Výběr úložiště pro podporu iniciativ AI/ML

Od Candidy Valois, Field CTO, Americas, Scality

Adopce ML a AI pokračuje rychlým tempem, což není překvapivé, vzhledem k obchodním poznatkům a transformaci průmyslu, které tyto technologie slibují. PwC předpovídá, že do roku 2030 by AI mohlo přispět téměř 16 bilionům dolarů k globální ekonomice. To představuje 26% nárůst HDP pro lokální ekonomiky.

Tyto technologie vyžadují огромné množství nestrukturovaných dat, aby fungovaly, a tato data často přicházejí ve formě videí, obrázků, textu a hlasu. Tyto typy úloh vyžadují nový přístup k úložišti dat; staré metody již nejsou dostatečné. S příchodem těchto úloh potřebují aplikace rychlejší přístup k obrovským množství dat – dat, která jsou vytvářena všude: v cloudu, na okrajích a na místních zařízeních. Tyto intenzivní úlohy vyžadují nízkou latenci, schopnost podporovat různé typy a velikosti dat a schopnost škálovat lineárně.

Co je potřeba, je nový přístup k dodávce dat, který je aplikací-centrický spíše než lokalita- nebo technologie-centrický. S velkým přijetím AI/ML a analytiky potřebují lídři podnikové IT významnou změnu ve způsobu, jakým myslí o správě a úložišti dat.

Zpracování všech velikostí souborů

Z hlediska úloh AI/ML a úložiště dat potřebují organizace řešení, které může zpracovat různé typy úloh, malé i velké soubory. V některých případech můžete potřebovat pracovat pouze s několika desítkami terabajtů, zatímco v jiných případech jsou to mnoho petabajtů. Ne všechna řešení jsou určena pro obrovské soubory, stejně jako ne všechna mohou zpracovat velmi malé soubory. Trikem je najít řešení, které může zpracovat obě varianty flexibilním způsobem.

Škálovatelnost je esenciální

Abyste zajistili přesnost a rychlost, potřebují organizace obrovské datové sady, protože to je to, co algoritmy AI/ML potřebují k tomu, aby správně trénovaly základní modely. Organizace chtějí růst z hlediska kapacity a výkonu, ale často jsou omezovány tradičními řešeními úložiště. Když se pokusí škálovat lineárně, nejsou schopni to udělat. Úlohy AI/ML vyžadují řešení úložiště, které může škálovat neomezeně, jak data rostou.

Plnění požadavků na výkon

Škálování kapacity je důležité, ale nestačí. Organizace také potřebují schopnost škálovat lineárně z hlediska výkonu. Bohužel, u mnoha tradičních řešení úložiště, škálování kapacity vede ke snížení výkonu. Takže, když organizace potřebují škálovat lineárně z hlediska kapacity, výkon tends to klesat.

Úložiště, které může podporovat projekty AI/ML

Organizace musí přijmout nový způsob pohledu na úložiště, protože AI a ML rostou na popularitě. Tento nový přístup musí umožnit jim založit, spustit a škálovat své iniciativy AI/ML správným způsobem. Školení AI je jasnou potřebou, takže některé z podnikových řešení úložiště objektů dostupných dnes jsou navrženy tak, aby splnily tuto potřebu. Organizace mohou začít své iniciativy na malé škále, začínající s jedním serverem, a poté škálovat, jak je potřeba, pro kapacitu i výkon. Tyto projekty také kriticky potřebují výkon pro své analytické aplikace, a rychlé úložiště objektů jim to dodává. Kromě toho úložiště objektů poskytuje kompletní správu životního cyklu dat napříč několika cloudu a umožňuje flexibilitu od okraje k jádru.

Organizace potřebují zpracovat data efektivně, a úložiště objektů to dělá tím, že umožňuje aplikacím snadno přístup k datům na místních zařízeních, i v případě, že jsou data uložena v několika cloudech. Jeho nízká latence, škálovatelnost a flexibilita činí úložiště objektů silným spojencem pro iniciativy AI/ML.