NVIDIA ใช้ Palantir Foundry และ cuOpt จัดการซัพพลายเชนฮาร์ดแวร์
NVIDIA นำเทคโนโลยี Palantir Foundry และโมเดล Nemotron 3.5 Lightning มาใช้จัดการและตัดสินใจจัดสรรซัพพลายเชนฮาร์ดแวร์ระดับโลก
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- NVIDIA ใช้ Palantir Foundry และ cuOpt จัดการซัพพลายเชนฮาร์ดแวร์ทั่วโลก
- โมเดล Nemotron 3.5 Lightning ช่วยวิเคราะห์ข้อมูลที่ไม่มีโครงสร้างจากมนุษย์
- ความแม่นยำในการตัดสินใจเพิ่มขึ้นเป็น 86.7 เปอร์เซ็นต์หลังผ่านการฝึกฝนเพิ่มเติม
- กระบวนการทั้งหมดทำงานบนฮาร์ดแวร์ NVIDIA B200 สองตัวในเวลาไม่กี่นาที
NVIDIA กำลังยกระดับกระบวนการตัดสินใจจัดสรรซัพพลายเชนฮาร์ดแวร์ทั่วโลกด้วยการนำแพลตฟอร์ม Palantir Foundry และเครื่องมือ cuOpt เข้ามาช่วยออโตเมชันในโรงงานผลิตต่างๆ เพื่อรองรับความต้องการฮาร์ดแวร์ที่เติบโตอย่างรวดเร็ว โดยบริษัทประเมินประสิทธิภาพการส่งมอบตั้งแต่กระบวนการเวเฟอร์จนถึงโทเค็นแรก ซึ่งแบ่งออกเป็นช่วงเวลาการขนส่งไปยังแร็คและเวลาในการเตรียมความพร้อมด้านพลังงาน ระบบระบายความร้อน เครือข่าย และซอฟต์แวร์
ความท้าทายด้านการขยายขนาดฮาร์ดแวร์ทำให้ข้อจำกัดด้านอุปทานทวีความรุนแรงยิ่งขึ้น โดยระบบแร็ค NVIDIA Grace Blackwell NVL72 ประกอบด้วยคอมพิวต์ทรายด์ 18 ชุด แต่ละชุดต้องใช้ซีพียู Grace สองตัว จีพียู Blackwell สี่ตัว และหน่วยความจำ HBM3e อีก 32 แพ็กเกจจากซัพพลายเออร์หลายพันราย นอกจากนี้ เครือข่ายซัพพลายเชนสำหรับสถาปัตยกรรม Vera Rubin ที่กำลังจะมาถึงยังมีขนาดใหญ่เป็นสองเท่าของเครือข่าย Grace Blackwell เดิมอีกด้วย
การประกอบชิ้นส่วนไม่สามารถดำเนินต่อไปได้จนกว่าชิ้นส่วนจะเดินทางมาถึงจากสามช่องทางหลัก ได้แก่ สินค้าคงคลังโดยตรง สินค้าฝากขาย และซัพพลายเออร์ภายนอก ซึ่งชิ้นส่วนที่จัดส่งล่าช้าจะส่งผลให้ตัวชี้วัดที่ NVIDIA เรียกว่า ระยะเวลาความเป็นเจ้าของยืดเยื้อออกไป ทีมงานฝ่ายปฏิบัติการของ NVIDIA จึงได้สร้างศูนย์บัญชาการอัจฉริยะซัพพลายเชนดิจิทัลขึ้นมาโดยใช้ Palantir Foundry เพื่อสร้างแบบจำลองสิ่งอำนวยความสะดวก การส่งมอบของซัพพลายเออร์ และเป้าหมายการผลิตเป็นวัตถุที่เชื่อมต่อกัน
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ในขณะเดียวกัน cuOpt ซึ่งเป็นไลบรารีโอเพนซอร์สสำหรับการเพิ่มประสิทธิภาพการตัดสินใจด้วยจีพียู จะเข้ามาอ่านชั้นข้อมูลปฏิบัติการนี้โดยตรงเพื่อแก้ปัญหาการกระจายสินค้า และประเมินข้อจำกัดของชิ้นส่วนในทุกระดับของรายการวัสดุ พร้อมทั้งระบุข้อจำกัดของโรงงานที่กำลังทำงานอยู่ เช่น ขีดความสามารถในการประกอบระดับภูมิภาคเทียบกับความพร้อมของหน่วยความจำดิบ
การนำ AI และระบบเพิ่มประสิทธิภาพทางคณิตศาสตร์มาใช้ร่วมกันในซัพพลายเชนระดับไฮเอนด์เช่นนี้ สะท้อนให้เห็นถึงความพยายามในการแก้ปัญหาคอขวดที่ซับซ้อนเกินกว่ามนุษย์จะจัดการได้ด้วยวิธีดั้งเดิม โดยเฉพาะเมื่อชิ้นส่วนอิเล็กทรอนิกส์ขั้นสูงมีความเชื่อมโยงกันหลายพันรายการ การผสานข้อมูลเชิงโครงสร้างเข้ากับข้อมูลไร้โครงสร้างผ่านโมเดลภาษาขนาดเล็กช่วยให้ระบบสามารถตอบสนองต่อเหตุการณ์ปัจจุบันได้อย่างแม่นยำและรวดเร็วขึ้น
อย่างไรก็ตาม การเพิ่มประสิทธิภาพทางคณิตศาสตร์อย่างเดียวไม่สามารถครอบคลุมตัวแปรเชิงปฏิบัติการที่ไม่มีโครงสร้าง ซึ่งทีมงานมนุษย์ต้องเผชิญ เช่น บทสนทนาของซัพพลายเออร์ พยากรณ์อากาศระดับภูมิภาค อีเมลจากพาร์ทเนอร์ และเหตุการณ์ทางภูมิรัฐศาสตร์ NVIDIA จึงแก้ไขปัญหานี้ด้วยการฝึกฝนโมเดล Nemotron 3.5 Lightning เพิ่มเติม ซึ่งเป็นโมเดลผสมผสานผู้เชี่ยวชาญแบบเปิดที่มีพารามิเตอร์รวมทั้งหมด 3,000 ล้านพารามิเตอร์
"Evaluated on historical allocation records, the post-trained Nemotron 3.5 Lightning model achieved 86.7 percent decision accuracy"
AI News
กระบวนการปรับแต่งและการประเมินผลบนข้อมูลการจัดสรรย้อนหลังแสดงให้เห็นว่าโมเดล Nemotron 3.5 Lightning ที่ผ่านการฝึกฝนเพิ่มเติมสามารถทำคะแนนความแม่นยำในการตัดสินใจได้สูงถึง 86.7 เปอร์เซ็นต์ ดีกว่าโมเดลขนาดใหญ่อย่าง Nemotron 3 Ultra และโมเดลพื้นฐาน Lightning ที่ยังไม่ได้ปรับแต่งอย่างเห็นได้ชัด โดยกระบวนการปรับแต่งทั้งหมดบนจีพียู NVIDIA B200 สองตัวใช้เวลาเพียงไม่กี่นาทีเท่านั้น
ที่มา: AI News
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น