بهینه‌سازی هوشمند زنجیره تأمین NVIDIA با هوش مصنوعی

شرکت NVIDIA با پیاده‌سازی پلتفرم‌های Palantir Foundry و cuOpt در کنار مدل زبانی Nemotron، زنجیره تأمین NVIDIA و تصمیم‌گیری پیرامون تخصیص منابع در خطوط تولید و تحویل تراشه‌های هوش مصنوعی را به سطح جدیدی از خودکارسازی رسانده است. این شرکت برای خودکارسازی تصمیم‌گیری‌ها پیرامون تخصیص منابع در زنجیره تأمین سخت‌افزاری خود در سایت‌های تولیدی سراسر جهان، به استفاده از Palantir Foundry و cuOpt روی آورده است. این شرکت بازه تحویل عملیاتی را از زمان «خروج ویفر از خط تولید» (wafer-out) تا زمان «تولید نخستین توکن» (first token) می‌سنجد. این بازه زمانی به دو بخش تفکیک می‌شود: «زمان رسیدن به رک» (time-to-rack که شامل مراحل انتقال خروجی کارخانه ساخت تراشه تا تبدیل آن به یک سامانه یکپارچه‌شده در مرکز داده است) و «زمان رسیدن به توکن» (time-to-token که تأمین توان مصرفی، خنک‌سازی، زیرساخت شبکه و آمادگی نرم‌افزاری اولیه را در بر می‌گیرد).

مدیریت جریان قطعات NVL72 و تحول در زنجیره تأمین NVIDIA با معماری Vera Rubin

توسعه و مقیاس‌پذیری سخت‌افزاری، محدودیت‌های بخش تأمین را دوچندان کرده است. هر رک NVIDIA Grace Blackwell NVL72 شامل ۱۸ سینی پردازشی (compute tray) است؛ هر سینی به دو پردازنده مرکزی Grace، چهار پردازنده گرافیکی Blackwell و ۳۲ پکیج حافظه HBM3e نیاز دارد که از میان هزاران تأمین‌کننده، سازنده اصلی تجهیزات (OEM) و شرکای طراحی قراردادی فراهم می‌شوند. زنجیره تأمین آتی که برای معماری Vera Rubin شرکت NVIDIA طراحی شده است، ابعادی دو برابر شبکه پشتیبان Grace Blackwell خواهد داشت.

مراحل سرهم‌بندی تا زمان رسیدن قطعات از سه مجرای مشخص امکان‌پذیر نیست: موجودی انبار مستقیم، قطعات امانی (consignment stock) و تأمین‌کنندگان خارجی. در این فرآیند، محموله‌های زودهنگام ناچارند تا زمان تحویل قطعات با تأخیر معطل بمانند؛ موضوعی که شاخص مدنظر NVIDIA موسوم به «مدت‌زمان مالکیت» یا Time of Ownership (TOO) را افزایش می‌دهد؛ این شاخص به بازه زمانی ورود مواد اولیه به تأسیسات تا خروج زیرمجموعه‌های مونتاژشده نهایی اطلاق می‌شود. سهمیه‌ها و تخصیص‌های کارخانه‌ای به‌صورت هفتگی و بر مبنای افق‌های متحرک دو فصل کاری (شش‌ماهه) بازنگری و بازطراحی می‌شوند تا دسترسی به قطعات، محدودیت‌های توان خروجی و زمان‌بندی تحویل سفارش‌های مشتریان به بهترین شکل حل‌وفصل شود.

برنامه‌ریزی خطی عدد صحیح مختلط به کمک cuOpt

به‌منظور هماهنگی این حجم از وابستگی‌های متقابل، تیم عملیات NVIDIA مرکز فرماندهی «هوش زنجیره تأمین دیجیتال» (Digital Supply Chain Intelligence) را بر بستر Palantir Foundry توسعه داد. هسته هستان‌شناسی (Ontology) در نرم‌افزار Foundry، تمام تأسیسات، تعهدات تأمین‌کنندگان، موجودی قطعات و اهداف تولید را به‌صورت موجودیت‌ها (اشیاء) و پیوندهای شبکه‌ای درهم‌تنیده مدل‌سازی می‌کند.

کتابخانه منبع‌باز NVIDIA cuOpt که با شتاب‌دهی پردازنده‌های گرافیکی به بهینه‌سازی تصمیمات می‌پردازد، این لایه عملیاتی را مستقیما می‌خواند. این الگوریتم بهینه‌ساز با فرمول‌بندی مسئله توزیع در قالب یک مدل برنامه‌ریزی خطی عدد صحیح مختلط (mixed-integer linear program) که هدف آن به حداقل رساندن شاخص TOO است، محدودیت‌های دسترسی به قطعات را در تمامی سطوح فهرست مواد و قطعات (BOM) ارزیابی می‌کند. cuOpt علاوه بر ارائه برنامه‌های زمان‌بندی هفتگی برای تحویل، محدودیت‌های فعال در کارخانه‌ها—از جمله توازن میان ظرفیت نهایی مونتاژ منطقه‌ای و میزان دسترسی به حافظه‌های اولیه—را نیز به‌دقت شناسایی می‌کند.

