ClusterCast
ClusterCast — زمانبندی خوشه GPU و ابر — زمانبندی شغل GPU/CPU با affinity، backfill، gang scheduling، انصاف DRF و هزینه انتقال داده.
Interactive Sample Demoبرای مدیر: نتیجه کسبوکار
بهرهبرداری GPU پایین و صف طولانی؛ سیاست FIFO با SLA مستأجر در تعارض بود.
۱۵–۲۵٪ بهرهبرداری بالاتر از FIFO؛ ۲۰–۴۰٪ کاهش هزینه با locality؛ trade-off انصاف/صف روشن.
- ۱۵–۲۵٪ GPU utilization
- −۳۵٪ صف با fairness
- < ۱۰ s جایگذاری
- هزینه locality ۲۰–۴۰٪
«سیاست انصاف صف را ۳۵٪ کوتاه کرد و utilization فقط ۸٪ افت کرد — معامله درست برای ابر چندمستأجر.»
مستندات عمومی
چه میکند؟
ClusterCast یکی از محصولات پورتفولیوی هوش مصنوعی آریا اِیآی است که برای تصمیمگیری عملیاتی سازمانهای ایرانی و بینالمللی طراحی شده. نسخه عمومی روی Hugging Face یک دموی نمونه است؛ نسخه تولید با یکپارچهسازی داده، SSO و audit trail استقرار مییابد.
مخاطب غیرفنی میتواند KPI قبل/بعد، کاربرد صنعت و مسیر پایلوت را ببیند؛ مخاطب فنی pipeline، متریک قابل بازتولید و لینک Space/Model/Dataset را دنبال میکند.
درخواست پایلوت از طریق فرم تماس سایت با ذکر علاقه به ClusterCast ثبت میشود تا محدوده داده، قیود و معیار موفقیت مشخص گردد.
چه کسی از آن استفاده میکند؟
مدیران عملیات، CISO، برنامهریزان تولید، لجستیک، مالی و تیمهای مهندسی که باید تصمیم را هم برای هیئتمدیره و هم برای اجرای فنی توضیح دهند.
خروجی دمو «نمونه تعاملی» است؛ آپلود زنده فایل سازمانی روی Space عمومی توصیه نمیشود.
کاربرد در صنایع
تولید و کارخانه
زمانبندی ماشین، WIP، انرژی و نگهداری برای کاهش تأخیر و هزینه تغییر خط. ابر خصوصی، آموزش مدل و inference چندمستأجر.
لجستیک، انبار و توزیع
مسیریابی، موجودی، yard/dock و last-mile با قیود ظرفیت و SLA.
خردهفروشی و FMCG
قیمتگذاری پویا، موجودی چندکاناله و تخصیص سفارش با حاشیه سود.
انرژی، آب و محیط زیست
تخصیص منابع، کربن، نکسوس آب-انرژی-غذا و جمعآوری پسماند.
بهداشت، دارو و بیمارستان
زمانبندی OR، موجودی بالینی، spare parts و تخصیص سایت کارآزمایی.
حملونقل، بندر و هواپیمایی
جدول زمانی ترمینال، بازیابی اختلال پرواز و جریان کانتینر.
برای مهندس: Pipeline و معماری
Job queue → FFD/BestFit/backfill/CP-SAT gang/DRF/min-cost flow → placement + energy/SLA KPIs
معماری مرجع: Job queue → FFD/BestFit/backfill/CP-SAT gang/DRF/min-cost flow → placement + energy/SLA KPIs. اجزا روی CPU قابل اجرا هستند تا دمو و استقرار اولیه بدون GPU اجباری باشد.
خروجیها شامل امتیاز/برنامه، توضیحپذیری و ردپای تصمیم برای بازبینی انسانی است. آموزش و ارزیابی از corpus مستند پروژه پیروی میکند.
برای تولید: Docker، متغیر محیطی، و اتصال به سامانه موجود (ERP، SIEM، WMS، APS) طبق معماری هر repo انجام میشود.
پشته فنی
- Python
- OR-Tools / Pyomo / HiGHS
- NumPy
- SimPy
- Gradio
- Docker
متریکهای قابل بازتولید
| بنچمارک | جزئیات | نتیجه |
|---|---|---|
| GPU util vs FIFO | demo | 15–25% |
| Queue time | fairness-first | −35% |
| Data locality | cost | 20–40% |
| Placement | bin packing | < 10 s |
سوالات پرتکرار
ClusterCast چیست و چه مسئلهای را حل میکند؟
زمانبندی شغل GPU/CPU با affinity، backfill، gang scheduling، انصاف DRF و هزینه انتقال داده.
آیا میتوان داده واقعی سازمان را در دمو عمومی وارد کرد؟
خیر. دمو عمومی برای نمونههای ازپیشمحاسبهشده یا داده ترکیبی است. داده production باید در استقرار on-prem یا VPC با کنترل دسترسی وارد شود.
آیا این محصول جایگزین سامانه فعلی میشود؟
نمونه اولیه (POC) برای نمایش قابلیت بهینهسازی است و جایگزین سیستم برنامهریزی تولید سازمانی نیست. متریکها روی داده ترکیبی/بنچمارک قابل بازتولید گزارش شدهاند. برای استقرار واقعی پایلوت on-prem توصیه میشود.
متریکهای صفحه از کجا آمدهاند؟
از README و eval_results هر پروژه روی Hugging Face / repo داخلی؛ اعداد بنچمارک ترکیبی را با داده سازمان خود در پایلوت بازسنجی کنید.
لینکهای Hugging Face
مدل مرتبط
درخواست پایلوت
برای استقرار on-prem، یکپارچهسازی با سامانههای موجود یا fine-tune روی داده سازمان خود تماس بگیرید.