Оптимизация производства на пределе масштабов
Производство современных вычислительных систем требует ювелирной координации сотен поставщиков. В случае с серверной стойкой NVIDIA Grace Blackwell NVL72, состоящей из 18 вычислительных лотков (каждый из которых включает 2 процессора Grace, 4 графических чипа Blackwell и 32 модуля памяти HBM3e), даже незначительная задержка одного компонента парализует финальную сборку. Для следующего поколения архитектуры — Vera Rubin — логистическая сеть и вовсе удвоится в размерах.
Чтобы справиться с растущими задержками и минимизировать время нахождения комплектующих на складах, чипмейкер развернул единый командный центр Digital Supply Chain Intelligence на базе платформы Palantir Foundry и собственной библиотеки cuOpt.
Линейное программирование против складских задержек
Потоки комплектующих поступают на заводы из трех источников: собственных складских запасов, консигнации и от сторонних поставщиков. Чтобы сократить период между получением деталей и отгрузкой готового оборудования, фабричные планы пересчитываются еженедельно на горизонте двух кварталов.
- Онтология Palantir: структурирует фабрики, остатки сырья, производственные планы и обязательства партнеров в виде взаимосвязанного графа.
- GPU-ускоритель cuOpt: считывает данные из онтологии и решает задачу смешанного целочисленного линейного программирования. Алгоритм не просто генерирует графики распределения, но и подсвечивает критические узкие места — например, дефицит HBM-памяти или нехватку региональных мощностей для сборки.
Нейросеть Nemotron на страже неструктурированных факторов
Математические модели не способны учесть звонки поставщиков, прогнозы погоды или геополитические риски. Для анализа таких неструктурированных данных инженеры NVIDIA адаптировали языковую модель Nemotron 3.5 Lightning (архитектура Mixture-of-Experts: 30 млрд параметров в сумме, 3 млрд активных при генерации).
Дообучение модели проводилось с помощью методов LoRA всего за несколько минут на двух графических процессорах NVIDIA B200. Подготовку данных обеспечили инструменты NeMo Anonymizer и Data Designer, а жизненный цикл контролирует Palantir Autopilot.
Результаты специализированного обучения оказались показательными:
| Модель | Точность решений | Сбалансированная точность | Macro-F1 |
|---|---|---|---|
| Nemotron 3.5 Lightning (базовая) | 17,5% | — | — |
| Nemotron 3 Ultra (крупная) | 55,5% | 42,0% | 39,5% |
| Nemotron 3.5 Lightning (дообученная) | 86,7% | 58,6% | 57,5% |
Все корректировки и ручные решения планировщиков сохраняются обратно в онтологию. Эти данные станут основой для внедрения обучения с подкреплением (RL), при этом боевые модели остаются строго изолированными от бесконтрольного переобучения в реальном времени.