بهترین پردازنده گرافیکی برای یادگیری ماشین

در دنیای داده‌محور امروزی، یادگیری ماشین و یادگیری عمیق به اجزای ضروری نوآوری مدرن تبدیل شده‌اند - از پردازش زبان طبیعی (NLP) گرفته تا بینایی کامپیوتر و سیستم‌های خودران. در قلب این الگوریتم‌های پیچیده، یک جزء حیاتی نهفته است: پردازنده گرافیکی (GPU). در حالی که CPUها محاسبات عمومی را انجام می‌دهند، GPUها با اجرای هزاران عملیات به صورت موازی، آموزش مدل‌های یادگیری ماشین را تسریع می‌کنند.

انتخاب بهترین پردازنده گرافیکی برای یادگیری ماشین دیگر موضوعی تخصصی و محدود به محققان نیست. این موضوع بر موارد زیر تأثیر می‌گذارد:

• استقرار هوش مصنوعی سازمانی (مثلاً استنتاج مدل در مقیاس بزرگ)
• استارتاپ‌های هوش مصنوعی با هدف بهینه‌سازی خطوط آموزشی
• دانشمندان داده و مهندسان یادگیری ماشین: ساخت مدل‌های تجربی
• محققان دانشگاهی در حال گسترش مرزهای هوش مصنوعی هستند
• علاقه‌مندان و علاقه‌مندان به آزمایشگاه‌های خانگی، شبکه‌های عصبی عمیق را بررسی می‌کنند.

انتخاب پردازنده گرافیکی (GPU) مناسب برای یادگیری ماشینی چیزی بیش از بررسی نمودارهای عملکرد است. معماری، ظرفیت حافظه، سازگاری با چارچوب‌هایی مانند TensorFlow یا PyTorch و پشتیبانی از ویژگی‌هایی مانند ANDERS یا ROCm، همگی در تعیین عملکرد یک پردازنده گرافیکی برای حجم کاری هوش مصنوعی و یادگیری عمیق نقش دارند.

مشخصات کلیدی

معماری‌های مدرن پردازنده‌های گرافیکی (GPU)

• انویدیا آمپر (A100، RTX 3090): به خاطر طراحی قوی Tensor Core و ویژگی‌های MICH شناخته شده است
• انویدیا هاپر (H100، H200): پشتیبانی از RP8 را اضافه می‌کند و پهنای باند به ازای هر وات را بهبود می‌بخشد.
• بلکول (B100، B200): معماری نسل بعدی انویدیا نویدبخش جهش‌های نمایی در محاسبات هوش مصنوعی است
• سی‌دی‌ان‌ای ای‌ام‌دی (MI300X): با ارائه حافظه با پهنای باند بالا (HBM3) و سازگاری با ROCm با NVIDIA رقابت می‌کند.

سازگاری اکوسیستم نرم‌افزاری

یک پردازنده گرافیکی (GPU) تنها به اندازه اکوسیستم خود خوب است. پردازنده‌های گرافیکی NVIDIA با کتابخانه‌های بالغ ANDERS و cuDNN تسلط دارند، در حالی که AMD همچنان به بهبود پشتیبانی ROCm از ابزارهای متن‌باز ادامه می‌دهد.

سازگاری با چارچوب‌های رایج یادگیری ماشین مانند:

• تنسورفلو
• پای‌تورچ
• جکس
• زمان اجرای ONNX

ادغام یکپارچه و استفاده‌ی بالا از توابع GPU را در طول آموزش مدل و استنتاج تضمین می‌کند.

به طور خلاصه، بهترین پردازنده گرافیکی برای یادگیری عمیق باید بین قدرت محاسباتی خام، معماری حافظه و پشتیبانی نرم‌افزاری تعادل برقرار کند و آن را برای کارهایی مانند پردازش زبان طبیعی (NLP)، بینایی کامپیوتر یا یادگیری تقویتی در سطوح مختلف کاربری مناسب سازد.

بازار پردازنده‌های گرافیکی (GPU) در سال ۲۰۲۵ طیف وسیعی از گزینه‌های متناسب با حجم کاری مختلف یادگیری ماشینی را ارائه خواهد داد - از آموزش مدل‌های زبانی عظیم گرفته تا استنتاج هوش مصنوعی بلادرنگ. پردازنده‌های گرافیکی زیر به دلیل معماری، ظرفیت حافظه و قابلیت‌های بهینه‌سازی هوش مصنوعی خود برجسته هستند و آنها را به انتخاب برتر برای دانشمندان داده، محققان هوش مصنوعی و استقرارهای سازمانی تبدیل می‌کنند.

