AI කාර්යයන් ඉතා ඉක්මනින් වැඩි වීමත්, ඒ සඳහා අවශ්ය සම්පත් (GPU, මතක, CPU) නිරන්තරයෙන් වෙනස් වීමත් සමඟ, පාරම්පරික VM හෝ බේර් මැෂින් වලින් සේවාවන් පවත්වා ගැනීම අධික පිරිවැයක් සහ පරිසර ගැටළු ගෙන එයි. Docker, Kubernetes වැනි කන්ටේනර් තාක්ෂණයන් භාවිතා කරමින් AI agents ගොඩනැගීම, කේත, මොඩල සහ අනෙකුත් අවශ්යතා එකම immutable image එකක ගැලපීමේ හැකියාව ලබා දේ. මෙයින් පරිසරයේ අඩුපාඩු, අනාවැකිය, සහ සම්පත් කළමනාකරණය ඉතා සරල වේ.
GPU පස්තුරු කන්ටේනර්‑මූලික AI වල ප්රධාන අභියෝගයයි. NVIDIA Container Toolkit ස්ථාපනය කිරීමෙන් පසු, --gpus all හෝ --gpus "device=0,1" වැනි flag භාවිතා කර Docker container එකකට සෘජු GPU ප්රවේශය ලබා දිය හැක. container තුළ nvidia-smi ක්රියාත්මක කර පරීක්ෂා කළ හැකි අතර, ඒ අනුව එක් එක් agent එකක් වෙනත් GPU එකකට කැඳවීමේදී NVIDIA_VISIBLE_DEVICES පාරමිතියෙන් නියම කළ හැක.
මතක සහ CPU සීමා සකස් කිරීමත් අත්යවශ්යයි. Docker cgroups මගින් memory limit (උදා: --memory=4g) සහ CPU limit (උදා: --cpus=2) සකස් කළ හැකි අතර, docker‑compose.yml ගොනුවේ deploy.resources.limits භාවිතයෙන් ඒවාය ස්ථිරවම පාලනය කළ හැක. මෙයින් එක් agent එකක් අධික මතක භාවිතා කර host එක බිඳවැටීමක් වළක්වයි.
ස්වයංක්රීය විස්තාරණය සඳහා Kubernetes හි Horizontal Pod Autoscaler (HPA) භාවිතා කර, workload එකේ CPU/GPU භාවිතය අනුව pod ගණන ස්වයංක්රීයව වැඩි හෝ අඩු කරගත හැක. මෙයින් ඉල්ලුම ඉහල යන අවස්ථාවල පවා පද්ධතියේ ප්රතිචාර වේගය අඩුවක් නොමැතිව රැකගත හැක.
ශ්රී ලංකාවට ඇති වැදගත්කම
- ශ්රී ලාංකීය developers ලට Docker, Kubernetes පදනම්ව AI solutions ඉක්මනින් පරිසරයක් සැකසීමට හැකියාව ලැබේ.
- GPU පස්තුරු නිසා ගවේෂණාත්මක AI මොඩල (Deep Learning) පුහුණුවීමේ කාලය සීග්රවීකරණය කර, පර්යේෂණ ව්යාපෘතිවල කාර්යක්ෂමතාව වැඩිවේ.
- සම්පත් සීමා නිසා cloud සේවා වියදම අඩු කර, start‑ups සහ SMEs සඳහා AI තාක්ෂණය ප්රවේශය ලාභදායී වේ.
- ස්වයංක්රීය විස්තාරණය මගින් දේශීය data‑center හෝ cloud පරිසරයේ peak demand සකස් කර, සේවා අස්ථාවරතාවය වළක්වයි.
කන්ටේනර්‑මූලික AI ක්රමවේදය අනුගමනය කිරීමෙන්, ශ්රී ලංකාවේ තාක්ෂණික සමාජය AI භාවිතයෙහි නව මට්ටමකට පත්වෙයි. ඔබේ AI agents සඳහා GPU, මතක, CPU සීමා සහ ස්වයංක්රීය විස්තාරණය දැන්ම සකස් කර, ඉදිරි ගමන් සඳහා තරඟකාරීත්වය ලබා ගන්න.
