذار المبكر، وحماية متدرجة، وعزل وتعويض آليين. يمكن التنبؤ بمخاطر السعة التخزينية قبل ثلاثة أيام حتى، ما يقلل التكاليف الإجمالية للتشغيل والصيانة ويوفر خفضًا يصل إلى 40% في إجمالي تكلفة الملكية (TCO).

جرّب KSManage

يُتاح KSManage الآن للتجربة ويمكن إطلاقه عبر بضع نقرات فقط، ما يسمح للمستخدمين باستكشاف قدرات المنتج بسرعة وبشكل كامل. لبدء التجربة، يُرجى زيارة: (اسم المستخدم: admin/كلمة المرور: Manage1!)

لأي أسئلة أو معلومات إضافية، يرجى التواصل معنا عبر ksmanage@kaytus.com

سيرد فريقنا بسرعة!

حول KAYTUS

تُعد KAYTUS مزوّدًا رائدًا لحلول الذكاء الاصطناعي الشاملة والتبريد السائل، وتقدم مجموعة متنوعة من المنتجات المبتكرة والمفتوحة والصديقة للبيئة لتطبيقات مثل الحوسبة السحابية والذكاء الاصطناعي والحوسبة على الحافة وغيرها من التطبيقات الناشئة. وبنهج يركز على العملاء، تتمتع KAYTUS بالمرونة والاستجابة لاحتياجات المستخدمين من خلال نموذج أعمال قابل للتكيف. اكتشف المزيد على KAYTUS.com وتابعنا على LinkedIn وX

عرض نسخة المصدر على businesswire.com:

جهات الاتصال

**جهات اتصال وسائل الإعلام **
media@kaytus.com

الشروط وسياسة الخصوصية

لوحة معلومات الخصوصية

المزيد من المعلومات