ปัญญาประดิษฐ์ (AI) เป็นประเด็นร้อนมาเป็นเวลานาน แต่ผลกระทบต่อสังคมของเราและในองค์กรเพิ่งเริ่มเป็นที่ประจักษ์ AI และรูปแบบอื่นๆ ของแมชชีนเลิร์นนิงและการเรียนรู้เชิงลึกจะปฏิวัติธุรกิจ ทำให้งานซ้ำๆ เป็นแบบอัตโนมัติและเร่งผลลัพธ์ ทั้งหมดนี้ขึ้นอยู่กับชุดข้อมูลจำนวนมหาศาล
การพัฒนาแอปพลิเคชันการเรียนรู้เชิงลึกโดยทั่วไปมีขั้นตอนสามขั้นตอนดังนี้:
การเตรียมข้อมูล ซึ่งเปลี่ยน”วัตถุดิบ”จำนวนมหาศาลให้เป็นข้อมูลที่ใช้งานได้การฝึกอบรมแบบจำลอง ซึ่งโปรแกรมซอฟต์แวร์ได้รับการฝึกอบรมเพื่อเรียนรู้ความสามารถใหม่จากข้อมูล การอนุมาน ซึ่ง (โดยนัย) โปรแกรมนำการเรียนรู้ใหม่นี้ไปใช้กับข้อมูลใหม่
ทั้งหมดนี้รวมกันเป็นการเติบโตของข้อมูลจำนวนมหาศาล นักวิเคราะห์อุตสาหกรรมคาดการณ์ว่าข้อมูลที่ไม่มีโครงสร้าง-ไฟล์และออบเจกต์-จะเพิ่มความจุเป็นสองเท่าหรือสามเท่าในอีกไม่กี่ปีข้างหน้า หนึ่งในตัวขับเคลื่อนสำคัญสำหรับการเติบโตนี้คือกรณีการใช้งาน AI การเรียนรู้ของเครื่อง และการเรียนรู้เชิงลึก
นี้”ต่อไป ยุคของข้อมูลสร้างความท้าทายที่แตกต่างสำหรับผู้นำโครงสร้างพื้นฐานด้านไอที ประการแรก ชุดข้อมูลมีขนาดและปริมาณที่มากกว่าสิ่งใดๆ ก่อนหน้านี้แบบทวีคูณ ลูกค้าบางรายของเราที่พัฒนาเทคโนโลยีช่วยเหลือผู้ขับขี่ ซึ่งโดยพื้นฐานแล้วเป็นรูปแบบหนึ่งของการเรียนรู้ของเครื่อง โดยเฉพาะการมองเห็นด้วยเครื่อง ได้สร้างข้อมูลจำนวนมหาศาลในเวลาเพียงไม่กี่ปี ดังนั้นสเกลจึงใหญ่โต
นอกจากนี้ แอปพลิเคชันการเรียนรู้เชิงลึกยังต้องการประสิทธิภาพโครงสร้างพื้นฐานสตอเรจอย่างมาก การประมวลผลชุดข้อมูลที่ไม่มีโครงสร้างขนาดมหึมาเหล่านี้ต้องการเวลาแฝงที่ต่ำมาก และที่สำคัญคือประสิทธิภาพต้องสอดคล้องกันในระดับมาก ระบบจัดเก็บข้อมูลแบบใช้ดิสก์ซึ่งใช้ฮาร์ดไดรฟ์แบบอนุกรมไม่สามารถตอบสนองความต้องการเหล่านี้ได้ สิ่งนี้นำไปสู่การเติบโตในไฟล์ออลแฟลชและพื้นที่จัดเก็บอ็อบเจกต์ และการเติบโตดังกล่าวจะเร่งตัวขึ้นในอีกห้าปีข้างหน้าเนื่องจากราคาของแฟลชลดลง และเนื่องจากสถาปัตยกรรมใหม่ใช้เทคโนโลยีหน่วยความจำ เช่น Non-Volatile Memory Express (NVMe) และ Remote Direct Memory Access (RDMA) ที่เปิดใช้งานสถาปัตยกรรมสตอเรจแบบกระจายที่มีความหน่วงแฝงต่ำเป็นพิเศษ ดังนั้นประสิทธิภาพของระบบสตอเรจจึงต้องดีขึ้นตามลำดับความสำคัญ