۱. انویدیا H100 / H200 (معماری هاپر)

این پردازنده‌های گرافیکی (GPU) با دقت FP8، 80 تا 141 گیگابایت حافظه HBM3 و پشتیبانی از پردازنده‌های گرافیکی چند نمونه‌ای (MIG)، استاندارد طلایی برای آموزش مدل در مقیاس بزرگ هستند. ایده‌آل برای LLMها، محاسبات علمی و خوشه‌های آموزشی چند پردازنده گرافیکی.

۲. انویدیا A100 (معماری آمپر)

A100 که هنوز هم به طور گسترده در پلتفرم‌های GPU ابری مورد استفاده قرار می‌گیرد، تعادلی بین هزینه، عملکرد و در دسترس بودن ارائه می‌دهد. با حداکثر 80 گیگابایت حافظه HBM2e، برای آموزش شبکه‌های عصبی عمیق، مدل‌های بینایی کامپیوتر و وظایف NLP مناسب است.

۳. نسل آدا انویدیا L40S / RTX 6000

این پردازنده‌های گرافیکی که برای محیط‌های کاری هوش مصنوعی و ارائه یک مدل سازمانی طراحی شده‌اند، از معماری Ada Lovelace برای عملکرد استنتاج بهینه، ردیابی پرتو و محاسبات با مصرف انرژی بهینه استفاده می‌کنند.

۴. انویدیا RTX 4090/3090 Ti

اینها بهترین پردازنده‌های گرافیکی مصرفی برای مهندسان و محققان یادگیری ماشین هستند که به عملکرد بالا بدون قیمت‌های سازمانی نیاز دارند. با 24 گیگابایت حافظه GDDR6X، آنها از اکثر چارچوب‌های یادگیری ماشین، از جمله TensorFlow و PyTorch پشتیبانی می‌کنند و در کارهایی مانند طبقه‌بندی تصویر، آموزش GAN و تنظیم دقیق مدل NLP عملکرد خوبی دارند.

۵. ای‌ام‌دی اینستینکت MI300X / MI250

پردازنده‌ی MI300X شرکت AMD با ۱۲۸ گیگابایت حافظه‌ی HBM3 و معماری CDNA 3 و پشتیبانی از ROCm برای چارچوب‌های یادگیری ماشین متن‌باز، رقیبی قدرتمند در محیط‌های تحقیقاتی HPC و هوش مصنوعی است که به پهنای باند حافظه‌ی بسیار بالایی نیاز دارند.

SIN-3042-H110 در سیستم‌های لجستیک و مرتب‌سازی بسته با توان عملیاتی بالا ارائه می‌دهد:

• دسترسی به دستگاه چند پروتکلی: با 6 پورت USB، می‌تواند به اسکنر بارکد، ترازوهای الکترونیکی و سنسورها متصل شود. در ترکیب با اترنت گیگابیت اینتل، امکان جمع‌آوری و آپلود داده‌ها در لحظه را فراهم می‌کند.
• ذخیره‌سازی انعطاف‌پذیر: پشتیبانی از دو هارد دیسک/اس‌اس‌دی ۲.۵ اینچی و خروجی تصویر دوگانه (VGA + HDMI) امکان نظارت آسان بر سیستم و خروجی ویدئو را فراهم می‌کند.
• پشتیبانی از سیستم AGV: از طریق اسلات Mini-PCIe، این دستگاه می‌تواند با سیستم‌های برنامه‌ریزی AGV ادغام شود و سرعت مرتب‌سازی و کارایی اتوماسیون را در انبارهای هوشمند بهبود بخشد.

هنگام ارزیابی بهترین پردازنده گرافیکی (GPU) برای یادگیری ماشین، مهم است که فراتر از مشخصات کلیدی برویم و درک کنیم که چگونه هر پردازنده گرافیکی، در حجم کار هوش مصنوعی، اندازه مدل‌ها و محیط‌های استقرار مختلف، عواملی مانند پهنای باند حافظه، ظرفیت VRAM و معماری هسته مستقیماً بر توانایی آن در اجرای کارآمد مدل‌های پیچیده یادگیری عمیق تأثیر می‌گذارد.

