Välj lagring som stöder AI/ML-initiativ

Av Candida Valois, Field CTO, Americas, Scality

Antagandet av ML och AI fortsätter att öka snabbt, vilket inte är förvånande med tanke på de affärsinsikter och branschomvandling som dess många användningsfall förutsäger. PwC förutspår att år 2030 kan AI bidra med nästan 16 biljoner dollar till den globala ekonomin. Detta motsvarar en ökning med 26 % av BNP för lokala ekonomin.

Dessa tekniker kräver stora mängder ostrukturerad data för att fungera, och den datan kommer ofta i form av videor, bilder, text och röst. Sådana arbetsbelastningar kräver en ny tillvägagångssätt för datalagring; de gamla metoderna räcker inte till. Med tillkomsten av sådana arbetsbelastningar behöver applikationer snabbare åtkomst till stora mängder data – data som skapas överallt: i molnet, på kanterna och på plats. Dessa intensiva arbetsbelastningar kräver låg latens, möjlighet att stödja olika typer och storlekar av nyttolast, och möjlighet att skala linjärt.

Det som behövs är ett nytt tillvägagångssätt för dataleverans, ett som är applikationscentrerat snarare än plats- eller teknologicentrerat. Med den stora tillströmningen av AI/ML och analytik behöver företags IT-chefer en betydande förändring i sättet de tänker om datahantering och lagring.

Hantera alla filstorlekar

När det gäller AI/ML-arbetsbelastningar och datalagring behöver organisationer en lösning som kan hantera olika typer av arbetsbelastningar, både små och stora filer. I vissa fall kan du behöva hantera bara några tiotals terabyte, medan i andra fall finns det många petabyte. Inte alla lösningar är avsedda för stora filer, lika lite som alla kan hantera mycket små. Knepet är att hitta en som kan hantera båda på ett flexibelt sätt.

Skalbarhet är avgörande

För att säkerställa noggrannhet och hastighet behöver organisationer enorma datamängder eftersom det är vad AI/ML-algoritmerna behöver för att korrekt träna underliggande modeller. Organisationer vill växa i termer av kapacitet och prestanda, men hindras ofta av traditionella lagringslösningar. När de försöker skala linjärt kan de inte. AI/ML-arbetsbelastningar kräver en lagringslösning som kan skala oändligt allteftersom datan växer.

Några hundra terabyte är maxgränsen för standardfil- och blocklagringslösningar; efter det kan de inte skala. Objektlagring kan skala obegränsat, elastiskt och sömlöst baserat på efterfrågan. Och vad som är viktigt med objektlagring jämfört med traditionell lagring är att det är en helt platt yta där det inte finns några begränsningar. Användare kommer inte att stöta på de begränsningar de skulle ha med traditionell lagring.

Möt prestandakraven

Kapacitetsskalning är viktigt, men det räcker inte. Organisationer behöver också möjligheten att skala linjärt i termer av prestanda. Tyvärr, med många traditionella lagringslösningar, sker kapacitetsskalning på bekostnad av prestanda. Så, när en organisation behöver skala linjärt i termer av kapacitet, tenderar prestandan att plana ut eller minska.

Den standardmässiga lagringsparadigmen består av filer organiserade i en hierarki, med kataloger och underkataloger. Denna arkitektur fungerar ganska bra när datorkapaciteten är liten, men när kapaciteten växer lider prestandan av systembottleneck och begränsningar med filsökningstabeller. Objektlagring tillhandahåller dock ett obegränsat platt namnområde så att genom att bara lägga till fler noder kan du skala till petabyte och bortom. Av denna anledning kan du skala för prestanda allteftersom du skalar för kapacitet.

Lagring som kan stödja AI/ML-projekt

Organisationer måste anta ett nytt sätt att se på lagring allteftersom AI och ML ökar i popularitet. Detta nya tillvägagångssätt måste ge dem möjlighet att etablera, köra och skala sina AI/ML-initiativ på rätt sätt. AI/ML-utbildning är ett tydligt behov, så vissa av de företagsklassade objektlagringssystem som finns tillgängliga idag är utformade för att uppfylla det behovet. Företag kan börja sina initiativ på en liten skala, med en server, och sedan skala ut allteftersom det behövs för både kapacitet och prestanda. Dessa projekt behöver också prestanda för sina analytiska applikationer, och snabb objektlagring levererar det. Dessutom tillhandahåller objektlagring komplett datalivscykelhantering över flera moln och möjliggör flexibilitet från kanten till kärnan.

Företag behöver bearbeta data effektivt, och objektlagring gör detta genom att låta applikationer enkelt komma åt data på plats, även i flera moln. Dess låga latens, skalbarhet och flexibilitet gör objektlagring till en stark allierad för AI/ML-initiativ.