การใช้งาน AI ในโลกแห่งความเป็นจริงที่มีขนาดใหญ่

โดย Brad King, field CTO, Scality

เครื่องมือของ AI/ML และข้อมูลขนาดใหญ่มีเส้นใยร่วมกัน – พวกเขาต้องการข้อมูล และต้องการมาก ข้อมูลที่สร้างขึ้นทั่วโลกคาดว่าจะเติบโตเป็น มากกว่า 180 zettabytes ในปี 2025 – และในปี 2020 ปริมาณข้อมูลที่สร้างขึ้นและทำซ้ำถึงระดับสูงสุดใหม่ของ 64.2 zettabytes

ข้อมูลนั้นมีค่ามาก – มักจะไม่สามารถเปลี่ยนหรือทำซ้ำได้ และบางครั้งแสดงถึงเหตุการณ์ที่เกิดขึ้นเพียงครั้งเดียวหรือครั้งเดียว ข้อมูลนี้ต้องเก็บไว้อย่างปลอดภัยและปลอดภัย และแม้ว่าจะมีการคาดการณ์ว่าเพียงเศษเสี้ยวของข้อมูลใหม่ที่สร้างขึ้นนี้จะถูกเก็บไว้ แต่ก็ยังมีความต้องการความจุในการเก็บข้อมูลที่เพิ่มขึ้นอย่างต่อเนื่อง ในความเป็นจริง ฐานการติดตั้งความจุในการเก็บข้อมูลคาดว่าจะเติบโตในอัตราเฉลี่ยต่อปีที่ 19.2% ระหว่างปี 2020 ถึง 2025 ตามนักวิจัยที่ Statista

เมื่อมีข้อมูลที่สร้างขึ้นมากขึ้น – โดยเฉพาะอย่างยิ่งจาก AI/ML workloads – องค์กรต้องการพื้นที่จัดเก็บมากขึ้น แต่ไม่ใช่ทุกวิธีการจัดเก็บข้อมูลที่สามารถจัดการกับงานที่เข้มข้นและขนาดใหญ่ได้ สิ่งที่ต้องการคือแนวทางใหม่ในการจัดเก็บข้อมูล มาทำความเข้าใจว่าองค์กรต่างๆ ต้องเผชิญกับความท้าทายเหล่านี้ผ่านตัวอย่างการใช้งานสามกรณี

อุตสาหกรรมท่องเที่ยว

ในขณะที่หลายคนกำลังจะเดินทางอีกครั้งหลังจากปิดกั้นมากกว่าหนึ่งปี อุตสาหกรรมท่องเที่ยวกำลังพยายามกลับไปสู่ยุคก่อนการระบาดใหญ่ในลักษณะที่สำคัญ และสิ่งนี้ทำให้ความสำคัญของข้อมูล – โดยเฉพาะการนำไปใช้และใช้งานข้อมูล – มีความสำคัญมากขึ้น

ลองนึกภาพว่าคุณสามารถทำอะไรได้บ้างหากคุณมีความรู้เกี่ยวกับสถานที่ที่ผู้โดยสารส่วนใหญ่ของโลกจะเดินทางไปที่ไหนในวันพรุ่งนี้ หรือว่าจะไปที่ไหนในอนาคต สำหรับสำนักงานท่องเที่ยวตัวอย่างเช่น สิ่งนี้จะเป็นเรื่องที่ยิ่งใหญ่

แต่บริษัทท่องเที่ยวเหล่านี้กำลังเผชิญกับข้อมูลมากจนการค้นหาสิ่งที่มีความหมายเป็นเรื่องที่ยากเกินไป มีการสร้างข้อมูลประมาณหนึ่ง petabyte ทุกวัน และบางส่วนของข้อมูลถูกทำซ้ำโดยเว็บไซต์เช่น Kayak ข้อมูลนี้มีความสำคัญและบริษัทท่องเที่ยวต้องการค้นหาว่าข้อมูลใดที่มีความหมาย พวกเขาต้องการเครื่องมือที่สามารถจัดการกับระดับนี้ได้อย่างมีประสิทธิภาพ

อุตสาหกรรมยานยนต์

ตัวอย่างอื่นมาจากอุตสาหกรรมยานยนต์ ซึ่งเป็นหนึ่งในกรณีการใช้งานที่พูดถึงมากที่สุด อุตสาหกรรมนี้ได้ทำงานอย่างหนักมาเป็นเวลานานกับเครื่องมือช่วยเหลือ เช่น ลายน้ำและเครื่องมือหลีกเลี่ยงการชน ทั้งหมดนี้นำข้อมูลจำนวนมากเข้ามา และแน่นอนว่าพวกเขากำลังพัฒนาทดสอบและยืนยันข้อมูลการขับขี่อัตโนมัติ

