NVIDIA এবং Palantir Technologies 10 সেপ্টেম্বর, 2026-এ সার্বভৌম কৃত্রিম বুদ্ধিমত্তা ক্রিটিক্যাল সাপ্লাই চেইনে আনার জন্য একটি সহযোগিতা ঘোষণা করেছে, NVIDIA-এর নিজস্ব সাপ্লাই চেইন অপারেশনের মধ্যে প্রথমবারের মতো যৌথভাবে নির্মিত AI স্ট্যাক মোতায়েন করা হয়েছে।
স্ট্যাকটি প্যালান্টির অন্টোলজির উপর ভিত্তি করে প্যালান্টির উদ্ভাবন এবং প্যালান্টির কৃত্রিম বুদ্ধিমত্তা প্ল্যাটফর্মে (AIP) NVIDIA-এর নিউট্রন ওপেন মডেলগুলি নিয়ে আসে। সংস্থাগুলি বলেছে যে সিস্টেমটি সরবরাহ চেইন দলগুলিকে একটি সাধারণ কমান্ড কেন্দ্র দেয়, উপাদান বরাদ্দের সিদ্ধান্তগুলি দিয়ে শুরু করে, যখন গ্রাহকরা তাদের মালিকানা ডেটার নিয়ন্ত্রণ এবং মালিকানা বজায় রাখে। স্ট্যাকটি প্যালান্টিরের এআইপিকন 11 সম্মেলনে উপস্থাপন করা হবে এবং সংস্থাগুলি বলেছে যে কৃষি, উত্পাদন, ওষুধ, খুচরা, প্রযুক্তি এবং সরকার সংস্থাগুলি তাদের সরবরাহ চেইনে এটি প্রয়োগ করতে পারে।
NVIDIA বলেছে যে এর সাপ্লাই চেইন লক্ষ লক্ষ যন্ত্রাংশ, হাজার হাজার সরবরাহকারী এবং উৎপাদন অংশীদারদের একটি বিশ্বব্যাপী নেটওয়ার্ক বিস্তৃত করে এবং একটি র্যাক-স্কেল AI সিস্টেমকে উৎপাদনে আনতে গণনা, মেমরি, নেটওয়ার্কিং, পাওয়ার, কুলিং এবং যান্ত্রিক উপাদানগুলির সমন্বিত প্রাপ্যতা প্রয়োজন। ঘোষণা অনুযায়ী, প্রতিটি NVIDIA ভেরা রুবিন র্যাকে 1.3 মিলিয়ন অংশ রয়েছে।
যৌথ ঘোষণায়, Palantir এর প্রতিষ্ঠাতা এবং CEO অ্যালেক্স কার্প বলেছেন: “NVIDIA-এর তর্কযোগ্যভাবে বিশ্বের সবচেয়ে ব্যয়বহুল, জটিল এবং জটিল সাপ্লাই চেইন রয়েছে। আমাদের সার্বভৌম কার্টিজ, নিউট্রন এবং অন্টোলজি মডেল দ্বারা চালিত, সীমানা-ধাক্কা দেওয়ার ক্ষমতা প্রদান করে যখন আলফা সুরক্ষা গুণাবলী অন্যথায় উপলব্ধ নয়।”
NVIDIA এর প্রতিষ্ঠাতা এবং সিইও জেনসেন হুয়াং বলেন, কোম্পানিগুলোর লক্ষ্য AI পরিকাঠামোর পেছনের অপারেশনাল গ্রাফকে সার্বভৌম বুদ্ধিমত্তায় রূপান্তর করা, ওয়েফার উৎপাদন থেকে টোকেন আউটপুট পর্যন্ত পথ সমন্বয় করার জন্য প্যালান্টিরের অন্টোলজির সাথে নিমোটোরন মডেলকে একীভূত করা।
NVIDIA সাপ্লাই চেইন এবং ফাউন্ড্রি কমান্ড সেন্টার