معیارهای مقایسه مهم

از تطبیق مورد استفاده کنید

• انویدیا H100/H200: طراحی شده برای مدل‌های زبانی بزرگ، آموزش مدل بنیادی و استنتاج چند پردازنده گرافیکی. ایده‌آل برای آزمایشگاه‌های تحقیقاتی و ارائه دهندگان زیرساخت هوش مصنوعی.
• انویدیا A100: یک انتخاب همه‌کاره برای چارچوب‌های یادگیری عمیق مانند TensorFlow و JAX، به ویژه در نمونه‌های GPU ابری.
• RTX 4090/3090 Ti: برای مهندسان یادگیری ماشین به صورت انفرادی بهترین گزینه است و عملکرد بالایی را برای نمونه‌سازی مدل، شبکه‌های عصبی مولد (GAN) و استنتاج بلادرنگ ارائه می‌دهد.
• ای‌ام‌دی MI300X: با حافظه عظیم HBM3، می‌تواند حجم زیادی از داده‌ها را پردازش کند و تصاویر با وضوح بالا را پردازش کند که برای حجم کاری علمی ML مناسب است.

ملاحظات بیشتر

• MIG و NVLink برای تخصیص GPU برای چندین مستاجر و پهنای باند بین GPU در خوشه‌های سازمانی بسیار مهم هستند.
• هنگام ساخت ایستگاه‌های کاری هوش مصنوعی محلی، باید اتلاف توان حرارتی (TDP) و سازگاری منبع تغذیه در نظر گرفته شود.
• پشتیبانی از پشته نرم‌افزاری (مثلاً CUDA در مقابل ROCm) سازگاری چارچوب را تعیین می‌کند.

به طور خلاصه: پردازنده گرافیکی مناسب باید با اندازه مدل، مدت زمان آموزش، خط لوله داده و محیط استقرار شما مطابقت داشته باشد.

انتخاب بهترین پردازنده گرافیکی (GPU) برای یادگیری ماشینی به شدت به مورد استفاده، بودجه و الزامات فنی شما بستگی دارد. چه یک استارتاپ، یک موسسه تحقیقاتی یا یک توسعه‌دهنده آزاد باشید، تطبیق نقاط قوت پردازنده گرافیکی با حجم کاری شما، عملکرد بهینه و بازگشت سرمایه را تضمین می‌کند.

برای شرکت‌ها و آزمایشگاه‌های تحقیقاتی

پردازنده‌های گرافیکی پیشنهادی:

• انویدیا H100 / H200
• ای‌ام‌دی اینستینکت MI300X
• انویدیا A100

چرا:

این پردازنده‌های گرافیکی پردازش موازی استثنایی، حافظه با پهنای باند بالا (HBM3) و مقیاس‌پذیری چند پردازنده گرافیکی (از طریق NVLink، MICH یا PCIe Gen5) را ارائه می‌دهند. آن‌ها برای موارد زیر ایده‌آل هستند:

• آموزش مدل‌های زبان بزرگ (LLM)
• خطوط لوله هوش مصنوعی مولد
• خوشه پردازنده گرافیکی چندکاربره
• محاسبات علمی پیشرفته

برای استارتاپ‌ها و توسعه هوش مصنوعی در سطح متوسط

پردازنده‌های گرافیکی پیشنهادی:

• نسل آدا انویدیا RTX 6000
• انویدیا L40S
• انویدیا A100 (نمونه ابری)

چرا:

این پردازنده‌های گرافیکی عملکرد و قیمت یکسانی را ارائه می‌دهند. آن‌ها قدرت محاسباتی قوی Tensor، حافظه ویدیویی (VRAM) بزرگ (تا ۴۸ تا ۹۶ گیگابایت) و سازگاری با چارچوب‌های محبوبی مانند TensorFlow، PyTorch و ONNX runtime را فراهم می‌کنند.

