人工智能（AI）最初只是實(shí)驗(yàn)室研究，但如今機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等人工智能技術(shù)正越來越多地應(yīng)用到現(xiàn)實(shí)世界中，例如檢測金融交易中的欺詐行為、分析零售數(shù)據(jù)以提供個性化的購物體驗(yàn)，或者找到運(yùn)輸工具的最佳路線。

這些趨勢意味著人工智能正迅速成為許多企業(yè)工作流程中不可或缺的一部分，從電子郵件到CRM或ERP，尤其是數(shù)據(jù)分析，從組織自身的數(shù)據(jù)集中收集商業(yè)智能見解，以提高效率，甚至創(chuàng)造新的商業(yè)機(jī)會。

這并不奇怪，IDC最近的一項(xiàng)調(diào)查顯示，85%的企業(yè)正在評估人工智能或已經(jīng)在生產(chǎn)中使用人工智能。然而，IDC發(fā)現(xiàn)，大多數(shù)組織報(bào)告說，在他們的人工智能項(xiàng)目中，有四分之一的機(jī)構(gòu)報(bào)告說，失敗率高達(dá)50%。這些失敗都?xì)w因于缺乏熟練員工或文化上的挑戰(zhàn)，但另一個常見的失敗原因是無法從概念驗(yàn)證項(xiàng)目擴(kuò)展到能夠服務(wù)于整個組織的生產(chǎn)能力。

退一步講，重要的是要區(qū)分那些投資于人工智能以獲得顯著的戰(zhàn)略優(yōu)勢或可能重塑其整個商業(yè)模式的組織，而不是那些僅僅尋求簡化運(yùn)營或使用人工智能來自動化某些任務(wù)的組織。對于后者，基于云的AI功能生態(tài)系統(tǒng)已經(jīng)興起，可以通過API進(jìn)行訪問并將其集成到業(yè)務(wù)工作流程中。

另一類公司則以電子商務(wù)巨頭阿里巴巴（Alibaba）分拆出來的一家銀行為例，該銀行使用人工智能來管理其所有金融服務(wù)，在貸款審批等流程方面，它的速度比競爭對手快得多，而且員工人數(shù)只占其一小部分。正如《哈佛商業(yè)評論》（Harvard Business Review）所詳述的，這家新銀行的核心是一個基于人工智能的“決策工廠”，它將決策視為一門科學(xué)，利用數(shù)據(jù)來推動預(yù)測和洞察，從而指導(dǎo)和自動化公司的運(yùn)營工作流程。

對于這類業(yè)務(wù)，實(shí)施你的人工智能戰(zhàn)略首先要有正確的數(shù)據(jù)，并且要理解如何使用它。這意味著不僅要雇傭數(shù)據(jù)科學(xué)家，還要雇傭數(shù)據(jù)戰(zhàn)略家，他們是能夠?qū)I(yè)務(wù)問題轉(zhuǎn)化為分析解決方案和見解的專業(yè)人士。

人工智能是建立在數(shù)據(jù)基礎(chǔ)上的

大量的數(shù)據(jù)是開發(fā)機(jī)器學(xué)習(xí)（ML）或深度學(xué)習(xí)（DL）算法的最終根本。您在模型上投入的樣本數(shù)據(jù)越多，就可以將模型“訓(xùn)練”得越好，并且其輸出越準(zhǔn)確可靠。結(jié)果是，與傳統(tǒng)的企業(yè)IT環(huán)境相比，為AI項(xiàng)目存儲和處理數(shù)據(jù)通常需要與高性能計(jì)算（HPC）安裝有更多共同點(diǎn)的硬件。

訓(xùn)練一個深度學(xué)習(xí)模型或分析大量數(shù)據(jù)需要大量的處理能力。這可以通過使用一堆服務(wù)器和高端處理器芯片并行處理問題來實(shí)現(xiàn)。但更有效的解決方案是求助于專門的加速器，如GPU，或圖形處理單元。

