ონ-პრემისი (On-Premise) არის მიდგომა, რომლის დროსაც კომპანია IT ინფრასტრუქტურას გარე ღრუბლის ნაცვლად უშუალოდ საკუთარ სერვერულ ოთახში ან სერვერებზე აშენებს და მართავს. ონ-პრემისის (On-Premise) დანერგვისას კომპანიას შეუძლია უშუალოდ აკონტროლოს მონაცემთა უსაფრთხოება და სისტემები, რაც მნიშვნელოვანი უპირატესობაა.
ონ-პრემისი (On-Premise) არის მიდგომა, რომლის დროსაც კომპანია IT ინფრასტრუქტურას გარე ღრუბლის ნაცვლად უშუალოდ საკუთარ სერვერულ ოთახში ან სერვერებზე აშენებს და მართავს. ონ-პრემისის (On-Premise) დანერგვისას კომპანიას შეუძლია უშუალოდ აკონტროლოს მონაცემთა უსაფრთხოება და სისტემები, რაც მნიშვნელოვანი უპირატესობაა.
ამ დოკუმენტში ტექნიკურად არის აღწერილი Clevi On-Premise-ის დანერგვისას მოსალოდნელი ძირითადი სარგებელი და Clevi-X MDLM (Massive Multimodal Language Model) მოდელისთვის განკუთვნილი უსაფრთხო იზოლირებული გამოთვლითი გარემო.
1. On-Premise-ის დანერგვის სარგებელი
მონაცემთა დამოუკიდებლობისა და უსაფრთხოების მაქსიმიზაცია
მონაცემთა შეტანიდან ანალიზამდე, სერვისამდე და სარეზერვო კოპირებამდე ყველა პროცესი დამოუკიდებლად იმართება კომპანიის შიდა დახურულ ქსელში. → გარე გაჟონვის რისკის მინიმიზაცია და მონაცემთა სუვერენიტეტისა და პერსონალური მონაცემების დაცვის ოპტიმიზაცია
სენსიტიური მონაცემები, როგორიცაა Fine Dataset და პირადი მონაცემთა ნაკრებები, იზოლირებულია ცალკე უსაფრთხო ზონაში → მონაცემებზე წვდომის კონტროლი და აუდიტი მარტივდება.
მაღალი წარმადობისა და მაღალი ხელმისაწვდომობის ინფრასტრუქტურის დიზაინი
ანალიზისა და გამოთვლების ზონაში GPU/CPU სერვერები კლასტერად არის კონფიგურირებული → ოპტიმიზებულია ფართომასშტაბიანი AI გამოთვლებისთვის, რეალურ დროში მონაცემთა დამუშავებისა და პარალელური ანალიზისთვის
HA (High Availability) სტრუქტურის გამოყენება → შეფერხების წარმოქმნის შემთხვევაშიც შესაძლებელია სტაბილური მუშაობა სერვისის შეწყვეტის გარეშე.
მონაცემთა მართვის მოქნილობა და მასშტაბურობა
ინტეგრირებული მონაცემთა ბაზის კლასტერი და ცივი სარეზერვო საცავი ერთმანეთისგან განცალკევებულია → რეალურ დროში მონაცემებისა და გრძელვადიანი შენახვის მონაცემების ეფექტურად მართვა
ანალიზის, სერვისისა და მონაცემთა მართვის ზონები მოდულურია, რაც აადვილებს გაფართოებასა და ტექნიკურ მომსახურებას → შესაძლებელია სწრაფი რეაგირება სამუშაო პროცესების ცვლილებებზე, მონაცემთა ზრდასა და ახალი სერვისების დანერგვაზე.
SVCE (Clevi Safe Virtural Compute Environment)
უსაფრთხოების გაძლიერება → თითოეული დავალებისა და მომხმარებლის სესიის სრული იზოლაციით ბლოკავს მავნე კოდის შესრულების, მონაცემთა გაჟონვისა და სისტემაში შეღწევის რისკებს.
მოქნილობა და მასშტაბურობა → საჭიროებისამებრ დინამიკურად არეგულირებს ინსტანციების რაოდენობასა და რესურსების ლიმიტებს და უზრუნველყოფს მორგებულ გარემოს სხვადასხვა AI სამუშაო დატვირთვისთვის (ტექსტი, სურათი, კოდი და სხვა).
ოპერაციული ეფექტიანობა → რესურსების ავტომატიზებული მართვისა და დაგეგმვის საშუალებით მაქსიმალურად ზრდის ინფრასტრუქტურის გამოყენებას და შეფერხების შემთხვევაში მხარს უჭერს ინსტანციის სწრაფ ხელახლა შექმნასა და უკან დაბრუნებას.
2. Clevi-X MDLM მოდელისთვის უსაფრთხო იზოლირებული კომპიუტერული გარემო
Clevi-X MDLM (M Double LM - Massive Multimodal Language Model) არის ახალი თაობის მულტიმოდალური AI მოდელი, რომელიც შექმნილია ადამიანის მიერ კომპიუტერის გამოყენების გარემოსა და მეთოდების, სტრუქტურისა და პროცედურების შესასწავლად და რეალური კომპიუტერული სამუშაოების მხარდასაჭერად.
CLK (Clevi Linux Kernel)-ზე დაფუძნებული მსუბუქი კონტეინერის გარემო ისეა შექმნილი, რომ ვირუსის შეღწევა და მავნე წვდომა, ისევე როგორც უფლებამოსილების ფარგლებს გადაცილებული ნებისმიერი მოქმედება, შეუძლებელი იყოს.
ღრუბლოვან კომპიუტერულ გარემოშიც კი, სადაც მრავალი ანონიმური მომხმარებელი სხვადასხვა მიზნით უკავშირდება სისტემას, SVCE(Safe Virtual Compute Environment) თითოეულ სესიასა და დავალებას სრულად იზოლირებს და უზრუნველყოფს უსაფრთხოებას მავნე მომხმარებლების შეღწევისა და თავდასხმის მცდელობების შემთხვევაშიც.
ვინაიდან ყველა მოქმედება — ინტერნეტთან დაკავშირება, გამოთვლა, კოდის შესრულება, შედეგების გადამოწმება, ფაილების შეყვანა-გამოტანა და სხვა — უსაფრთხო იზოლირებულ სივრცეში სრულდება, გარანტირებულია მოდელის მიერ გამოტანილი მონაცემების სანდოობა და დავალებების შესრულების შესაძლებლობა.
უზრუნველყოფს უსაფრთხო გარემოს სხვადასხვა საფრთხისგან, მათ შორის ჰაკინგისგან, მონაცემთა გაჟონვისგან, მოდელის გამოყენებით განხორციელებული თავდასხმებისგან და თავად მოდელზე მიმართული თავდასხმებისგან.