ঘোষণার পাশাপাশি প্রকাশিত একটি প্রযুক্তিগত ব্লগ পোস্টে, NVIDIA বলেছে যে এটি ওয়েফার এক্সিট থেকে প্রথম টোকেন পর্যন্ত সাপ্লাই চেইন কর্মক্ষমতা পরিমাপ করে। ব্যবধানটি দুটি ভাগে বিভক্ত হয়: র্যাক করার সময় সিলিকন থেকে যায় যা পাব থেকে একটি জটিল সিস্টেমে চলে যায় যা ডেটা সেন্টারের ফ্লোরে পৌঁছায় এবং টোকেনের সময় পাওয়ার, কুলিং, নেটওয়ার্ক এবং সফ্টওয়্যারকে কভার করে যা অবকাঠামোকে উত্পাদনশীল করে তোলে।
গ্রেস ব্ল্যাকওয়েল NVL72 প্ল্যাটফর্মগুলি কয়েক ডজন OEM এবং ODM নির্মাতাদের দ্বারা একত্রিত চূড়ান্ত সিস্টেম সহ লক্ষ লক্ষ যন্ত্রাংশ এবং হাজার হাজার সরবরাহকারীর উপর নির্ভর করে। একটি একক GB200 NVL72 কম্পিউট ট্রে-র্যাকে আঠারোটির মধ্যে একটি-এর জন্য দুটি গ্রেস প্রসেসর, চারটি ব্ল্যাকওয়েল GPU এবং HBM3e মেমরির 32টি স্ট্যাক প্রয়োজন, এবং NVIDIA বলেছে যে ভেরা রুবিনের জন্য এটি তৈরি করা সাপ্লাই চেইন গ্রেস ব্ল্যাকওয়েলের পিছনে থাকা সাপ্লাই চেইনটির দ্বিগুণ। কতক্ষণ উপাদান সক্রিয় থাকে তা ট্র্যাক করার জন্য, NVIDIA মালিকানার সময় নামে একটি মেট্রিক চালায়: একটি উত্পাদনকারী সাইট উপাদান গ্রহণকারী এবং সেই উপাদানটি একটি সাবসেম্বলি বা পণ্যের অংশ হিসাবে চলে যাওয়ার মধ্যে সময় অতিবাহিত হয়৷
প্রতি সপ্তাহে, পরিকল্পনাকারীরা ম্যানুয়ালি পুনরায় কাজ করে যাকে NVIDIA বলে গুরুত্বপূর্ণ উপাদান বরাদ্দকরণ সমস্যা, বর্তমান ত্রৈমাসিক এবং পরবর্তী ত্রৈমাসিকে প্রতিটি উত্পাদন সাইটে কী এবং কত উপাদান যাবে তা নির্ধারণ করে। এই কাজটিকে সমর্থন করার জন্য, NVIDIA-এর সাপ্লাই চেইন অপারেশন টিম ফাউন্ড্রিতে Palantir-এর সাথে একটি ডিজিটাল সাপ্লাই চেইন ইন্টেলিজেন্স কমান্ড সেন্টার তৈরি করেছে, যেখানে অন্টোলজি উপকরণ, উত্পাদন সাইট, প্রতিশ্রুতি, ক্ষমতা, বরাদ্দ, উত্পাদন আউটপুট এবং অসংগঠিত মানের সংকেতগুলিকে একটি একক পরিচালিত ডেটা স্তরে সংযুক্ত করে৷
NVIDIA cuOpt, GPU-এক্সিলারেটেড ডিসিশন অপ্টিমাইজেশানের জন্য কোম্পানির ওপেন-সোর্স লাইব্রেরি, একটি মিশ্র-পূর্ণসংখ্যা লিনিয়ার প্রোগ্রাম হিসাবে সাপ্তাহিক অ্যাসাইনমেন্টের সমাধান করে যার লক্ষ্য হল মালিকানার সময় কমানো, অন্টোলজি থেকে ইনপুট বের করা, এবং অ্যাসাইনমেন্ট সিদ্ধান্ত হিসাবে ফলাফলগুলি লেখা। পোস্ট রিপোর্ট করে যে cuOpt কোন সীমাবদ্ধতাগুলিকে আবদ্ধ করে তা শনাক্ত করে, তাই পরিকল্পনাকারীরা দেখতে পারেন যে একটি নির্দিষ্ট সপ্তাহে ক্ষমতা বা মেমরি সরবরাহ সীমিত হচ্ছে কিনা, এবং মেমরি সরবরাহে দশ শতাংশ হ্রাস বা অনলাইনে আসা একটি নতুন উত্পাদন সাইটের মতো পরিস্থিতি পরীক্ষা করতে পারে।
