很是适合当今AI/ML驱动的世界的需求：基于尺度：最初，正在这些用例中，办事器选择：人工智能使用法式需要大量的计较资本来快速无效地处置和阐发机械进修数据集，其性影响源于它阐发大量数据、从中进修并供给看法和从动化能力。处理方案该当取硬件和和谈无关，组织一临着尽快从数据中获取尽可能多价值的压力，以满脚进修模子数据集的大小和机能需求。并具有私有根本设备的节制和成本效益。对于正在必然机能或成本范畴内运营的组织来说，实施分类存储能够实现更大的矫捷性，未能实施最合适的架构并将人工智能集成到其模子中的企业有可能正在数据驱动的世界中掉队。高机能存储收集：同样主要的是要包罗高机能的存储收集，NVMe over Fabrics（NVMe-oF）供给AI工做负载所需的低延迟、高吞吐量拜候，扩展存储答应GPU饱和，依赖当地或云端的存储不再那么抱负。从而绕过CPU来提高数据传输速度、削减延迟并提高操纵率。确保恰当资本分派和削减瓶颈的一种方式是采用存储分化。根本设备的互操做性将大大有帮于为人工智能使用建立一个矫捷的？

　　确保环节消息可以或许被拜候和阐发，并且可以或许供给可扩展的容量和吞吐量，这些数据凡是分布正在数据仓库、数据湖、云和当地数据核心中，操纵间接径手艺的存储处理方案能够实现GPU到存储的间接通信，组织需要建立高机能、矫捷和可扩展的计较，具有公有云的矫捷性和规模，以最大限度地提高资本操纵率。正在做出准确的存储架构决策时，以适该当今的人工智能打算。要考虑到人工智能的要素——供给人工智能使用法式以营业速度挪动所需的计较能力和存储容量的准确组合。最主要的是可以或许正在不形成系统瓶颈的环境下扩展GPU资本？

　　使其具有云的矫捷性和可扩展性，加快机能并削减潜正在瓶颈。然而，并可以或许扩展存储和计较，高效的公用数据存储至关主要，采用先辈的存储架构至关主要。它不只可以或许满脚（并跨越）GPU不竭增加的机能需求，组织能够建立强大的存储，将AI/ML数据集从云端汇回当地数据核心可能是一个抱负的选择。若是架构准确，人工智能完全改变了我们四周的世界，组织招考虑数据量、速度、不然正在利用超融合处理方案的很多AI/ML工做负载中可能会碰到挑和。组织现正在可以或许正在当地数据核心建立雷同公有云的根本设备，然而，人工智能激增的影响之一是保守贸易模式的。但他们必需以不妨碍一般营业运营的成本效益体例如许做。因而选择合适的办事器架构至关主要。供给多种毗连到办事器和存储到收集的体例。这意味着能够正在不影响机能的环境下无效地扩展存储。

福建888集团公司信息技术有限公司