人工智能和機(jī)器學(xué)習(xí)已成為兩個(gè)最重要的工具，它們可幫助企業(yè)利用其核心數(shù)字資產(chǎn)創(chuàng)造競(jìng)爭(zhēng)優(yōu)勢(shì)。但是在購買AI數(shù)據(jù)存儲(chǔ)之前，企業(yè)必須考慮各種需求–基于機(jī)器學(xué)習(xí)平臺(tái)如何獲取、處理和保留數(shù)據(jù)。

[[277972]]

首先我們應(yīng)確定機(jī)器學(xué)習(xí)軟件使用的數(shù)據(jù)的生命周期，因?yàn)檫@可幫助企業(yè)了解在為AI選擇存儲(chǔ)時(shí)需要考慮的因素。最初，企業(yè)必須獲取數(shù)據(jù)來訓(xùn)練機(jī)器學(xué)習(xí)或AI算法，這里涉及軟件工具來處理數(shù)據(jù)以學(xué)習(xí)任務(wù)，例如識(shí)別對(duì)象、處理視頻和跟蹤運(yùn)動(dòng)。而這些數(shù)據(jù)可能來自多種來源，并且通常本質(zhì)上是非結(jié)構(gòu)化的，例如對(duì)象和文件。

這個(gè)訓(xùn)練過程將獲取數(shù)據(jù)資產(chǎn)，并使用機(jī)器學(xué)習(xí)或AI軟件來創(chuàng)建算法以用于處理未來數(shù)據(jù)源。在訓(xùn)練或開發(fā)算法時(shí)，AI軟件將處理源數(shù)據(jù)來開發(fā)模型，從而創(chuàng)建洞察力或滿足業(yè)務(wù)需求。

開發(fā)機(jī)器學(xué)習(xí)算法很少是單一流程。隨著企業(yè)積累新數(shù)據(jù)，算法會(huì)得到完善和改進(jìn)。這意味著幾乎沒有數(shù)據(jù)被丟棄，而是隨著時(shí)間的推移不斷增加和重新處理。

購買AI數(shù)據(jù)存儲(chǔ)的標(biāo)準(zhǔn)

在為AI平臺(tái)選擇存儲(chǔ)前，企業(yè)必須首先考慮以下事項(xiàng)：

成本。對(duì)于企業(yè)而言，AI數(shù)據(jù)存儲(chǔ)的價(jià)格是關(guān)鍵因素。顯然，最高管理層和采購決策人員都希望存儲(chǔ)盡可能具有成本效益，并且在許多情況下，這將影響企業(yè)的產(chǎn)品選擇和策略。

可擴(kuò)展性。我已經(jīng)強(qiáng)調(diào)創(chuàng)建機(jī)器學(xué)習(xí)或AI模型需要收集、存儲(chǔ)和處理大量數(shù)據(jù)。機(jī)器學(xué)習(xí)算法要求源數(shù)據(jù)呈指數(shù)增長(zhǎng)，以實(shí)現(xiàn)精確度的線性提高。創(chuàng)建可靠而準(zhǔn)確的機(jī)器學(xué)習(xí)模型可能需要數(shù)百TB甚至PB的數(shù)據(jù)，而且這只會(huì)隨著時(shí)間的推移而增加。

而構(gòu)建PB級(jí)存儲(chǔ)系統(tǒng)通常意味著使用對(duì)象存儲(chǔ)或橫向擴(kuò)展文件系統(tǒng)?，F(xiàn)代對(duì)象存儲(chǔ)肯定可以解決AI工作負(fù)載的容量需求，但是它們可能無法滿足其他標(biāo)準(zhǔn)，例如高性能。另一方面，橫向擴(kuò)展文件系統(tǒng)可以提供高性能和良好的可擴(kuò)展性，但在單個(gè)平臺(tái)存儲(chǔ)整個(gè)數(shù)據(jù)集可能會(huì)很昂貴。同時(shí)，考慮到可擴(kuò)展性要求和高容量產(chǎn)品的成本，塊存儲(chǔ)通常不是機(jī)器學(xué)習(xí)或AI的正確選擇。這里唯一的例外是在公共云中，稍后我們將對(duì)此進(jìn)行討論。

存儲(chǔ)成本的變化引入了分層或使用多種類型存儲(chǔ)來存儲(chǔ)數(shù)據(jù)的想法。例如，對(duì)象存儲(chǔ)庫是存儲(chǔ)大量非活動(dòng)AI數(shù)據(jù)的好辦法。當(dāng)需要數(shù)據(jù)進(jìn)行處理時(shí)，數(shù)據(jù)可被移動(dòng)到高性能文件存儲(chǔ)集群或?yàn)楦咝阅芏O(shè)計(jì)的對(duì)象存儲(chǔ)的節(jié)點(diǎn)中，當(dāng)完成處理，數(shù)據(jù)將被移回。

