Virkja raunverulega gervigreindaruppfærslur í mælikvarða

Eftir Brad King, sviði tæknistjóra, Scality

Verkfæri gervigreindar/ML og stórra gagna hafa sameiginlegan þráð - þau þurfa gögn og þau þurfa mikið af þeim. Hefðbundin speki segir að því meira, því betra. Sérfræðingar spá því að alþjóðleg gagnasköpun muni vaxa til meira en 180 zettabæta árið 2025 – og árið 2020 náði magn gagna sem búið var til og endurtekið nýtt hámark 64.2 zettabæta.

Þessi gögn eru ákaflega verðmæt - oft óbætanleg og tákna stundum atburði í eitt skipti eða einu sinni á ævinni. Þessi gögn þurfa að vera geymd á öruggan og öruggan hátt; og þó að áætlað sé að aðeins lítið hlutfall af þessum nýstofnuðu gögnum sé haldið, heldur eftirspurnin eftir geymslurými áfram að vaxa. Reyndar er spáð að uppsett grunnur geymslurýmis muni vaxa með samsettum árlegum vexti upp á 19.2% milli 2020 og 2025, samkvæmt vísindamönnum á Statista.

Með því að búa til fleiri gögn - sérstaklega með þessu gervigreind/ML vinnuálagi - þurfa fyrirtæki meira geymslupláss, en ekki allar geymslulausnir geta séð um þetta mikla og mikla vinnuálag. Það sem þarf er ný nálgun á geymslu. Við skulum skoða hvernig stofnanir eru að sigrast á þessum áskorunum í gegnum linsu þriggja notkunartilvika.

Ferðaþjónustan

Þó að mörg okkar séu bara að venjast því að ferðast aftur eftir meira en árs lokun, leitar ferðaiðnaðurinn eftir því að komast aftur til faraldurstíma á stóran hátt. Og þetta gerir mikilvægi gagna - sérstaklega viðeigandi umsókn og notkun þeirra gagna - enn mikilvægara.

Ímyndaðu þér hvað þú gætir gert með vitneskju um hvert meirihluti flugfélaga í heiminum ætlar að ferðast næst eða hvert þeir fara á morgun. Fyrir ferðaskrifstofu, til dæmis, væri það risastórt.

En þessar ferðastofnanir eru að fást við svo mikið af gögnum að það er yfirgnæfandi möguleiki að flokka þau til að komast að því hvað er þýðingarmikið. Um petabæti af gögnum er búið til á hverjum degi og sum gagna eru afrituð af síðum eins og Kayak. Þessi gögn eru tímanæm og ferðafyrirtæki þurfa að komast fljótt að því hvaða gögn eru þýðingarmikil. Þeir þurfa tól til að geta stjórnað þessu stærðarstigi á skilvirkari hátt.

Bílaiðnaðurinn

Annað dæmi kemur frá bílaiðnaðinum, sem er vissulega eitt umtalaðasta notkunartilvikið. Iðnaðurinn hefur lengi verið duglegur að vinna með hjálpartæki eins og akreinavaktir, árekstrarhvarf og þess háttar. Allir þessir skynjarar eru að koma með mikið magn af gögnum. Og auðvitað eru þeir að þróa, prófa og sannreyna sjálfkeyrandi reiknirit.

Það sem iðnaðurinn þarf er betri leið til að átta sig á þessum geymdu gögnum svo þeir geti notað þau til að greina atvik þar sem eitthvað fór úrskeiðis, sjá um úttak skynjara sem prófunartilvik, prófa reiknirit gegn skynjaragögnum og fleira. Þeir þurfa QA próf til að forðast afturför og þeir þurfa að skrá mál sem mistakast.

Stafræn meinafræði

Annað áhugavert notkunartilvik fyrir gervigreind/ML sem glímir einnig við gagnaflotinn og þörfina á að nýta gögnin betur er stafræn meinafræði. Rétt eins og hin dæmin, það sem þeir þurfa í raun er hæfileikinn til að nýta þessi gögn betur svo þeir geti gert hluti eins og sjálfkrafa greint meinafræði í vefjasýnum, framkvæmt fjargreiningu og svo framvegis.

En geymsla í dag takmarkar notkun. Myndir með gagnlegri upplausn eru of stórar til að geyma þær á hagkvæman hátt. Hins vegar mun hröð geymslupláss gera nýja möguleika – eins og myndabanka sem hægt er að nota sem lykilþjálfunarúrræði og notkun rýmisfyllandi ferla til að nefna/geyma og sækja margar upplausnarmyndir í hlutageymslu. Það gerir einnig kleift að stækka og sveigjanlega merkingu lýsigagna, sem gerir það auðveldara að leita að og skilja þessar upplýsingar.

Gervigreind vinnuálag krefst nýrrar nálgunar

Eins og við höfum séð í þremur tilfellum hér að ofan, er mikilvægt að geta safnað saman og skipulagt mikið magn af gögnum sem tengjast gervigreind/ML vinnuálagi. Gagnasöfn ná oft yfir margra petabæta mælikvarða, með frammistöðukröfum sem gætu mettað allan innviði. Þegar tekist er á við slíka umfangsmikla þjálfunar- og prófunargagnasett eru lykilatriði til að ná árangri að sigrast á flöskuhálsum í geymslu (leynd og/eða afköst vandamál) og takmarkanir/hindranir á getu.

AI/ML/DL vinnuálag krefst geymsluarkitektúrs sem getur haldið gögnum í gegnum leiðsluna, með bæði framúrskarandi hráum I/O frammistöðu og getu til að skala getu. Geymsluinnviðirnir verða að halda í við sífellt krefjandi kröfur á öllum stigum gervigreindar/ML/DL leiðslunnar. Lausnin er geymsluinnviði sem er sérstaklega smíðaður fyrir hraða og takmarkalausan mælikvarða.

Að draga út verðmæti

Það líður ekki vika án þess að sagt sé frá möguleikum gervigreindar og ML til að breyta viðskiptaferlum og hversdagslífi. Það eru mörg notkunartilvik sem sýna glöggt fram á kosti þess að nota þessa tækni. Raunveruleiki gervigreindar í fyrirtækinu í dag er hins vegar einn af yfirþyrmandi stórum gagnasöfnum og geymslulausnum sem geta ekki stjórnað þessu mikla vinnuálagi. Nýjungar í bifreiðum, heilsugæslu og mörgum fleiri atvinnugreinum geta ekki haldið áfram fyrr en geymsluvandamálið er leyst. Hröð hlutageymsla sigrar áskorunina um að halda stórum gögnum svo stofnanir geti dregið verðmæti úr þessum gögnum til að koma fyrirtækjum sínum áfram.