ประการสุดท้าย–ข้อมูลไม่ได้อยู่ในที่เดียว มันถูกสร้างขึ้นนอกศูนย์ข้อมูล มันจะถูกย้ายไปที่ใดที่หนึ่งเพื่อดำเนินการ สิ่งนี้อาจอยู่ในคลาวด์สาธารณะ อาจอยู่ในศูนย์ข้อมูล หรือมีแนวโน้มว่าบางส่วนของท่อข้อมูลจะเกิดขึ้นในทั้งสองแห่ง ดังนั้นการเคลื่อนย้ายและการจัดการข้อมูลนี้ตลอดวงจรชีวิตจึงเป็นข้อพิจารณาหลัก และมากขึ้นเรื่อยๆ ชุดข้อมูลเหล่านี้จะถูกเก็บรักษาไว้เป็นเวลาหลายสิบปี ไม่ใช่ห้าปีหรือเจ็ดปี โดยเฉพาะอย่างยิ่ง ชุดข้อมูลขนาดใหญ่ที่ใช้ในการเตรียมข้อมูล ตลอดจนตัวแบบอาจถูกเก็บไว้เป็นเวลาหลายทศวรรษหรือนานกว่านั้น ในกรณีที่แบบจำลองต้องได้รับการฝึกอบรมใหม่
ปัจจัยทั้งหมดเหล่านี้สร้างแรงกดดันต่อสถาปัตยกรรมสตอเรจแบบเดิมอยู่แล้ว ข้อมูลที่ไม่มีโครงสร้างส่วนใหญ่ของโลกถูกจัดเก็บไว้ในระบบที่ได้รับการออกแบบเมื่อ 20 ปีที่แล้ว ระบบเหล่านี้ได้รับการออกแบบในช่วงเวลาที่ไฟล์ส่วนใหญ่สร้างขึ้นโดยคน ไม่ใช่อุปกรณ์ และความคิดเกี่ยวกับไฟล์และวัตถุนับล้านล้านและข้อมูลขนาดเอกซะไบต์ที่จะเก็บไว้เป็นเวลาหลายทศวรรษไม่ได้อยู่ในขอบฟ้า
สำหรับผู้มีอำนาจตัดสินใจด้านโครงสร้างพื้นฐานด้านไอที หากธุรกิจของคุณมีความคิดริเริ่มในการเปลี่ยนแปลงทางดิจิทัล หรือความคิดริเริ่มทางธุรกิจใหม่ๆ ที่ใช้ปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง หรือการเรียนรู้เชิงลึก โครงสร้างพื้นฐานการจัดเก็บข้อมูลของคุณอาจรั้งธุรกิจของคุณไว้ อาจส่งผลกระทบต่อประสิทธิภาพการทำงานของนักวิทยาศาสตร์ข้อมูล ผู้สร้างเนื้อหา และนักวิเคราะห์ที่ต้องพึ่งพาข้อมูลนี้ทุกวันเพื่อสร้างผลลัพธ์ และแน่นอนว่าทำให้คุณต้องทำการแลกเปลี่ยนที่ไม่เป็นธรรมเพื่อพยายามทำให้มันใช้การได้ ทำตามขั้นตอนต่อไปตอนนี้เพื่อประเมินว่าสถาปัตยกรรมแห่งยุคหน้าควรมีลักษณะอย่างไร เพื่อขับเคลื่อน AI รุ่นต่อไปและแอปพลิเคชันการเรียนรู้เชิงลึก
เครดิตรูปภาพ: Photon photo/Shutterstock
Eric Bassier เป็นผู้อำนวยการอาวุโสฝ่ายผลิตภัณฑ์ของ Quantum