বরাদ্দের সিদ্ধান্তের উপর প্রশিক্ষণের পর নিউট্রন
NVIDIA এবং Palantir প্রকৃতপক্ষে যা ঘটেছিল তার বিরুদ্ধে ঐতিহাসিক বরাদ্দের সিদ্ধান্তগুলিকে আবার চেক করেছে এবং দেখেছে যে মানব পরিকল্পনাকারীরা সমাধানকারীকে ছাড়িয়ে গেছে, পোস্ট রিপোর্ট, কারণ পরিকল্পনাকারীরা এমন তথ্যের উপর কাজ করেছিল যা তারা দেখতে পায়নি: অংশীদারদের সাথে ইমেল আদান-প্রদান, গুরুত্বপূর্ণ অঞ্চলগুলির জন্য তীব্র আবহাওয়ার পূর্বাভাস, ভূ-রাজনৈতিক ইভেন্ট এবং সরবরাহকারী বছরের গবেষণার প্রতিলিপি সহ বিশেষজ্ঞরা। দলগুলি এই দক্ষতার চারপাশে ওয়ার্কফ্লো পুনর্নির্মাণ করে, প্রতিটি বরাদ্দের সিদ্ধান্ত, এর যৌক্তিকতা, প্রত্যাশিত ফলাফল এবং অন্টোলজির মধ্যে প্রকৃত ফলাফল ক্যাপচার করে।
এই রেকর্ড প্রশিক্ষণ তথ্য হয়ে ওঠে. দলগুলি তখন Nemotoron 3.5 Lightning, 30 বিলিয়ন প্যারামিটার এবং প্রায় 3 বিলিয়ন সক্রিয় প্রতি ফরোয়ার্ড পাস সহ একটি ওপেন-ওয়েট এক্সপার্ট মিশ্রণ মডেলকে প্রশিক্ষণ দেয়, যেটি পোস্ট অনুসারে বেছে নেওয়া হয়েছিল কারণ এটি একটি এজেন্ট ওয়ার্কফ্লো কার্যকর করার স্তরের জন্য উদ্দেশ্য-নির্মিত ছিল এবং কারণ ওপেন মডেলগুলিকে প্রশিক্ষণের পরে প্রতিষ্ঠানের নিজস্ব কম্পিউটিং বোডের মধ্যে প্রশিক্ষণ দেওয়া যেতে পারে। পাইপলাইনটি ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য মুছে ফেলার জন্য NeMo Anonymizer ব্যবহার করে, সিন্থেটিক নমুনা তৈরি ও ভারসাম্য করতে NeMo Data Designer, এবং NeMo AutoModel ব্যবহার করে LoRA কোরিলেশন প্যারামিটারের একটি ছোট সেট প্রশিক্ষিত করার জন্য যখন বেস ওয়েটগুলি হিমায়িত থাকে, Palantir Autopilot অন্টোলজি ডেটা থেকে মোতায়েন করা মডেলে জীবনচক্র পরিচালনা করে।
পোস্টে বর্ণিত ডেভেলপমেন্ট বেঞ্চমার্কে, প্রশিক্ষণ-পরবর্তী মডেলটি 86.7% অ্যাসাইনমেন্ট-সিদ্ধান্তের নির্ভুলতা অর্জন করেছে, যেখানে বৃহত্তর নেমোটোরন 3 আল্ট্রার জন্য 55.5% এবং মৌলিক নেমোটোরন 3.5 লাইটনিংয়ের জন্য 17.5% এর তুলনায়। NVIDIA আল্ট্রার 42.0% বনাম 58.6% এবং 39.5% এর বিপরীতে 57.5% এর একটি ম্যাক্রো-F1 স্কোর একটি সুষম নির্ভুলতা রিপোর্ট করেছে। লেখকরা বলেছেন যে এই মেট্রিক্সগুলি প্রতিটি ধরণের সিদ্ধান্তকে সমানভাবে ওজন করে, যা গুরুত্বপূর্ণ কারণ পরিকল্পনাকারীরা তাদের বাড়ানোর চেয়ে অনেক বেশি বরাদ্দ কমিয়ে দেয়।