آموزش Nemotron بر روی داده‌های کیفی و سوابق عملیاتی

بهینه‌سازی محاسباتی به‌تنهایی قادر به ثبت و درک متغیرهای عملیاتی ساختارنیافته‌ای نبود که کارشناسان انسانی زنجیره تأمین با آن‌ها مواجه می‌شدند؛ مواردی مانند متن پیاده‌شده مکالمات تأمین‌کنندگان (Transcripts)، پیش‌بینی‌های هواشناسی منطقه‌ای، مکاتبات ایمیلی شرکا و تحولات ژئوپلیتیکی.

شرکت NVIDIA برای غلبه بر این چالش، به پس‌آموزش (post-training) مدل Nemotron 3.5 Lightning روی آورد؛ مدلی با وزن‌های باز بر پایه معماری ترکیب متخصصان (MoE) که دارای ۳۰ میلیارد پارامتر کلی و تقریبا ۳ میلیارد پارامتر فعال در هر مرحله پیشرو (forward pass) است. خط لوله مهندسی این سیستم، سوابق تاریخی را از طریق NeMo Anonymizer برای پوشاندن داده‌های حساس عملیاتی، ابزار NeMo Data Designer برای متوازن‌سازی داده‌های آموزشی با سناریوهای مصنوعی اختلال ظرفیت، و NeMo AutoModel به‌منظور اعمال تنظیمات انطباق کم‌رتبه (LoRA) با ثابت نگاه داشتن (تثبیت) وزن‌های مدل پایه پردازش می‌کند. در این ساختار، مدیریت ریشه‌یابی داده‌ها، رهگیری مدل و ارائه توصیه‌ها توسط Palantir Autopilot هدایت می‌شود.

معیارهای سنجش عملکرد در محیط عملیاتی و چشم‌انداز یادگیری تقویتی

در ارزیابی‌های صورت‌گرفته بر اساس سوابق واقعی تخصیص منابع، مدل پس‌آموزش‌دیده Nemotron 3.5 Lightning به دقت تصمیم‌گیری ۸۶.۷ درصدی دست یافت؛ رقمی که برای مدل بزرگ‌تر Nemotron 3 Ultra برابر با ۵۵.۵ درصد و برای مدل پایه و بهینه‌سازی‌نشده Lightning تنها ۱۷.۵ درصد بود. این مدل ارتقایافته همچنین به دقت متوازن (balanced accuracy) ۵۸.۶ درصدی و امتیاز کلان F1 (macro-F1 score) معادل ۵۷.۵ درصد رسید که به‌طور چشمگیری از مدل Nemotron 3 Ultra با دقت متوازن ۴۲ درصد و امتیاز کلان F1 معادل ۳۹.۵ درصد فراتر رفته است.

مقایسه دقت تصمیم‌گیری و شاخص‌های آماری مدل بهینه‌سازی‌شده Nemotron 3.5 Lightning در برابر سایر نسخه‌ها در مدیریت خطوط تولید NVIDIA

فرایند ریزتنظیم (Fine-tuning) روی دو پردازنده گرافیکی NVIDIA B200 ظرف چند دقیقه به پایان رسید. بهینه‌سازی و تطبیق تخصصی مدل، دقت تصمیم‌گیری‌ها در زمینه تخصیص منابع را بهبود بخشید؛ هرچند پیش‌بینی ریسک‌های تولید برای بازه‌های زمانی دورتر همچنان چالش‌برانگیز باقی ماند. در این میان، گزینه‌های عملیاتی، بازبینی‌های برنامه‌ریزان، تغییرات دستی (overrides) و خروجی‌های واقعی کارخانه‌ها به‌صورت مداوم و لحظه‌ای به سامانه جامع داده‌ای Palantir Ontology بازگردانده و ثبت می‌شوند. NVIDIA تأیید کرد که این مجموعه داده، پایه و اساس ساخت جفت‌های ترجیحی (preference pairs) برای روال‌های یادگیری تقویتی (reinforcement learning) خواهد بود؛ رویکردی که پیشنهادها و توصیه‌ها را بر پایه معیارهایی چون دقت تخصیص، انطباق با سیاست‌ها و استناد به شواهد ارزیابی و امتیازدهی می‌کند. این فرایند به گونه‌ای طراحی شده است که مدل‌های فعال در خط تولید به‌طور کامل از بازآموزی‌های زنده و نظارت‌نشده مجزا و تفکیک‌شده باقی بمانند.