אפשרות הטמעה של AI בעולם האמיתי בקנה מידה

מאת Brad King, field CTO, Scality

כלים של AI/ML ו- big data הם בעלי חוט משותף – הם זקוקים לנתונים, והם זקוקים להרבה מהם. החוכמה המקובלת אומרת כי ככל שיש יותר, כך טוב יותר. מנתחים מעריכים כי ייצור נתונים עולמי יגיע ל- יותר מ-180 זטאבייטים עד 2025 – וב-2020, כמות הנתונים שנוצרו ושוכפלו הגיעה לשיא חדש של 64.2 זטאבייט.

נתונים אלה הם בעלי ערך רב מאוד – לעיתים קרובות בלתי ניתנים להחלפה ולפעמים מייצגים אירועים חד-פעמיים או פעם אחת בחיים. נתונים אלה זקוקים לאחסון בטוח ובטיחותי; ואילו מוערך כי רק אחוז קטן מנתונים החדשים האלה נשמר, הביקוש לקיבולת אחסון ממשיך לגדול. בעובדה, הבסיס המותקן של קיבולת אחסון מתוכנן לגדול בריבוי שנתי מרכב של 19.2% בין 2020 ל-2025, על פי חוקרים ב- Statista.

עם יצירת נתונים רבים יותר – במיוחד על ידי עומסי עבודה של AI/ML – ארגונים זקוקים ליותר אחסון, אך לא כל פתרונות אחסון יכולים להתמודד עם עומסי עבודה אינטנסיביים ומסיביים. מה שנדרש הוא גישה חדשה לאחסון. בואו נביט על האופן שבו ארגונים מתגברים על אתגרים אלה דרך עדשה של שלושה מקרי שימוש.

תעשיית התיירות

בעוד שרבים מאיתנו רק מתרגלים לנסוע שוב אחרי יותר משנה של סגרים, תעשיית התיירות מנסה לחזור לתקופה שלפני המגפה בצורה משמעותית. וזה הופך את חשיבות הנתונים – במיוחד, היישום הרלוונטי והשימוש בנתונים האלה – לחשובה עוד יותר.

תדמיין מה שאתה יכול לעשות עם הידע על מה מרבית נוסעי האוויר בעולם הולכים לנסוע ביום הבא או לאן הם הולכים מחר. עבור סוכנות נסיעות, למשל, זה היה ענק.

אך ארגוני התיירות האלה מתמודדים עם כל כך הרבה נתונים, שמיון דרכם כדי לגלות מהו משמעותי הוא מטלה מגולחת. כ- פטבייט של נתונים מיוצרים כל יום, וחלק מהנתונים משוכפלים על ידי אתרים כמו Kayak. נתונים אלה הם רגישים לזמן, וחברות התיירות זקוקות לגלות במהירות מהו נתונים משמעותיים. הם זקוקים לכלי שיאפשר להם לנהל רמת קנה מידה זו בצורה יותר יעילה.

תעשיית הרכב

דוגמה נוספת באה מתעשיית הרכב, שבהחלט אחד המקרים המדוברים ביותר. התעשייה עובדת קשה במשך זמן רב עם כלים עזר כמו מעקב אחר נתיבים, מניעת התנגשות וכו ‘. כל החיישנים האלה מביאים כמויות גדולות של נתונים. ו, כמובן, הם מפתחים, בודקים ומאמתים אלגוריתמים עצמאיים.

מה שהתעשייה צריכה הוא דרך טובה יותר להבין את הנתונים האלה שנשמרו כדי שיוכלו להשתמש בהם כדי לנתח מקרים שבהם משהו השתבש, לאסוף פלטות חיישנים כמקרה בדיקה, לבדוק אלגוריתמים נגד נתוני חיישנים ועוד. הם זקוקים לבדיקות QA כדי למנוע נסיגות, והם זקוקים לתעוד מקרים שנכשלים.

פתולוגיה דיגיטלית

מקרה שימוש מעניין נוסף ל- AI/ML שגם מתמודד עם הבצקת הנתונים והצורך לעשות שימוש טוב יותר בנתונים הוא פתולוגיה דיגיטלית. כמו הדוגמאות האחרות, מה שהם באמת צריכים הוא היכולת לעשות שימוש טוב יותר בנתונים האלה כדי שיוכלו לעשות דברים כמו גילוי אוטומטי של פתולוגיות בדגימות רקמות, ביצוע אבחון מרחוק וכו ‘.

אך אחסון היום מוגבל בשימוש. תמונות עם רזולוציה שימושית גדולות מדי לאחסון כלכלי. אולם, אחסון אובייקטים מהיר יאפשר יכולות חדשות – כמו בנקים של תמונות שיכולים לשמש כמשאב אימון מרכזי והשימוש בקווים ממלאי חלל לשם / אחסון ואחזור תמונות רב-רזולוציה באחסון אובייקט. זה גם מאפשר תיוג מטא-נתונים גמיש וניתן להרחבה, שהופך את החיפוש והבנת המידע הזה לקל יותר.

עומסי עבודה של AI דורשים גישה חדשה

כפי שראינו בשלושה מקרים לעיל, זה קריטי להיות מסוגל לאגור ולתזמן כמויות עצומות של נתונים הקשורים לעומסי עבודה של AI/ML. סטים נתונים לעיתים קרובות מגיעים לקנה מידה של מולטי-פטבייט, עם דרישות ביצועים שיכולות לרוות את כל התשתית. כאשר מתמודדים עם סטים נתונים גדולים כאלה לאימון ובדיקה, עמידה בפקקים של אחסון (בעיות עכבה ו / או קצב) ומגבלות / מחסומים של קיבולת הם מרכיבים מפתח להצלחה.

עומסי עבודה של AI/ML/DL דורשים ארכיטקטורת אחסון שיכולה לשמור על זרימת הנתונים דרך הצינור, עם ביצועי I/O רווחים ויכולת קנה מידה. תשתית האחסון חייבת לעמוד בדרישות ההולכות וגדלות בכל שלבי צינור ה- AI/ML/DL.

הפקת ערך

לא חולף שבוע בלי סיפורים על הפוטנציאל של AI ו- ML לשנות תהליכים עסקיים וחיים יומיומיים. יש הרבה מקרי שימוש שמדגימים בבירור את היתרונות של שימוש בטכנולוגיות אלה. המציאות של AI בתאגיד היום היא אחת של סטים נתונים עצומים ופתרונות אחסון שלא יכולים לנהל עומסי עבודה מסיביים. חדשנות במכוניות, בריאות ועוד הרבה תעשיות לא יכולות להמשיך עד שהבעיה של אחסון תיפתר. אחסון אובייקטים מהיר מתגבר על אתגר האחזון של big data כדי שארגונים יוכלו להפיק את הערך מנתונים אלה ולהתקדם.