برای توسعه‌دهندگان انفرادی و علاقه‌مندان

پردازنده‌های گرافیکی پیشنهادی:

• انویدیا RTX 4090/3090 Ti
• RTX 4070 / 4080 (مقرون به صرفه)

چرا:

این پردازنده‌های گرافیکی مخصوص مصرف‌کنندگان، عملکرد عالی FP32/FP16، حافظه ویدیویی (VRAM) فراوان (24 گیگابایت) و پشتیبانی قوی از CUDA را با قیمتی مقرون‌به‌صرفه‌تر ارائه می‌دهند. مناسب برای:

• نمونه‌سازی اولیه مدل
• آموزش GAN و CNN
• تنظیم دقیق NLP
• آزمایش‌های هوش مصنوعی در خانه

هنگام استقرار گردش‌های کاری یادگیری ماشینی، یکی از مهم‌ترین تصمیمات زیرساختی این است که آیا از پردازنده‌های گرافیکی مبتنی بر ابر استفاده کنید یا روی یک ایستگاه کاری پردازنده گرافیکی محلی سرمایه‌گذاری کنید. هر رویکرد بسته به پیچیدگی مدل هوش مصنوعی، بودجه و اندازه تیم شما، مزایا و معایب مختلفی را ارائه می‌دهد.

ارائه دهنده:

• خدمات وب آمازون (AWS)
• پلتفرم ابری گوگل (GCP)
• مایکروسافت آژور
• لامبدا لبز، بافت مرکزی، بخش کاغذ

موارد محبوب:

• انویدیا A100 / H100 / L40S
• ای‌ام‌دی MI300X (در حال ظهور)

مزایا:

• مقیاس‌پذیری: مقیاس‌پذیری آسان برای چندین پردازنده گرافیکی (GPU) برای آموزش مدل‌های بزرگ
• انعطاف‌پذیری: پردازنده‌های گرافیکی (GPU) را بدون نیاز به پرداخت هزینه‌های سخت‌افزاری اولیه، بر اساس تقاضا اجاره کنید.
• دسترسی جهانی: تیم‌ها می‌توانند در مناطق مختلف با هم همکاری کنند.

محدودیت‌ها:

• هزینه‌های بلندمدت: مدل‌های پرداخت در ازای استفاده می‌توانند با گذشت زمان گران شوند.
• تأخیر: برای استنتاج بلادرنگ، بالاتر است
• امنیت داده‌ها: داده‌های حساس باید در سرورهای شخص ثالث بارگذاری شوند.

ایستگاه‌های کاری GPU محلی

سخت‌افزار مشترک:

انویدیا RTX 4090، RTX 6000 موجود است، 3090 Ti

ایستگاه کاری با پردازنده AMD Threadripper یا Intel Xeon ساخته می‌شود

مزایا:

• هزینه‌های یک‌بار مصرف: در استفاده طولانی مدت مقرون به صرفه تر است
• کنترل کامل: مدیریت طراحی حرارتی، ارتقاءها و حافظه.
• حفاظت از داده‌ها: مجموعه داده‌ها و مدل‌ها را در داخل شرکت نگه دارید.

محدودیت‌ها:

• سرمایه‌گذاری اولیه: هزینه‌های بالای خرید سخت‌افزار و منبع تغذیه
• مقیاس‌پذیری محدود: رسیدن به ظرفیت موازی ابر دشوارتر است.
• فرسودگی سخت‌افزار: منسوخ شدن سریع‌تر در بازار پرسرعت پردازنده‌های گرافیکی

گزینه درست را انتخاب کنید

در نهایت، انتخاب شما به اندازه مدل، دفعات استفاده، مدیریت داده‌ها و کل هزینه‌های عملیاتی بستگی دارد.

قبل از سرمایه‌گذاری روی بهترین پردازنده گرافیکی (GPU) برای یادگیری ماشین، ارزیابی این که سخت‌افزار چقدر با نیازهای مدل‌سازی، مجموعه نرم‌افزاری و اهداف مقیاس‌پذیری آینده شما همسو است، بسیار مهم است. صرفاً انتخاب قدرتمندترین پردازنده گرافیکی، کارایی یا مقرون‌به‌صرفه بودن را تضمین نمی‌کند - به‌خصوص اگر با خط لوله داده یا محیط توسعه شما مطابقت نداشته باشد.

