Mahdollistamalla todellisen maailman AI-käyttöönotot suurissa mittakaavoissa

Toimittaja Brad King, kenttä CTO, Scality

AI/ML- ja big data -työkalut ovat yhdistyneet yhtenä lankana – ne tarvitsevat dataa, ja niiden tarvitsee olla paljon. Perinteinen viisaus sanoo, että mitä enemmän, sitä parempi. Analyytikot ennustavat, että maailmanlaajuinen data luominen kasvaa yli 180 zettabytes vuoteen 2025 mennessä – ja vuonna 2020 luodun ja kopioituneen datan määrä oli uusi ennätys, 64,2 zettabytes.

Tämä data on erittäin arvokasta – usein korvaamaton ja joskus edustaa kertaluontoisia tai kerran elämässä tapahtuvia tapahtumia. Tämän datan on säilyttävä turvallisesti ja luotettavasti; ja vaikka arvioidaan, että vain pieni osa tästä uudelleen luodusta dataa säilytetään, tallennuskapasiteetin kysyntä jatkuu kasvamistaan. Tosiasiallisesti, asennetun tallennuskapasiteetin käyttö on ennustettu kasvavan 19,2 prosentin vuotuisella kasvuvauhdilla vuosina 2020-2025, tutkijoiden mukaan Statista.

Kun enemmän dataa luodaan – erityisesti näiden AI/ML-työkuormien kautta – organisaatioiden on tarve enemmän tallennustilaa, mutta ei kaikki tallennusratkaisut pysty käsittelemään näitä intensiivisiä ja massiivisia työkuormia. Mitä tarvitaan, on uusi lähestymistapa tallennukseen. Katsotaan, miten organisaatiot voittavat nämä haasteet kolmen esimerkin kautta.

Matkailuala

Vaikka monet meistä ovat vasta tottumassa matkustamaan jälleen yli vuoden sulkemisen jälkeen, matkailuala on palaamassa ennalleen merkittävällä tavalla. Ja tämä tekee datan – erityisesti sen soveltamisen – entistä tärkeämmäksi.

Kuvittele, mitä voit tehdä tietäen, minne maailman lentomatkustajien enemmistö matkustaa seuraavaksi tai minne he matkustavat huomenna. Esimerkiksi matkatoimistolle se olisi valtava etu.

Mutta nämä matkailuorganisaatiot käsittelevät niin paljon dataa, että sen läpikäyminen on ylivoimainen tehtävä. Jokainen päivä luodaan noin yksi petatavu dataa, ja osa dataa on kopioitu sivuilla kuten Kayak. Tämä data on aikakriittistä, ja matkailuyritysten on löydettävä nopeasti, mikä data on merkityksellistä. He tarvitsevat työkalun, jolla he voivat hallita tätä mittakaavaa tehokkaammin.

Autoteollisuus

Toinen esimerkki tulee autoteollisuudesta, joka on yksi eniten keskusteltu esimerkki. Teollisuus on työskennellyt pitkään avustustyökalujen parissa, kuten kaistavahtien, törmäyksenestojen ja niin edelleen. Kaikki nämä anturit tuottavat suuria määriä dataa. Ja tietysti he kehittävät, testaavat ja vahvistavat itseajavien algoritmien kehitystä.

Mitä teollisuudelle tarvitaan, on parempi tapa ymmärtää tätä tallennettua dataa, jotta he voivat käyttää sitä analysoimaan tapahtumia, joissa jotain meni pieleen, kuraattorina sensorien tuloksia testitapauksena, testaamaan algoritmeja sensoridatan kanssa ja niin edelleen. He tarvitsevat laadunvalvontaa, jotta he voivat välttää takaiskuja, ja he tarvitsevat asiakirjoja, jotka epäonnistuvat.

Digitaalipatologia

Toinen mielenkiintoinen esimerkki AI/ML:stä, joka myös kamppailee datavirran ja datan hyödyntämisen tarpeen kanssa, on digitaalipatologia. Kuten edelliset esimerkit, he tarvitsevat kykyä käyttää tätä dataa paremmin, jotta he voivat tehdä asioita kuten automaattisesti havaita patologioita kudoksienäytteissä, tehdä etädiagnooseja ja niin edelleen.

Mutta nykyinen tallennus rajoittaa käyttöä. Kuvat, joilla on hyödyllinen resoluutio, ovat liian suuria tallentaa taloudellisesti. Nopea objektitallennus kuitenkin mahdollistaa uudet kyvyt – kuten kuvapankit, joita voidaan käyttää avainkoulutusresursseina ja avaruuskaavojen käyttöä nimeämiseen ja hakemiseen moniresoluutioisia kuvia objektitallennuksessa. Se myös mahdollistaa laajennettavan ja joustavan metatietojen merkitsemisen, mikä tekee siitä helpomman etsiä ja ymmärtää tätä tietoa.

AI-työkuormat vaativat uuden lähestymistavan

Kuten edellisissä esimerkeissä on näkynyt, on kriittistä pystyä keräämään ja orkestraamaan valtavia määriä dataa, jotka liittyvät AI/ML-työkuormiin. Datat ovat usein monipetatavuisten mittakaavassa, ja niiden suoritusvaatimukset voivat täyttää koko infrastruktuurin. Kun käsitellään näin suurten mittakaavojen koulutus- ja testidatamääriä, tallennuksen pullonkaulat (viive- ja/tai läpäisymongelmat) ja kapasiteettirajoitukset ovat avainmenestystekijöitä.

AI/ML/DL-työkuormat vaativat tallennusarkkitehtuuri, joka pystyy pitämään datan virtaamassa putkessa, sekä erinomaisella raakasuorituskyvylle että kapasiteetin skaalautumiskyvylle. Tallennusinfrastruktuurin on seurattava kasvavia vaatimuksia kaikissa AI/ML/DL-pipeline-vaiheissa. Ratkaisu on tallennusinfrastruktuuri, joka on erityisesti suunniteltu nopeudelle ja rajattomalle skaalautumiskyvylle.

Arvon etsintä

Ei ole viikkoa, jolloin ei olisi tarinoita AI:n ja ML:n potentiaalista muuttaa liiketoimintaprosesseja ja arkipäivän elämää. On paljon esimerkkejä, jotka osoittavat näiden teknologioiden hyödyt. AI:n todellisuus yrityksissä on kuitenkin ylivoimaisesti suuria datamääriä ja tallennusratkaisuja, jotka eivät pysty hallitsemaan näitä massiivisia työkuormia. Autoteollisuuden, terveydenhuollon ja monien muiden alojen innovaatiot eivät voi edetä, kunnes tallennusongelma on ratkaistu. Nopea objektitallennus voittaa haasteen suurten datamäärien säilyttämisessä, jotta organisaatiot voivat etsiä arvoa tästä datasta ja edetä liiketoiminnassaan eteenpäin.