性能。AI數(shù)據(jù)的存儲(chǔ)性能包括三個(gè)方面。首先，可能也是最重要的是延遲性。這定義了軟件發(fā)出的每個(gè)I / O請(qǐng)求的處理速度。低延遲很重要，因?yàn)楦纳蒲舆t會(huì)直接影響創(chuàng)建機(jī)器學(xué)習(xí)或AI模型所需的時(shí)間。復(fù)雜的模型開發(fā)可能需要數(shù)周或數(shù)月的時(shí)間才能運(yùn)行。通過縮短此開發(fā)周期，企業(yè)可以更快地創(chuàng)建和完善模型。在檢查延遲功能時(shí)，由于對(duì)象訪問的流性質(zhì)，對(duì)象將參考傳送首字節(jié)的時(shí)間(Time To First Byte)，而不是單個(gè)I / O請(qǐng)求的延遲。

性能的另一個(gè)方面是吞吐量，以及數(shù)據(jù)寫入存儲(chǔ)平臺(tái)或從存儲(chǔ)平臺(tái)讀取數(shù)據(jù)的速度。系統(tǒng)吞吐量很重要，因?yàn)锳I培訓(xùn)會(huì)處理大量數(shù)據(jù)集，通常會(huì)反復(fù)讀取和重新讀取相同的數(shù)據(jù)，以準(zhǔn)確地開發(fā)模型。機(jī)器學(xué)習(xí)和AI數(shù)據(jù)的來源(例如自動(dòng)駕駛汽車上的傳感器)每天可以產(chǎn)生數(shù)TB的新數(shù)據(jù)。所有這些信息都必須添加到現(xiàn)有數(shù)據(jù)存儲(chǔ)中，并且需確保對(duì)任何現(xiàn)有處理只有最小影響。

性能的最后一個(gè)方面是并行訪問。機(jī)器學(xué)習(xí)和AI算法會(huì)并行處理數(shù)據(jù)，運(yùn)行多個(gè)任務(wù)，這些任務(wù)會(huì)多次讀取同一數(shù)據(jù)且跨多個(gè)并行任務(wù)。對(duì)象存儲(chǔ)擅長(zhǎng)并行讀取I / O處理，因?yàn)椴恍枰芾韺?duì)象鎖定或?qū)傩浴Ｎ募?wù)器會(huì)跟蹤內(nèi)存中打開的I / O請(qǐng)求或文件句柄。因此，活躍I / O請(qǐng)求的數(shù)量取決于平臺(tái)上可用的內(nèi)存。

此外，機(jī)器學(xué)習(xí)數(shù)據(jù)可能包含大量的小文件。在這方面文件服務(wù)器可以提供比對(duì)象存儲(chǔ)更好的性能。企業(yè)可向AI存儲(chǔ)供應(yīng)商提出的關(guān)鍵問題是，當(dāng)面對(duì)大文件類型或小文件類型，其產(chǎn)品的性能特征將如何發(fā)生變化。

可用性和耐用性。機(jī)器學(xué)習(xí)和AI學(xué)習(xí)模型需要長(zhǎng)時(shí)間連續(xù)運(yùn)行。通過訓(xùn)練開發(fā)算法可能需要幾天或幾周的時(shí)間。在此期間，存儲(chǔ)系統(tǒng)必須保持持續(xù)可用，這意味著任何升級(jí)、技術(shù)更換或擴(kuò)展都不能停機(jī)。

在大型系統(tǒng)中，組件故障是正?，F(xiàn)象，但必須確保不會(huì)導(dǎo)致停機(jī)。這意味著用于AI??的任何平臺(tái)都應(yīng)該能夠從設(shè)備(例如HDD或SSD)以及節(jié)點(diǎn)或服務(wù)器故障中恢復(fù)。對(duì)此，對(duì)象存儲(chǔ)使用擦除編碼將數(shù)據(jù)廣泛分布在很多節(jié)點(diǎn)中，并可使組件故障的影響降至最低。還有些擦除編碼技術(shù)可橫向擴(kuò)展文件系統(tǒng)以提供同等級(jí)別的彈性。擦除編碼方案的效率很重要，因?yàn)檫@直接與讀寫I / O的性能有關(guān)，尤其是對(duì)于小文件。

