Mahdollistamalla todellisen maailman tekoälykäyttöönotot laajassa mittakaavassa

Brad King, kenttä CTO, Scality

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

Tämä data on erittäin arvokasta – usein korvaamaton ja joskus edustaa kertaluontoisia tai kerran elämässä tapahtuvia tapahtumia. Tämän datan on tallennettava turvallisesti ja luotettavasti; ja vaikka arvioidaan, että vain pieni osa tästä uudelleen luodusta datasta säilytetään, tallennuskapasiteetin kysyntä jatkuu kasvamassa. Tosiasiallisesti, asennetun tallennuskapasiteetin odotetaan kasvavan 19,2 prosentin vuosittaisella kasvuvauhtia vuosina 2020-2025, Statistan tutkijoiden mukaan.

Kun enemmän dataa luodaan – erityisesti näillä tekoäly/ML-työkuormilla – 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 käyttötapauksen kautta.

Matkailuala

Koska useimmat meistä ovat vasta tottuneet matkustamaan jälleen yli vuoden sulkemisen jälkeen, matkailuala on palaamassa ennalleen merkittävällä tavalla. Ja tämä tekee datan – erityisesti sovellettavan ja merkityksellisen datan – entistä tärkeämmäksi.

Kuvittele, mitä voit tehdä tietäen, mihin maailman lentomatkustajien enemmistö matkustaa seuraavaksi tai minne he mennevät huomenna. Matkatoimistolle esimerkiksi se olisi valtava.

Mutta nämä matkailuorganisaatiot käsittelevät niin paljon dataa, että sen läpikäyminen ja mielekkään datan etsintä on ylivoimainen tehtävä. Jokainen päivä luodaan noin petabyte dataa, ja osa datasta 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 varmasti yksi eniten käytettyjä käyttötapauksia. Teollisuus on työskennellyt pitkään avustustyökalujen parissa, kuten kaistavahtien, kolarien esto ja niin edelleen. Kaikki nämä anturit tuottavat suuria määriä dataa. Ja, tietysti, he kehittävät, testaavat ja vahvistavat itseajon algoritmeja.

Mitä teollisuudelle tarvitaan, on parempi tapa antaa merkitystä tallennetulle datasta, jotta he voivat käyttää sitä tapausten analysointiin, joissa jotain meni pieleen, anturien tulosten kuratointiin testitapauksena, algoritmien testaamiseen anturidatan kanssa ja niin edelleen. He tarvitsevat laadunvarmistustestauksen regressioiden välttämiseksi, ja he tarvitsevat dokumentoida epäonnistuneet tapaukset.

Digitaalipatologia

Toinen mielenkiintoinen käyttötapaus tekoäly/ML:lle, joka myös kamppailee datavirtaan ja tarpeen paremman datan käytön kanssa, on digitaalipatologia. Kuten edelliset esimerkit, he tarvitsevat kykyä käyttää tätä dataa paremmin, jotta he voivat tehdä asioita kuten automaattisen patologian havaitsemisen kudoksienäytteissä, etädiagnostiikkaa ja niin edelleen.

Mutta tallennus rajoittaa nykyisin käyttöä. Kuvat, joilla on hyvä resoluutio, ovat liian suuria tallennettaviksi taloudellisesti. Nopea objektitallennus kuitenkin mahdollistaa uudet kyvyt – kuten kuvapankit, joita voidaan käyttää avainkoulutusresursseina ja avaruuskaavojen käyttö nimettäessä, tallennettaessa ja haettaessa moniresoluutioisia kuvia objektitallennuksessa. Se myös mahdollistaa laajennettavan ja joustavan metatietojen merkitsemisen, mikä tekee tiedon etsimisen ja ymmärtämisen helpommaksi.

Tehtäväkohtaiset työkuormat vaativat uuden lähestymistavan

Kuten edellä mainittujen kolmen tapauksen kautta, on kriittistä pystyä keräämään ja orkestraamaan valtavia määriä dataa, jotka liittyvät tekoäly/ML-työkuormiin. Datat ovat usein monipetabyteja, ja niillä on suorituskykyvaatimukset, jotka voivat täyttää koko infrastruktuurin. Kun käsitellään näin suuria koulutus- ja testidatamääriä, tallennuksen pullonkaulat (viive- ja/tai läpäisymongelmat) ja kapasiteetin rajoitukset/esteet ovat avainelementtejä menestykselle.

Tehtäväkohtaiset työkuormat vaativat tallennusarkkitehtuuria, joka pystyy pitämään datan virtaamassa putkessa, sekä erinomaisella raakasuorituskyvylle että kapasiteetin skaalautumiskyvylle. Tallennusinfrastruktuurin on oltava yhtä aikaa yhä vaativampien vaatimusten mukainen kaikissa tekoäly/ML/DL-pipelinevaiheissa. Ratkaisu on tallennusinfrastruktuuri, joka on erityisesti suunniteltu nopeudelle ja rajattomalle skaalautumiskyvylle.

Arvon etsintä

Ei ole viikkoa, jolloin ei olisi tarinoita tekoälyn ja ML:n mahdollisuuksista muuttaa liiketoimintaprosesseja ja arkipäivän elämää. On monia käyttötapauksia, jotka osoittavat selvästi näiden teknologioiden hyödyt. Tekoälyn todellisuus yrityksissä tänään on kuitenkin ylivoimaisen suurten datamäärien ja tallennusratkaisujen, jotka eivät pysty hallitsemaan näitä massiivisia työkuormia. Autoteollisuuden, terveydenhuollon ja monien muiden alojen innovaatiot eivät voi jatkua, kunnes tallennusongelma on ratkaistu. Nopea objektitallennus voittaa haasteen suuren datan säilyttämisestä, jotta organisaatiot voivat saada arvon tästä datasta ja edetä liiketoiminnassaan eteenpäin.