GPU之所以得名，是因?yàn)樗鼈冏畛跏?D圖形的加速器，需要數(shù)百萬次重復(fù)計(jì)算才能渲染圖像。因此，它們具有使用數(shù)百個簡單處理核心的大規(guī)模并行體系結(jié)構(gòu)，事實(shí)證明，它們也適用于AI模型所涉及的計(jì)算。

例如，谷歌發(fā)現(xiàn)一個僅用于48個Nvidia GPU即可處理用于在線圖像識別的AI系統(tǒng)，該系統(tǒng)需要16，000個CPU。

這并不意味著GPU會完全取代用于AI工作負(fù)載的計(jì)算基礎(chǔ)架構(gòu)中的CPU。在許多情況下，仍然需要CPU來處理應(yīng)用程序邏輯和其他數(shù)據(jù)科學(xué)計(jì)算，因此在大多數(shù)情況下，結(jié)合使用CPU和GPU的計(jì)算節(jié)點(diǎn)將被證明是最佳解決方案。

存儲源計(jì)算

與傳統(tǒng)的HPC體系結(jié)構(gòu)一樣，獲得最佳性能的關(guān)鍵是保持計(jì)算節(jié)點(diǎn)及其gpu以足夠高的速率接收數(shù)據(jù)，以使它們保持忙碌，這意味著存儲基礎(chǔ)結(jié)構(gòu)在提供所需的性能級別方面起著至關(guān)重要的作用。正確的數(shù)據(jù)存儲系統(tǒng)必須提供高吞吐量，以防止昂貴的gpu閑置，但它也必須具有靈活性和可擴(kuò)展性。

更復(fù)雜的是，不同的AI工作負(fù)載將以讀寫數(shù)據(jù)的方式顯示不同的訪問模式，存儲層需要能夠處理所有這些模式。ML訓(xùn)練工作負(fù)載往往遵循一種不可預(yù)測的訪問模式，例如，生成大量的讀寫操作，這些讀寫操作可能包括大小不等的隨機(jī)訪問和順序訪問，存儲層必須能夠吸收這些數(shù)據(jù)并提供高吞吐量。

當(dāng)訓(xùn)練數(shù)據(jù)集足夠小時，例如在試驗(yàn)性部署中，它可能被緩存在本地內(nèi)存中，或者從小型計(jì)算節(jié)點(diǎn)群集中的本地閃存驅(qū)動器（SSD）中提供服務(wù)，這可以提供足夠的性能級別，特別是當(dāng)閃存SSD是NVMe驅(qū)動器時。

NVMe是一種存儲標(biāo)準(zhǔn)，它使用高速PCIe總線將SSD直接鏈接到系統(tǒng)中的處理器，而不是傳統(tǒng)接口（如SAS或SATA）。它還指定了一種新的高效協(xié)議，可以減少軟件開銷，從而最大限度地提高閃存提供的低延遲。NVMe的一個關(guān)鍵特性是支持多個I/O隊(duì)列（最多65535個），從而使閃存能夠并行處理多個請求。這利用了NAND存儲設(shè)備的內(nèi)部并行性，并允許比SAS或SATA高得多的原始吞吐量。

然而，擴(kuò)展這樣一個試驗(yàn)性部署來支持生產(chǎn)性人工智能用例所需的大量數(shù)據(jù)是困難的和/或昂貴的，這可能是一些人工智能項(xiàng)目無法超越概念驗(yàn)證階段的原因。

成本也是一個因素。許多全閃存存儲體系結(jié)構(gòu)都依賴于單獨(dú)的對象存儲池或類似的存儲池來保存訪問頻率較低的冷數(shù)據(jù)。相比之下，存儲公司DDN有一個名為熱池的功能，用戶可以通過在用于熱數(shù)據(jù)的閃存層和用于冷數(shù)據(jù)的更大的旋轉(zhuǎn)磁盤層之間自動遷移數(shù)據(jù)，將所有內(nèi)容保存在一個文件系統(tǒng)中。這降低了由于管理開銷而導(dǎo)致的成本，同時使所有數(shù)據(jù)更接近你的手邊。