สิ่งที่อุตสาหกรรมต้องการคือวิธีการที่ดีกว่าในการทำความเข้าใจข้อมูลที่เก็บไว้เพื่อให้สามารถใช้เพื่อวิเคราะห์เหตุการณ์ที่มีปัญหา ทดสอบและตรวจสอบข้อมูลเซ็นเซอร์ และอื่นๆ พวกเขาต้องการการทดสอบ QA เพื่อหลีกเลี่ยงการถอยหลัง และต้องการจัดทำเอกสารกรณีที่ล้มเหลว

การวินิจฉัยทางดิจิทัล

ตัวอย่างการใช้งานที่น่าสนใจอีกอย่างหนึ่งสำหรับ AI/ML ที่กำลังต้องเผชิญกับปัญหาข้อมูลและความต้องการในการใช้ข้อมูลที่ดีกว่าคือการวินิจฉัยทางดิจิทัล เช่นเดียวกับตัวอย่างอื่นๆ สิ่งที่พวกเขาต้องการจริงๆ คือความสามารถในการใช้ข้อมูลที่ดีกว่าเพื่อให้สามารถทำสิ่งต่างๆ เช่น ตรวจจับโรคทางพยาธิวิทยาในตัวอย่างเนื้อเยื่อได้อัตโนมัติ และทำการวินิจฉัยทางไกล

แต่การเก็บข้อมูลในปัจจุบันทำให้การใช้งานมีจำกัด รูปภาพที่มีความละเอียดที่มีประโยชน์มากเกินไปที่จะเก็บไว้ได้ในทางเศรษฐกิจ อย่างไรก็ตาม การเก็บข้อมูลวัตถุเร็วจะทำให้มีความสามารถใหม่ๆ เช่น ธนาคารภาพที่สามารถใช้เป็นทรัพยากรการฝึกอบรมหลัก และการใช้เส้นโค้งเติมพื้นที่เพื่อชื่อและเรียกคืนภาพหลายความละเอียดในคลังข้อมูลวัตถุ นอกจากนี้ยังช่วยให้สามารถทำแท็กเมตาดาต้าได้ง่ายขึ้น ซึ่งทำให้ง่ายต่อการค้นหาและทำความเข้าใจข้อมูล

การทำงานของ AI ต้องการแนวทางใหม่

จากกรณีที่เราเห็นข้างต้น สิ่งสำคัญคือต้องสามารถรวบรวมและจัดการข้อมูลจำนวนมากที่เกี่ยวข้องกับการทำงานของ AI/ML ได้ ชุดข้อมูลมักจะถึงระดับหลาย petabyte โดยมีความต้องการประสิทธิภาพที่อาจทำให้โครงสร้างพื้นฐานทั้งหมดอิ่มตัว เมื่อเผชิญกับข้อมูลการฝึกอบรมและการทดสอบขนาดใหญ่ การเอาชนะปัญหาการเก็บข้อมูล (ปัญหาเรื่องความล่าช้าและ/หรือความเร็วในการส่งผ่าน) และข้อจำกัดด้านความจุ/อุปสรรค์เป็นองค์ประกอบสำคัญสำหรับความสำเร็จ

การทำงานของ AI/ML/DL ต้องการโครงสร้างพื้นฐานการเก็บข้อมูลที่สามารถรักษาข้อมูลให้ไหลผ่านกระบวนการได้ โดยมีทั้งประสิทธิภาพด้านการรับ-ส่งข้อมูลและความสามารถในการขยายขนาดได้ไม่มีขีดจำกัด โครงสร้างพื้นฐานการเก็บข้อมูลต้องสามารถรองรับความต้องการที่เพิ่มขึ้นอย่างต่อเนื่องในทุกขั้นตอนของกระบวนการ AI/ML/DL วิธีแก้ปัญหาคือโครงสร้างพื้นฐานการเก็บข้อมูลที่สร้างขึ้นโดยเฉพาะสำหรับความเร็วและขนาดที่ไม่มีขีดจำกัด

การดึงคุณค่า

ไม่มีสัปดาห์ใดที่ไม่มีเรื่องราวเกี่ยวกับศักยภาพของ AI และ ML ในการเปลี่ยนแปลงกระบวนการทางธุรกิจและชีวิตประจำวัน มีกรณีการใช้งานหลายอย่างที่แสดงให้เห็นถึงประโยชน์ของการใช้เทคโนโลยีเหล่านี้ ความเป็นจริงของ AI ในองค์กรในปัจจุบันคือชุดข้อมูลขนาดใหญ่และวิธีการเก็บข้อมูลที่ไม่สามารถจัดการกับงานที่มีขนาดใหญ่ได้ การพัฒนานวัตกรรมในรถยนต์ การดูแลสุขภาพ และอุตสาหกรรมอื่นๆ ไม่สามารถดำเนินการต่อได้จนกว่าปัญหาการเก็บข้อมูลจะถูกแก้ไข การเก็บข้อมูลวัตถุเร็วจะเอาชนะความท้าทายในการเก็บข้อมูลขนาดใหญ่เพื่อให้องค์กรสามารถดึงคุณค่าจากข้อมูลนี้และพัฒนาธุรกิจของตนไปข้างหน้า