পোস্টটি সতর্ক করে যে মুনাফা সেই এলাকায় কেন্দ্রীভূত হয় যেখানে মডেলটিকে পরবর্তীতে প্রশিক্ষিত করা হয়েছিল এবং সূক্ষ্ম টিউনিং সত্ত্বেও ভবিষ্যতের উৎপাদন ঝুঁকির ভবিষ্যদ্বাণী করা কঠিন। LoRA ট্রেনিং রান দুটি NVIDIA B200 GPU-তে মিনিটের মধ্যে সম্পন্ন হয়েছিল, পোস্ট অনুসারে প্রতিক্রিয়া জমা হওয়ার সাথে সাথে পুনরাবৃত্তি করা যথেষ্ট সহজ।
মডেলটি যৌক্তিকতা এবং ঝুঁকির সাথে সংযুক্ত একটি বরাদ্দের পরিসরের সুপারিশ করে, তবে একজন মানব পরিকল্পনাকারী প্রতিটি সুপারিশ পর্যালোচনা করে এবং চূড়ান্ত কল করে। প্রতিটি অভ্যর্থনা, সম্পাদনা, ওভাররাইড, এবং উত্পাদন অন্টোলজিতে লেখা হয় যতক্ষণ না অন্য পরিচালিত প্রশিক্ষণের জন্য পর্যাপ্ত প্রতিনিধি ডেটা না থাকে। পোস্টে বলা হয়েছে যে মডেলটিকে কখনই উৎপাদনে পুনরায় প্রশিক্ষণ দেওয়া হয় না এবং ক্রমবর্ধমান প্রতিক্রিয়া ভবিষ্যতে শক্তিবৃদ্ধি শিক্ষাকে সমর্থন করার উদ্দেশ্যে করা হয়।
স্থাপনার অংশীদার এবং সার্বভৌম অবকাঠামো
NVIDIA-এর সাপ্লাই চেইনের সংবেদনশীলতার পরিপ্রেক্ষিতে, স্থাপনা NVIDIA রেফারেন্স আর্কিটেকচার এবং প্যালান্টির সার্বভৌম AI অপারেটিং সিস্টেম রেফারেন্স আর্কিটেকচারে চলে, যা SAIOS নামে পরিচিত, যা ডেল টেকনোলজিস এবং সিস্কো দ্বারা সমর্থিত। সংস্থাগুলি বলেছে যে স্ট্যাকটি সিসকো এবং ডেল সহ সিস্টেম নির্মাতাদের সাথে বা র্যাকস্পেস এবং নেবিয়াসের সাথে ভাগ করা এবং ক্লাউড পরিবেশে প্রাঙ্গনে স্থাপন করা যেতে পারে।
Palantir AIP-এর মধ্যে, cuOpt অপ্টিমাইজেশান এবং দৃশ্যকল্প পরিকল্পনা সমর্থন করে, যখন NeMo ডেটা লাইব্রেরি, NeMo AutoModel এবং NeMo RL প্যালান্টির অটোপাইলটের সাথে একীভূত হয় যা কোম্পানিগুলিকে একটি নিয়ন্ত্রিত শেখার লুপ হিসাবে বর্ণনা করে যা বাস্তব-বিশ্বের ফলাফলের বিরুদ্ধে সিদ্ধান্তগুলি পরিমাপ করে৷ কোম্পানিগুলি বলেছে যে তারা NVIDIA-এর স্থাপনা থেকে যা শিখেছে তা উৎপাদন, শক্তি, স্বাস্থ্যসেবা, স্বয়ংচালিত এবং মহাকাশ জুড়ে উদ্যোগগুলিতে প্রসারিত করার পরিকল্পনা করেছে।