处理人工智能复杂性的关键考虑因素和挑战

研究公司IDC预测，到2023年，全球人工智能技术支出将达到近980亿美元，高于2019年的375亿美元。这一增长代表着接近30%的复合年增长率。所有这些新的和复杂的人工智能应用程序都不会在真空中部署。一系列信息技术基础设施，包括为人工智能定制的存储，必须支持和处理这些新的工作负载。

人工智能，尤其是机器和深度学习应用，需要将大量数据发送到CPU或GPU进行近实时处理和分析。然后，必须存储大量数据以备将来使用。人工智能的应用和技术将成为未来几年影响基础设施决策的主要因素。对于存储，这意味着企业必须了解正在处理的数据，并找到方法使存储介质更接近计算技术，并增强AI数据存储性能以匹配处理器。

以下是我们在各种SearchStorage文章中回答的六个问题，这些问题与AI工作负载如何改变企业存储基础架构有关。

1.规划AI数据存储工作负载时应该考虑什么？

整合人工智能应用程序的存储并不容易。这里要考虑几个问题，细节一定要正确。顾问和技术作家罗伯特谢尔登列出了八个这样的因素：

了解各种工作负载的存储要求。

了解您的容量和可扩展性要求。

了解保留多长时间以及如何访问数据。

考虑您需要的吞吐量和输入/输出速率。

考虑位置-计算附近的数据将最小化延迟。

评估要使用的最佳存储类型-数据块、文件或对象。

借助智能和软件定义的存储提高性能。

确保所有相关系统紧密集成。

2.AI数据存储带来了哪些挑战？

据一位IT行业资深人士克里斯埃文斯说，为人工智能应用程序构建存储有两个明显的挑战。一方面，在人工智能或机器学习项目开始时，尚不清楚哪些数据会有用。因此，需要长期存档存储，以便在需要时可以保留和访问数据来支持学习成果。

另一个主要的存储挑战是确保有足够的高性能存储来处理活动数据。供应商正在将快速存储与人工智能和机器学习相结合，以满足这一需求。埃文斯概述了构建能够平衡人工智能工作负载存储需求的存储平台的挑战。针对人工智能产品调整的打包存储是本次讨论的一部分，因为它们有特定的性能级别，所以它们可能很有吸引力。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！