Επιλέγοντας Αποθήκευση για την Υποστήριξη Πρωτοβουλιών AI/ML

Từ Candida Valois, Field CTO, Americas, Scality

Η υιοθέτηση του ML και του AI συνεχίζει να αυξάνεται γρήγορα, το οποίο δεν είναι έκπληξη, δεδομένων των επιχειρηματικών επιblick και της μετασχηματιστικής βιομηχανίας που προβλέπουν οι πολλές περιπτώσεις χρήσης. Η PwC προβλέπει ότι μέχρι το 2030, το AI θα μπορούσε να συμβάλλει σχεδόν 16 τρισεκατομμύρια δολάρια στην παγκόσμια οικονομία. Αυτό αντιστοιχεί σε αύξηση 26% του ΑΕΠ για τις τοπικές οικονομίες.

Αυτές οι τεχνολογίες απαιτούν τεράστιες ποσότητες μη δομημένων δεδομένων για να λειτουργήσουν, και αυτά τα δεδομένα συχνά έρχονται στη μορφή βίντεο, εικόνων, κειμένου και φωνής. Οι εργασίες αυτού του είδους απαιτούν μια νέα προσέγγιση στην αποθήκευση δεδομένων· οι παλιές μεθόδους δεν επαρκούν. Με την έλευση τέτοιων εργασιών, οι εφαρμογές χρειάζονται γρηγορότερη πρόσβαση σε τεράστιες ποσότητες δεδομένων – δεδομένα που δημιουργούνται παντού: στο cloud, στα άκρα και σε εσωτερικές εγκαταστάσεις. Αυτές οι εντατικές εργασίες απαιτούν χαμηλή καθυστέρηση, την ικανότητα να υποστηρίζουν διαφορετικά είδη και μεγέθη φορτίων, και την ικανότητα να κλιμακώνονται γραμμικά.

Τι χρειάζεται είναι μια νέα προσέγγιση στην παράδοση δεδομένων, μια που είναι κεντρισμένη στις εφαρμογές και όχι στις τοποθεσίες ή τις τεχνολογίες. Με την ευρεία υιοθέτηση του AI/ML και της ανάλυσης, οι ηγέτες των επιχειρηματικών IT χρειάζονται μια σημαντική αλλαγή στον τρόπο που σκέφτονται τη διαχείριση και την αποθήκευση δεδομένων.

Χειρισμός όλων των μεγεθών αρχείων

Όσον αφορά τις εργασίες AI/ML και την αποθήκευση δεδομένων, οι οργανώσεις χρειάζονται μια λύση που μπορεί να χειριστεί διαφορετικά είδη εργασιών, τόσο μικρά όσο και μεγάλα αρχεία. Σε ορισμένες περιπτώσεις, μπορεί να χρειαστεί να αντιμετωπίσουν μόνο quelques δεκάδες terabytes, ενώ σε άλλες, υπάρχουν πολλά petabytes. Δεν όλες οι λύσεις προορίζονται για τεράστια αρχεία, όπως και δεν μπορούν να χειριστούν πολύ μικρά. Το κόλπο είναι να βρεθεί μια που μπορεί να χειριστεί και τα δύο με einen ευέλικτο τρόπο.

Η κλιμάκωση είναι απαραίτητη

Για να διασφαλιστεί η ακρίβεια και η ταχύτητα, οι οργανώσεις χρειάζονται τεράστιες συνόλους δεδομένων, επειδή αυτό είναι ό,τι χρειάζονται τα αλγόριθμοι AI/ML για να εκπαιδεύσουν σωστά τα υποκείμενα μοντέλα. Οι οργανώσεις θέλουν να αυξήσουν την ικανότητά τους όσον αφορά την χωρητικότητα και την απόδοση, αλλά συχνά εμποδίζονται από τις παραδοσιακές λύσεις αποθήκευσης. Όταν προσπαθούν να κλιμακωθούν γραμμικά, δεν μπορούν. Οι εργασίες AI/ML απαιτούν μια λύση αποθήκευσης που μπορεί να κλιμακωθεί απεριόριστα καθώς τα δεδομένα αυξάνονται.

Ικανοποίηση των απαιτήσεων απόδοσης

Η κλιμάκωση της χωρητικότητας είναι σημαντική, αλλά δεν επαρκεί. Οι οργανώσεις χρειάζονται επίσης την ικανότητα να κλιμακωθούν γραμμικά όσον αφορά την απόδοση. Δυστυχώς, με πολλές παραδοσιακές λύσεις αποθήκευσης, η κλιμάκωση της χωρητικότητας γίνεται με το κόστος της απόδοσης. Έτσι, όταν μια οργάνωση χρειάζεται να κλιμακωθεί γραμμικά όσον αφορά την χωρητικότητα, η απόδοση έχει την τάση να πιεζεται ή να μειώνεται.

Αποθήκευση που μπορεί να υποστηρίξει πρωτοβουλίες AI/ML

Οι οργανώσεις πρέπει να υιοθετήσουν einen νέο τρόπο να κοιτάζουν την αποθήκευση καθώς το AI και το ML αυξάνουν σε δημοτικότητα. Αυτή η νέα προσέγγιση πρέπει να τους δώσει τη δυνατότητα να ιδρύσουν, να εκτελέσουν και να κλιμακώσουν τις πρωτοβουλίες AI/ML τους με τον σωστό τρόπο. Η εκπαίδευση του AI είναι μια σαφής ανάγκη, οπότε κάποιο από το επιχειρηματικό λογισμικό αποθήκευσης αντικειμένων που είναι διαθέσιμο σήμερα είναι κατασκευασμένο για να ικανοποιήσει αυτή την ανάγκη. Οι οργανώσεις μπορούν να ξεκινήσουν τις πρωτοβουλίες τους σε μικρή κλίμακα, ξεκινώντας από einen διακομιστή, και να κλιμακωθούν έξω όπως χρειάζεται για cả χωρητικότητα και απόδοση. Αυτές οι πρωτοβουλίες χρειάζονται επίσης απόδοση για τις εφαρμογές ανάλυσης, και η γρήγορη αποθήκευση αντικειμένων την παρέχει. Επιπλέον, η αποθήκευση αντικειμένων παρέχει πλήρη διαχείριση του κύκλου ζωής των δεδομένων σε πολλαπλά clouds και επιτρέπει ευελιξία από το άκρο στο κέντρο.

Οι οργανώσεις χρειάζονται να επεξεργαστούν δεδομένα αποτελεσματικά, και η αποθήκευση αντικειμένων το κάνει αυτό επιτρέποντας στις εφαρμογές να έχουν εύκολη πρόσβαση στα δεδομένα σε εσωτερικές εγκαταστάσεις, ακόμη και σε πολλαπλά clouds. Η χαμηλή καθυστέρηση, η κλιμάκωση και η ευελιξία της αποθήκευσης αντικειμένων την κάνουν einen ισχυρό σύμμαχο για τις πρωτοβουλίες AI/ML.