۱. سازگاری نرم‌افزار

• CUDA در مقابل ROCm: پردازنده‌های گرافیکی انویدیا از ANDERS، cuDNN و NCCL پشتیبانی می‌کنند که به طور گسترده در TensorFlow، PyTorch و JAX استفاده می‌شوند. پردازنده‌های گرافیکی AMD، اگرچه نسبت به ROCm پیشرفت داشته‌اند، اما هنوز فاقد سازگاری کامل با تمام کتابخانه‌های یادگیری عمیق هستند.
• پشتیبانی از فریم ورک: مطمئن شوید که چارچوب‌های یادگیری ماشین شما برای پردازنده گرافیکی (GPU) انتخاب‌شده بهینه شده‌اند. برخی از ویژگی‌های نوآورانه (مانند دقت FP8 یا GPU Multi-Instance (MIG)) فقط در معماری‌های جدیدتر NVIDIA Hopper و Blackwell در دسترس هستند.

۲. حافظه ویدیویی (VRAM) و اندازه مدل

مدل‌های یادگیری عمیق بزرگ‌تر (مثلاً LLMها، Transformerها، GANها) به حافظه GPU بیشتری نیاز دارند. نگه دارید:

• مناسب برای مدل‌های پایه یادگیری ماشین، CNNهای کوچک، نمونه‌سازی اولیه
• ۲۴ تا ۴۸ گیگابایت: ایده‌آل برای آموزش شبکه‌های پیچیده با اندازه دسته‌های بزرگ
• ۸۰ گیگابایت+ (HBM3): برای آموزش در مقیاس بزرگ، هوش مصنوعی چندوجهی یا محاسبات علمی ضروری است.

۳. یکپارچه‌سازی سیستم و زیرساخت

• الزامات خنک‌کننده و منبع تغذیه: پردازنده‌های گرافیکی رده بالا مانند RTX 4090 یا H100 به منبع تغذیه قوی (تا ۶۰۰ وات) و خنک‌کننده پیشرفته نیاز دارند.
• پشتیبانی از خطوط PCIe و مادربرد: مطمئن شوید که سیستم شما می‌تواند به طور کامل از PCIe Gen4/Gen5 برای حداکثر پهنای باند استفاده کند.
• تنظیمات NVLink / چند پردازنده گرافیکی: اگر قصد دارید مقیاس‌پذیری داشته باشید، پردازنده گرافیکی (GPU) را انتخاب کنید که از اتصالات داخلی و دسترسی به حافظه مشترک پشتیبانی کند.

۴. دوام و مسیر ارتقا

چرخه عمر و برنامه پشتیبانی GPU را در نظر بگیرید. سرمایه‌گذاری در معماری‌های فعلی مانند Ada Lovelace، Funnel یا CDNA 3 با توجه به افزایش حجم کار یادگیری ماشین، اهمیت بلندمدت‌تری دارند.

انتخاب پردازنده گرافیکی مناسب نیازمند رابطه‌ای متعادل بین عملکرد، سازگاری و آمادگی زیرساخت است - نه فقط داده‌های خام.

چشم‌انداز GPU برای یادگیری ماشینی به سرعت در حال تکامل است و این امر ناشی از افزایش تقاضا از مدل‌های زبان بزرگ (LLM)، هوش مصنوعی لبه‌ای و پلتفرم‌های هوش مصنوعی به عنوان سرویس است. با افزایش پیچیدگی و مقیاس برنامه‌های کاربردی هوش مصنوعی، تولیدکنندگان سخت‌افزار در حال جابه‌جایی مرزها در معماری GPU، طراحی حافظه و فناوری‌های شتاب‌دهی هوش مصنوعی هستند.

۱. معماری بلک‌ول انویدیا (B100/B200)

پس از موفقیت Funnel (H100/H200)، پردازنده‌های گرافیکی Blackwell انویدیا آماده‌اند تا عملکرد یادگیری عمیق را از نو تعریف کنند. پیشرفت‌های کلیدی عبارتند از:

• بهبود توان عملیاتی هسته تنسور FP8/FP4
• دو برابر کردن پهنای باند ذخیره‌سازی از طریق هاپر
• پشتیبانی بهتر از NVLink 5.0 برای ارتباط چند پردازنده گرافیکی
• بهره‌وری انرژی با هوش مصنوعی

این پردازنده‌های گرافیکی برای تنظیم دقیق LLM، آموزش هوش مصنوعی چند گره‌ای و محاسبات اگزا-اسکیل طراحی شده‌اند.

