使AI存储更高效的8个因素

1.工作负载模式

AI存储需求因应用程序而异。它们生成不同数量的数据，并具有各种访问需求和I/O模式。例如，一个深度学习应用可能需要比基本机器学习更频繁地访问和处理数据，同时不断向现有池中添加数据。您现在和将来都必须彻底了解每个工作负载的存储需求，不要假设任何两个工作负载是相同的。

但理解这些要求并非小事。一个典型的人工智能应用程序会经历几个操作阶段，而存储需求会随着阶段的不同而变化。

例如，在摄取阶段，大量的异构数据被收集并保存到磁盘，通常是作为顺序的写操作。但是在转换阶段，当必须对数据进行清理、组织和转换时，读取和写入的数据量会出现波动，导致随机和顺序操作。

2.AI存储可扩展性

人工智能应用程序需要大量数据。AI应用程序可用的数据越多，其结果就越准确。这些数据可以来自多种来源，格式也多种多样。诚然，一些AI应用程序需要的数据比其他应用程序少，但您仍然必须考虑容量和可伸缩性需求。一定要考虑复制、移动、聚合或以其他方式操作和处理数据的需要。

无论是在数据中心系统还是基于云的服务中，所有这些存储都是一项重大投资。在本地处理所需的存储可能会很昂贵，特别是使用高性能闪存阵列，但将所有存储全部转移到云端并不总是最好的选择最佳选择.

降低成本并满足可扩展性要求的一种方法是同时使用闪存和硬盘存储，而不是仅仅依赖闪存。另一种选择是实施混合或多云战略。然而，这种方法的挑战在于，您必须小心地控制跨平台复制或迁移的数据量，并且必须记住距离。否则，数据复制或迁移成本可能会削弱云战略的优势。

3.数据持久性

对于某些人工智能应用程序，数据量不是唯一的考虑因素。您还必须查看需要保留该数据多长时间。一些应用程序需要持续分析，不断地将新数据注入旧数据，这一过程可以跨越数年，从而产生巨大的信息储备。为了确保数据在整个过程中都能保存，除了大量存储容量之外，您还需要全面的备份和灾难恢复策略。

在自己的数据中心或单一云平台上处理和存储数据的组织具有优势。

在评估AI应用程序的工作负载模式和可伸缩性要求时，请务必考虑以下问题：必须保留数据的时间、未来如何访问数据、可以归档哪些数据、何时归档，当然还有，在整个生命周期中需要存储的数据量。

4.系统性能

人工智能解决方案收集、处理、聚合、训练和分析数据。要针对海量数据集执行这些操作，AI存储必须快速高效，能够提供必要的吞吐量和I/O速率，同时减少延迟和争用。如果存储系统的构建和优化不能满足这些需求，那么您可能需要数周的时间来完成数据培训阶段的单个迭代。

今天的人工智能产品通常运行在基于GPU的高性能计算系统上。存储平台必须跟上这些系统的步伐，才能使投资物有所值。这意味着，除其他外，可以避免I/O瓶颈和性能问题。A.大规模并行存储体系结构是实现这些人工智能存储目标的一种方法，特别是在训练数据时，这对计算和存储系统都有很高的要求。

5.数据位置

数据的位置在高效处理海量数据方面起着重要作用。数据存储到处理位置越近，操作效率越高。在自己的数据中心或单一云平台上处理和存储数据的组织具有优势。使用混合云和多云战略的组织可能会面临更艰难的时期，这会削弱云战略带来的一些优势。要实现有效的AI解决方案，您必须最小化延迟，距离可能是延迟的最大因素之一。

6.存储类型

实现AI工作负载时的另一个考虑事项是如何存储数据。对象数据存储是最常见的方法。它的优点是支持大量的元数据集。将元数据与实际数据一起存储，可以以多种方式描述数据，从而实现更快、更容易的搜索，这是AI分析的一个重要考虑因素。此外，对象存储具有快速、灵活、空间高效和高度可扩展性，是人工智能工作负载的理想匹配。

7.连续优化

任何人工智能存储系统都必须不断优化，以最大限度地提高性能和减少延迟。今天的智能存储在帮助保持系统优化方面可以发挥很大作用。一智能存储系统，它本身使用人工智能技术，可以揭示从存储系统以及环境中的其他系统收集的度量数据中的模式。通过这些模式，智能系统可以自动解决问题，优化存储性能，无需人工干预。

另一个有利于AI工作负载的趋势是软件定义存储（SDS），一种将存储软件与硬件分离的系统体系结构。通过抽象物理存储资源，SDS提供了更大的灵活性，简化了管理并自动化了操作，同时优化了存储性能，所有这些都将有利于AI工作负载。

8.跨平台集成

真空中不存在任何系统或应用程序。数据几乎总是来自多个来源——有时是相当多的来源——并且通常存储在许多位置。混合云和多云战略只是增加了混合，边缘计算、物联网和云计算等技术也是如此超融合基础设施.

无论数据如何移动或存储在何处，都必须确保所有系统彼此无缝集成，以最大限度地减少部署和维护工作以及潜在的瓶颈。尽可能使用基于标准的技术来帮助完成这一过程。