由于大多數(shù)大型對(duì)象存儲(chǔ)太大而無法定期備份，因此可靠的擦除編碼將成為AI存儲(chǔ)平臺(tái)的基本功能。

公共云。開發(fā)機(jī)器學(xué)習(xí)和AI算法既需要高性能存儲(chǔ)又需要高性能計(jì)算。很多AI系統(tǒng)都是基于GPU(例如Nvidia DGX)，這可移除開發(fā)精確算法所涉及的很多復(fù)雜數(shù)學(xué)計(jì)算。

公共云服務(wù)提供商已開始提供可用于機(jī)器學(xué)習(xí)的GPU加速虛擬實(shí)例。在公共云中運(yùn)行機(jī)器學(xué)習(xí)工具可降低構(gòu)建為機(jī)器學(xué)習(xí)開發(fā)構(gòu)建基礎(chǔ)架構(gòu)的資本成本，同時(shí)可擴(kuò)展基礎(chǔ)設(shè)施以開發(fā)機(jī)器學(xué)習(xí)模型。

使用公共云計(jì)算的挑戰(zhàn)是如何以經(jīng)濟(jì)高效且實(shí)用的方式將數(shù)據(jù)導(dǎo)入公共云?；谠频膶?duì)象存儲(chǔ)太慢，無法滿足機(jī)器學(xué)習(xí)的I / O需求;因此，必須使用本地塊存儲(chǔ)。然而，在移動(dòng)數(shù)據(jù)時(shí)，每分鐘延遲都會(huì)提高運(yùn)行基礎(chǔ)架構(gòu)的成本，還有執(zhí)行機(jī)器學(xué)習(xí)的延遲。

公共云的另一個(gè)問題是數(shù)據(jù)轉(zhuǎn)出的成本。盡管云服務(wù)提供商不收取將數(shù)據(jù)移入其平臺(tái)的費(fèi)用，但他們會(huì)對(duì)從其平臺(tái)外部的公共網(wǎng)絡(luò)訪問數(shù)據(jù)收取費(fèi)用。因此，雖然公共云提供計(jì)算靈活性，但是在公共云可能難以確保及時(shí)且經(jīng)濟(jì)高效地將數(shù)據(jù)移入和移出云。

供應(yīng)商正在開發(fā)存儲(chǔ)產(chǎn)品，以公共云中運(yùn)行其產(chǎn)品，跨越本地和云端。這些產(chǎn)品可以有效地復(fù)制數(shù)據(jù)或?qū)?shù)據(jù)移至云中，并且在完成后僅將結(jié)果移回。這些復(fù)制技術(shù)具有高帶寬效率，使在本地存儲(chǔ)數(shù)據(jù)并導(dǎo)入到云中進(jìn)行分析工作變得切實(shí)可行。

整合。在整篇文章中，我們都著眼于機(jī)器學(xué)習(xí)和AI的存儲(chǔ)方面。構(gòu)建AI數(shù)據(jù)存儲(chǔ)可能會(huì)很困難，我們需要考慮多種因素以確保存儲(chǔ)網(wǎng)絡(luò)和調(diào)整存儲(chǔ)可配合機(jī)器學(xué)習(xí)應(yīng)用程序。

正如我撰寫的有關(guān)融合基礎(chǔ)架構(gòu)的文章所述，預(yù)包裝產(chǎn)品使供應(yīng)商能夠在將產(chǎn)品交付給客戶之前對(duì)其產(chǎn)品進(jìn)行測(cè)試和優(yōu)化?，F(xiàn)在市面上有些存儲(chǔ)產(chǎn)品整合了流行的AI軟件、(通用CPU和GPU等)計(jì)算、網(wǎng)絡(luò)和存儲(chǔ)，以提供支持AI就緒的平臺(tái)。在部署這些系統(tǒng)之前，很多細(xì)節(jié)調(diào)試工作已完成。盡管成本可能是問題，但對(duì)于很多客戶而言，預(yù)包裝的系統(tǒng)可以減少部署AI存儲(chǔ)的障礙。

當(dāng)然，選擇正確的AI數(shù)據(jù)存儲(chǔ)平臺(tái)需要權(quán)衡指標(biāo)，例如性能、可擴(kuò)展性和成本。正確設(shè)置存儲(chǔ)平臺(tái)至關(guān)重要，因?yàn)檫@里涉及的數(shù)據(jù)量非常大，選擇錯(cuò)誤的產(chǎn)品可能會(huì)代價(jià)高昂。與任何存儲(chǔ)產(chǎn)品決策一樣，企業(yè)應(yīng)該與供應(yīng)商交談，以準(zhǔn)確了解其產(chǎn)品如何滿足AI和機(jī)器學(xué)習(xí)的需求。這個(gè)過程應(yīng)包括展示和評(píng)估，作為任何潛在購買決策的前提。