۲. توسعه‌ی AMD: CDNA 3 و فراتر از آن

پردازنده‌ی MI300X شرکت AMD که بر اساس معماری CDNA 3 ساخته شده، جهشی قابل توجه به جلو محسوب می‌شود و موارد زیر را ارائه می‌دهد:

• حافظه ۱۲۸ گیگابایتی HBM3
• پهنای باند ذخیره‌سازی ۵.۲ ترابایت بر ثانیه
• پشتیبانی بومی از ROCm و چارچوب‌های متن‌باز یادگیری ماشین

با افزایش پذیرش در میان ابرمقیاس‌پذیرها و مؤسسات علمی، AMD خود را به عنوان یک رقیب واقعی در محاسبات هوش مصنوعی تثبیت می‌کند.

۳. ظهور شتاب‌دهنده‌های هوش مصنوعی سفارشی

فراتر از پردازنده‌های گرافیکی سنتی، شرکت‌ها در حال سرمایه‌گذاری در شتاب‌دهنده‌های مختص حوزه هوش مصنوعی هستند:

• گوگل تی‌پی‌یو نسخه ۵/۶
• تراشه‌های AWS Trainium و Inferentia
• موتور در مقیاس ویفر Cerebras
• واحدهای پردازش عصبی Groq و Tensorrent

اینها برای بارهای کاری خاص، مانند استنتاج ترانسفورماتور، پردازش ویدیو و شبکه‌های عصبی گراف، بهینه شده‌اند و توان عملیاتی بالایی را با مصرف برق کمتر ارائه می‌دهند.

۴. هوش مصنوعی در حاشیه

انتظار می‌رود رشد در پردازنده‌های گرافیکی کم‌مصرف طراحی‌شده برای استنتاج لبه در رباتیک، اینترنت اشیا و سیستم‌های پردازش تصویر بلادرنگ وجود داشته باشد. جتسون موزیک، اینتل هاوانا و انویدیا IGX نمونه‌های پیشرو هستند.

انتخاب پردازنده گرافیکی (GPU) مناسب برای یادگیری ماشین به عوامل مختلفی بستگی دارد - پیچیدگی مدل، بودجه، مدت زمان گردش کار و اینکه آیا از محیط‌های ابری یا داخلی استفاده می‌کنید. این مرجع سریع برای کمک به شما در ساده‌سازی فرآیند تصمیم‌گیری بر اساس مورد استفاده خاص شما طراحی شده است.

مرحله ۱: حجم کار خود را تعریف کنید

مرحله ۲: برآورد نیازهای ذخیره‌سازی

مناسب برای آموزش مقدماتی یا نتیجه‌گیری

• ۱۶ تا ۲۴ گیگابایت: وظایف استاندارد CNNها، GANها و تنظیم دقیق را مدیریت می‌کند.
• ۴۸ گیگابایت+ / HBM3: مورد نیاز برای هوش مصنوعی چندوجهی، آموزش گروه‌های بزرگ یا ویدئوهای با وضوح بالا

مرحله ۳: تطبیق زیرساخت‌ها

• کاربران ابری: نمونه‌های H100، L40S یا MI300X را از طریق AWS، GCP یا Azure انتخاب کنید.
• سازندگان ایستگاه کاری محلی: RTX 4090، 6000 یا A100 PCIe را انتخاب کنید.
• کاربران ترکیبی: از پردازنده گرافیکی محلی برای توسعه و مقیاس‌پذیری ابری برای آموزش استفاده کنید.

مرحله ۴: بودجه و عملکرد را در نظر بگیرید

با هماهنگ کردن مشخصات سخت‌افزاری، پشتیبانی نرم‌افزاری و مقرون‌به‌صرفه بودن، این راهنمای تصمیم‌گیری به شما کمک می‌کند تا بهترین پردازنده گرافیکی (GPU) را برای یادگیری عمیق پیدا کنید که متناسب با نیازهای فنی و عملیاتی شما باشد - چه در حال استقرار یک کامپیوتر صنعتی با پردازنده گرافیکی باشید، چه در حال استقرار یک کامپیوتر هوش مصنوعی، چه در حال بهینه‌سازی یک کامپیوتر لبه صنعتی، چه در حال پیکربندی یک ... کامپیوتر صنعتی تعبیه شده یا نصب یک کامپیوتر صنعتی رکمونت.