Auswahl des Speicherplatzes zur Unterstützung von AI/ML-Initiativen

Von Candida Valois, Field CTO, Americas, Scality

Die Übernahme von ML und AI schreitet schnell voran, was nicht überraschend ist, wenn man die Geschäftserkenntnisse und die Branchentransformation berücksichtigt, die ihre vielen Anwendungsfälle verheißen. PwC prognostiziert, dass AI bis 2030 fast 16 Billionen Dollar zur globalen Wirtschaft beitragen könnte. Das entspricht einer Steigerung des BIP um 26% für lokale Volkswirtschaften.

Diese Technologien erfordern enorme Mengen an unstrukturierten Daten, um zu funktionieren, und diese Daten kommen oft in Form von Videos, Bildern, Texten und Sprache vor. Workloads dieser Art erfordern einen neuen Ansatz für die Datenspeicherung; die alten Methoden reichen nicht aus. Mit dem Aufkommen solcher Workloads benötigen Anwendungen einen schnelleren Zugriff auf enorme Mengen an Daten – Daten, die überall erstellt werden: in der Cloud, an den Rändern und vor Ort. Diese intensiven Workloads erfordern eine geringe Latenz, die Fähigkeit, unterschiedliche Arten und Größen von Payloads zu unterstützen, und die Fähigkeit, linear zu skalieren.

Was benötigt wird, ist ein neuer Ansatz für die Datenbereitstellung, der anwendungsorientiert und nicht orts- oder technologieorientiert ist. Mit der groß angelegten Übernahme von AI/ML und Analytics benötigen Unternehmens-IT-Führungskräfte eine erhebliche Veränderung in der Art und Weise, wie sie über Datenspeicherung und -verwaltung nachdenken.

Umgang mit allen Dateigrößen

In Bezug auf AI/ML-Workloads und Datenspeicherung benötigen Organisationen eine Lösung, die unterschiedliche Arten von Workloads verarbeiten kann, sowohl kleine als auch große Dateien. In einigen Fällen müssen Sie möglicherweise nur mit einigen zehn Terabyte umgehen, während in anderen Fällen viele Petabyte vorliegen. Nicht alle Lösungen sind für große Dateien gedacht, genauso wie nicht alle kleine Dateien verarbeiten können. Der Trick besteht darin, eine Lösung zu finden, die beide flexibel verarbeiten kann.

Skalierbarkeit ist unerlässlich

Um Genauigkeit und Geschwindigkeit zu gewährleisten, benötigen Organisationen enorme Datensätze, da dies das ist, was AI/ML-Algorithmen benötigen, um die zugrunde liegenden Modelle ordnungsgemäß zu trainieren. Organisationen möchten in Bezug auf Kapazität und Leistung wachsen, werden jedoch oft durch herkömmliche Speicherlösungen behindert. Wenn sie versuchen, linear zu skalieren, können sie es nicht. AI/ML-Workloads erfordern eine Speicherlösung, die sich unbegrenzt skalieren lässt, wenn die Daten wachsen.

Einige hundert Terabyte erreichen das Limit herkömmlicher Datei- und Blockspeicherlösungen; danach können sie nicht mehr skaliert werden. Objektspeicher kann unbegrenzt, elastisch und nahtlos skaliert werden, basierend auf der Nachfrage. Und was wichtig ist, Objektspeicher im Vergleich zu herkömmlichem Speicher ist, dass es ein völlig flaches Speichermedium ist, in dem es keine Einschränkungen gibt. Benutzer stoßen nicht auf die Einschränkungen, die sie bei herkömmlichem Speicher finden würden.

Erfüllung der Leistungsanforderungen

Die Skalierung der Kapazität ist wichtig, aber nicht ausreichend. Organisationen benötigen auch die Fähigkeit, linear in Bezug auf Leistung zu skalieren. Leider führt die Skalierung der Kapazität bei vielen herkömmlichen Speicherlösungen zu einer Verschlechterung der Leistung. Wenn also eine Organisation linear in Bezug auf Kapazität skalieren muss, neigt die Leistung dazu, zu stagnieren oder abzunehmen.

Das herkömmliche Speicherparadigma besteht aus Dateien, die in einer Hierarchie organisiert sind, mit Verzeichnissen und Unterordnern. Diese Architektur funktioniert sehr gut, wenn die Datenspeicherung klein ist, aber wenn die Kapazität wächst, leidet die Leistung an einem bestimmten Punkt aufgrund von Systemengpässen und Einschränkungen bei der Dateisuche. Objektspeicher hingegen bietet einen unbegrenzten flachen Namensraum, so dass durch das Hinzufügen zusätzlicher Knoten eine Skalierung auf Petabyte und darüber hinaus möglich ist. Aus diesem Grund können Sie sowohl für Kapazität als auch für Leistung skalieren.

Speicher, der AI/ML-Projekte unterstützen kann

Organisationen müssen einen neuen Ansatz für die Speicherung entwickeln, da AI und ML an Popularität gewinnen. Dieser neue Ansatz muss es ihnen ermöglichen, ihre AI/ML-Initiativen ordnungsgemäß zu etablieren, auszuführen und zu skalieren. Die Schulung von AI/ML ist ein klares Erfordernis, daher ist einige der heute verfügbaren unternehmensweiten Objektspeicher-Software darauf ausgelegt, dieses Erfordernis zu erfüllen. Unternehmen können ihre Initiativen auf kleinen Skala beginnen, mit einem Server, und dann wie erforderlich für Kapazität und Leistung skalieren. Diese Projekte benötigen auch eine Leistung für ihre Analyseanwendungen, und schneller Objektspeicher liefert sie. Darüber hinaus bietet Objektspeicher eine vollständige Datenlebenszyklusverwaltung über mehrere Clouds hinweg und ermöglicht Flexibilität von der Kante bis zum Kern.

Unternehmen müssen Daten effizient verarbeiten, und Objektspeicher ermöglicht dies, indem er Anwendungen den einfachen Zugriff auf Daten vor Ort ermöglicht, sogar in mehreren Clouds. Seine geringe Latenz, Skalierbarkeit und Flexibilität machen Objektspeicher zu einem starken Verbündeten für AI/ML-Initiativen.