AI/ML Girişimlerini Desteklemek İçin Depolama Seçimi

Candida Valois, Field CTO, Americas, Scality tarafından

ML ve AI benimsemesi hızla artmaya devam ediyor, bu da şaşırtıcı değil, çünkü birçok kullanım durumu işblickleri ve endüstri dönüşümü vaat ediyor. PwC, 2030 yılına kadar AI’nın küresel ekonomiye neredeyse 16 trilyon dolar katkıda bulunabileceğini öngörüyor. Bu, yerel ekonomiler için GSYH’de %26’lık bir artış anlamına geliyor.

Bu teknolojiler, videos, resimler, metin ve ses gibi büyük miktarda yapılandırılmamış veri gerektirir. Bu tür iş yükleri, yeni bir veri depolama yaklaşımı gerektirir; eski yöntemler yeterli olmayacaktır. Bu iş yüklerinin ortaya çıkmasıyla birlikte, uygulamaların bulut, kenarlarda ve şirket içinde oluşturulan büyük miktarda verilere daha hızlı erişimi gerekir. Bu yoğun iş yükleri, düşük gecikme, farklı tür ve boyutlardaki yükleri destekleme ve lineer olarak ölçekleme yeteneği gerektirir.

Gereken şey, uygulama odaklı bir veri teslimi yaklaşımıdır, bu approach konum veya teknoloji odaklı değil, uygulama odaklı olmalıdır. AI/ML ve analitiklerin büyük ölçekli benimsenmesiyle birlikte, şirket içi BT liderleri veri yönetimi ve depolama hakkında düşünme şekillerinde önemli bir değişikliğe ihtiyaç duyar.

Tüm Dosya Boyutlarını İşleme

AI/ML iş yükleri ve veri depolama açısından, organizasyonlar farklı türde iş yüklerini, küçük ve büyük dosyaları işleyebilen bir çözüme ihtiyaç duyar. Bazı durumlarda, sadece birkaç on terabayt ile ilgilenmeniz gerekebilir, ancak diğerlerinde birçok petabayt vardır. Tüm çözümler büyük dosyalar için tasarlanmamıştır, aynı şekilde küçük dosyaları işleyemezler. Trick, hem küçük hem de büyük dosyaları esnek bir şekilde işleyebilen bir çözüm bulmaktır.

Ölçeklenebilirlik Temel

Doğru ve hızlı sonuçlar elde etmek için, organizasyonlar AI/ML algoritmalarının doğru eğitim alması için büyük veri kümelerine ihtiyaç duyar. Organizasyonlar kapasite ve performans açısından büyümek ister, ancak geleneksel depolama çözümleri tarafından engellenirler. Lineer olarak ölçeklemeye çalıştıklarında, bunu başaramazlar. AI/ML iş yükleri, veri büyüdükçe sınırsız olarak ölçeklenebilen bir depolama çözümü gerektirir.

Standart dosya ve blok depolama çözümleri birkaç hundred terabayt ile sınırlıdır; bundan sonra ölçeklenemez. Nesne depolama, talebe göre sınırsız, esnek ve sorunsuz bir şekilde ölçeklenebilir. Nesne depolamasının geleneksel depolamadan önemli bir farkı, tamamen düz bir alanda olması ve hiçbir sınırlama olmamasıdır. Kullanıcılar, geleneksel depolamada karşılaştıkları sınırlamalarla karşılaşmazlar.

Performans Gereksinimlerini Karşılamak

Kapasite ölçeklenmesi önemlidir, ancak yeterli değildir. Organizasyonlar ayrıca performans açısından lineer olarak ölçekleme yeteneğine ihtiyaç duyar. Ne yazık ki, birçok geleneksel depolama çözümü, kapasite ölçeklenmesi performansın azalmasına neden olur. Bir organizasyon kapasite açısından lineer olarak ölçeklemeye ihtiyaç duyduğunda, performans genellikle düzleşir veya azalır.

Standart depolama paradigmaları, dosyaların bir hiyerarşiye organize edildiği, dizinler ve alt dizinler içeren bir yapıya sahiptir. Bu mimari, veri kapasitesi küçük olduğunda oldukça iyi çalışır, ancak kapasite büyüdükçe, belirli bir noktada sistem tıkanıklıkları ve dosya arama tablolarındaki sınırlamalar nedeniyle performans acı çeker. Ancak nesne depolama, sınırsız bir düz ad alanı sağlar, böylece yalnızca ek düğümler ekleyerek petabaytlara ve ötesine ölçeklenebilirsiniz. Bu nedenle, kapasite için ölçeklenirken performans için de ölçeklenebilirsiniz.

AI/ML Projelerini Destekleyebilen Depolama

Organizasyonlar, AI ve ML’nin popülerlik kazanmasıyla birlikte depolamaya yeni bir bakış açısına ihtiyaç duyar. Bu yeni yaklaşım, onları AI/ML girişimlerini doğru şekilde oluşturmak, çalıştırmak ve ölçeklemek için güçlendirmelidir. AI/ML eğitimi açık bir ihtiyaç olduğundan, günümüzde mevcut olan bazı şirket düzeyinde nesne depolama yazılımları bu ihtiyaca cevap vermek için tasarlanmıştır. Şirketler, küçük ölçekli olarak başlayabilir, bir sunucudan başlayarak kapasite ve performans için ölçeklenebilirler. Bu projeler ayrıca analitik uygulamaları için performans gerektirir ve hızlı nesne depolama bunu sağlar. Ayrıca, nesne depolama, çoklu bulutlar arasında ve kenardan çekirdeğe kadar esneklik sağlar ve veri yaşam döngüsü yönetimini tamamlar.

Şirketler verilerini verimli bir şekilde işlemek zorundadır ve nesne depolama, uygulamaların şirket içinde, hatta çoklu bulutlarda kolayca verilere erişmesini sağlar. Düşük gecikme, ölçeklenebilirlik ve esneklik, nesne depolamasını AI/ML girişimleri için güçlü bir müttefik haline getirir.