Alegerea stocării pentru a sprijini inițiativele AI/ML

De Candida Valois, Field CTO, Americas, Scality

Adoptarea tehnologiilor ML și AI continuă să crească rapid, ceea ce nu este surprinzător, având în vedere insight-urile de business și transformarea industriei pe care le promit. PwC prezice că, până în 2030, AI ar putea contribui cu aproape 16 trilioane de dolari la economia globală. Acest lucru se traduce printr-o creștere de 26% a PIB-ului pentru economiile locale.

Aceste tehnologii necesită cantități uriașe de date nestructurate pentru a funcționa, iar aceste date provin adesea sub formă de videoclipuri, imagini, text și voce. Aceste sarcini necesită o abordare nouă a stocării datelor; vechile metode nu sunt suficiente. Odată cu apariția acestor sarcini, aplicațiile necesită un acces mai rapid la cantități uriașe de date – date care sunt create peste tot: în cloud, la margini și în mediul local. Aceste sarcini intensive necesită o latență scăzută, capacitatea de a suporta diferite tipuri și dimensiuni de sarcini și capacitatea de a se scala liniar.

Ce este necesar este o abordare proaspătă a livrării de date, una care este centrată pe aplicații, mai degrabă decât pe locație sau tehnologie. Cu adoptarea pe scară largă a tehnologiilor AI/ML și a analizei, liderii IT din întreprinderi au nevoie de o schimbare semnificativă în modul în care gândesc despre gestionarea și stocarea datelor.

Manipularea tuturor dimensiunilor fișierelor

În ceea ce privește sarcinile de lucru AI/ML și stocarea datelor, organizațiile au nevoie de o soluție care poate gestiona diferite tipuri de sarcini, atât fișiere mici, cât și mari. În unele cazuri, este posibil să aveți de-a face cu doar câteva zeci de terabytes, în timp ce în altele, există multe petabytes. Nu toate soluțiile sunt destinate fișierelor uriașe, la fel cum nu toate pot gestiona fișiere foarte mici. Cheia constă în găsirea unei soluții care poate gestiona ambele într-un mod flexibil.

Scalabilitatea este esențială

Pentru a asigura acuratețea și viteza, organizațiile necesită seturi masive de date, deoarece acesta este ceea ce au nevoie algoritmii AI/ML pentru a antrena corect modelele subiacente. Organizațiile doresc să crească în ceea ce privește capacitatea și performanța, dar adesea sunt împiedicate de soluțiile de stocare tradiționale. Atunci când încearcă să se scala liniar, nu reușesc. Sarcinile de lucru AI/ML necesită o soluție de stocare care poate fi scalată infinit pe măsură ce crește volumul de date.

Câteva sute de terabytes epuizează soluțiile standard de stocare a fișierelor și a blocurilor; după aceea, nu se pot scala. Stocarea obiectelor poate fi scalată nelimitat, elastic și fără întrerupere, în funcție de cerere. Și ceea ce este important despre stocarea obiectelor în comparație cu stocarea tradițională este că aceasta este un spațiu complet plat, în care nu există limitări. Utilizatorii nu vor întâlni limitările pe care le-ar găsi cu stocarea tradițională.

Îndeplinirea cerințelor de performanță

Scalabilitatea capacității este importantă, dar nu este suficientă. Organizațiile au nevoie, de asemenea, de capacitatea de a se scala liniar în ceea ce privește performanța. Din nefericire, cu multe soluții de stocare tradiționale, scalarea capacității se face în detrimentul performanței. Atunci când o organizație are nevoie să se scala liniar în ceea ce privește capacitatea, performanța tinde să se stabilizeze sau să scadă.

Paradigma standard de stocare constă în fișiere organizate într-o ierarhie, cu directoare și subdirectoare. Această arhitectură funcționează destul de bine atunci când capacitatea de date este mică, dar pe măsură ce capacitatea crește, performanța suferă la un anumit punct din cauza blocajelor sistemului și a limitărilor tabelului de căutare a fișierelor. Cu toate acestea, stocarea obiectelor oferă un spațiu nelimitat și plat, astfel încât, prin simpla adăugare a unor noduri suplimentare, se poate scala până la petabytes și mai mult. Din acest motiv, puteți scala atât pentru performanță, cât și pentru capacitate.

Stocarea care poate sprijini proiectele AI/ML

Organizațiile trebuie să adopte o nouă abordare a stocării, pe măsură ce AI și ML câștigă popularitate. Această nouă abordare trebuie să le permită să stabilească, să ruleze și să scala inițiativele lor AI/ML în mod corespunzător. Antrenamentul AI/ML este o nevoie clară, astfel încât unele dintre software-urile de stocare a obiectelor de nivel întreprindere disponibile astăzi sunt create pentru a îndeplini această nevoie. Întreprinderile pot începe inițiativele lor pe o scară mică, începând cu un singur server, și apoi să se scala când este necesar, atât pentru capacitate, cât și pentru performanță. Aceste proiecte necesită, de asemenea, performanță pentru aplicațiile lor de analize, iar stocarea obiectelor rapide le oferă. În plus, stocarea obiectelor oferă gestionarea completă a ciclului de viață al datelor în multiple

Întreprinderile au nevoie să proceseze datele în mod eficient, iar stocarea obiectelor face acest lucru, permițând aplicațiilor să acceseze ușor datele locale, chiar și în multiple clouduri. Latența scăzută, scalabilitatea și flexibilitatea stocării obiectelor o fac un aliat puternic pentru inițiativele AI/ML.