Valitseminen tallennustilaa, joka tukee AI/ML-aloitteita

Toimittaja Candida Valois, Field CTO, Americas, Scality

ML- ja AI-teknologioiden käyttöönotto jatkuu nopeana, mikä ei ole yllättävää, kun otetaan huomioon liiketoimintanäkymät ja alan muutos, jonka nämä useat sovellukset mahdollistavat. PwC ennustaa, että vuoteen 2030 mennessä AI voi tuottaa lähes 16 biljoonaa dollaria maailman taloudelle. Tämä vastaa 26 prosentin kasvua paikallistalouksissa.

Nämä teknologiat vaativat valtavat määrät rakenteettomia tietoja toiminnan kannalta, ja nämä tiedot ovat usein videoita, kuvia, tekstiä ja ääntä. Näiden työnkuormien vaatimukset ovat uudenlaisia, ja vanhat tavat eivät riitä. Näiden työnkuormien myötä sovellukset tarvitsevat nopeampaa pääsyä valtaviin määriin tietoa – tietoa, jota luodaan joka paikassa: pilvessä, reunoilla ja paikallisesti. Nämä intensiiviset työnkuormat vaativat matalaa viivettä, kykyä tukea erilaisia tyyppejä ja kokoja, sekä kykyä skaalautua lineaarisesti.

Mitä tarvitaan, on uudenlainen lähestymistapa tiedon toimittamiseen, joka on sovelluskeskeinen eikä sijainti- tai teknologiakeskeinen. AI/ML- ja analytiikka-alan laajan käyttöönoton myötä yritysten IT-johtajien on muutettava tapaa, jolla he ajattelevat tietohallintaa ja tallennustilaa.

Tiedostokokojen käsittely

AI/ML-työnkuormien ja tietovarastoinnin suhteen organisaatioiden on löydettävä ratkaisu, joka pystyy käsittelemään erilaisia työnkuormia, sekä pieniä että suuria tiedostoja. Jossain tapauksissa sinun on mahdollisesti käsiteltävä vain muutamia kymmeniä teratavuja, kun taas toisissa tapauksissa on useita petatavuja. Kaikki ratkaisut eivät ole tarkoitettu valtaville tiedostoille, samoin kuin kaikki eivät pysty käsittelemään erittäin pieniä tiedostoja. Temppu on löytää ratkaisu, joka pystyy käsittelemään molempia joustavasti.

Skaalautuvuus on olennainen

Tarkkuuden ja nopeuden varmistamiseksi organisaatioiden on tarvittaessa valtavat tietomäärät, sillä se on sitä, mitä AI/ML-algoritmeja tarvitaan kouluttamaan perustuvia malleja. Organisaatiot haluavat kasvaa kapasiteetin ja suorituskyvyn suhteen, mutta usein joudutaan perinteisten tallennusratkaisujen rajoituksiin. Kun yritetään skaalata lineaarisesti, se ei onnistu. AI/ML-työnkuormat vaativat tallennusratkaisun, joka pystyy skaalautumaan äärettömästi, kunnes data kasvaa.

Muutamien satojen teratavujen koko on enimmillään standardien tiedosto- ja lohkoratkaisujen koko; sen jälkeen ne eivät pysty skaalautumaan. Objektivarastointi pystyy skaalautumaan rajattomasti, joustavasti ja vaivattomasti tarpeen mukaan. Mitä on tärkeää objektivarastoinnissa verrattuna perinteiseen tallennukseen, on se, että se on täysin tasainen tila, jossa ei ole rajoituksia. Käyttäjät eivät kohtaa samoja rajoituksia, joita he löytävät perinteisestä tallennuksesta.

Suorituskyvyn vaatimusten täyttäminen

Kapasiteetin skaalautuvuus on tärkeää, mutta se ei riitä. Organisaatioiden on myös tarvittaessa kyky skaalata lineaarisesti suorituskyvyn suhteen. Valitettavasti monissa perinteisissä tallennusratkaisuissa kapasiteetin skaalautuminen tulee suorituskyvyn kustannuksella. Kun organisaatio tarvitsee skaalata lineaarisesti kapasiteetin suhteen, suorituskyky taipuu tai laskee.

Standarditallennusparadigma koostuu tiedostoista, jotka on järjestetty hierarkkiseen muotoon, jossa on hakemistot ja alihakemistot. Tämä arkkitehtuuri toimii hyvin, kun tietokapasiteetti on pieni, mutta kun kapasiteetti kasvaa, suorituskyky kärsii tiettyyn pisteeseen asti järjestelmän pullonkaulojen ja rajoitusten vuoksi tiedostohakutauluissa. Objektivarastointi tarjoaa kuitenkin rajattoman tasaisen nimeämistilan, jolloin voit skaalata suorituskykyä lisäämällä solmuja, ja voit skaalata petatavuihin ja siitä eteenpäin. Tämän vuoksi voit skaalata suorituskykyä samaan aikaan kuin kapasiteettia.

Tallennustila, joka tukee AI/ML-projekteja

Organisaatioiden on omaksuttava uusi tapa ajatella tallennustilaa, kun AI ja ML kasvavat suosiotaan. Tämä uusi lähestymistapa on voitava antaa heille mahdollisuus perustaa, ajaa ja skaalata AI/ML-aloitteita oikein. AI/ML-koulutus on selkeä tarve, joten jotkut nykyiset yritysluokan objektivarastointiohjelmistot on suunniteltu täyttämään tämä tarve. Organisaatiot voivat aloittaa aloitteensa pienellä skaalalla, aloittaen yhdestä palvelimesta, ja skaalata ulos tarpeen mukaan sekä kapasiteetin että suorituskyvyn suhteen. Nämä projektit tarvitsevat myös suorituskykyä analytiikkasovelluksilleen, ja nopea objektivarastointi tarjoaa sen. Lisäksi objektivarastointi tarjoaa täydellisen tietojen elinkaaren hallinnan useiden pilvien yli ja mahdollistaa joustavuuden reunalta ydinalueelle.

Yritysten on käsiteltävä tietoja tehokkaasti, ja objektivarastointi tekee tämän mahdolliseksi antamalla sovelluksille helpon pääsyn tietoihin paikallisesti, jopa useissa pilvissä. Sen matala viive, skaalautuvuus ja joustavuus tekevät objektivarastoinnista vahvan liittolaisen AI/ML-aloitteille.