加速任意規(guī)模的AI

這方面的一個很好的例子可以從DDN的加速、任意規(guī)模的AI（A3I）投資組合中看到，DDN是一家專門從事高性能存儲的公司。A3I系列是一套基于DDN EXAScaler系統(tǒng)的預(yù)配置設(shè)備，可選擇所有閃存NVMe SSD或閃存與硬盤驅(qū)動器存儲的混合，以提高存儲容量。

為了擴(kuò)大規(guī)模，客戶只需添加額外的設(shè)備，每個AI200X/AI400X設(shè)備的閃存NVMe容量高達(dá)256TB，或AI7990X型號的混合存儲容量為4PB。每個文件系統(tǒng)都可以看作是一個構(gòu)建塊，可以聚合成一個可以在容量、性能和功能上進(jìn)行擴(kuò)展的文件系統(tǒng)。

根據(jù)DDN，A3I設(shè)備針對所有類型的訪問模式和數(shù)據(jù)布局進(jìn)行了優(yōu)化，以確保GPU資源的充分利用。每個設(shè)備還具有多個高速主機(jī)接口，最多有8個HDR100 InfiniBand或100Gbit/s以太網(wǎng)端口。

AI基礎(chǔ)設(shè)施認(rèn)證

認(rèn)識到這一點(diǎn)，領(lǐng)先的GPU供應(yīng)商N(yùn)vidia在其參考架構(gòu)中將DDNA3I存儲與DGX A100系統(tǒng)結(jié)合在一起，DGX A100系統(tǒng)是一個專用的AI計(jì)算系統(tǒng)，其中包含八個最新的A100 Tensor Core GPU和一對AMD Epyc CPU。DGX A100系統(tǒng)的架構(gòu)被設(shè)計(jì)為適用于所有AI工作負(fù)載的通用系統(tǒng)，可消耗高達(dá)192GB / s的大量數(shù)據(jù)。但是，四個并行工作的DDN AI400X存儲設(shè)備能夠使所有這些GPU完全存滿數(shù)據(jù)。

雖然DGX A100是相當(dāng)新的產(chǎn)品，但是客戶已經(jīng)在AI應(yīng)用程序中將DDN存儲與Nvidia的舊DGX-1平臺一起使用。日本東北大學(xué)醫(yī)學(xué)大銀行組織（ToMMo）已實(shí)現(xiàn)DDN EXAScaler存儲，該存儲連接到運(yùn)行Parabricks基因組分析軟件的基于DGX-1 GPU的分析服務(wù)器，作為其醫(yī)療超級計(jì)算機(jī)系統(tǒng)的一部分。

據(jù)該大學(xué)稱，這極大地提高了其分析能力和樣品量。因?yàn)橛捎谀軌蛱幚砀蟮臄?shù)據(jù)集，所以以前只存在于理論上的方法現(xiàn)在變得可行，從而提高了數(shù)據(jù)分析的準(zhǔn)確性。

不過教訓(xùn)是，要使用A來I轉(zhuǎn)變業(yè)務(wù)運(yùn)營，組織需要能夠處理大量數(shù)據(jù)。這反過來又意味著要建立一個能夠處理這些數(shù)據(jù)量的基礎(chǔ)設(shè)施，以及在不破壞銀行資金的情況下擴(kuò)大對數(shù)據(jù)和計(jì)算資源的訪問的方法，以支持未來的增長。

希望通過采用全面的數(shù)據(jù)戰(zhàn)略來領(lǐng)先于競爭對手的公司需要確保自己不會在基礎(chǔ)架構(gòu)方面承擔(dān)額外風(fēng)險。選擇一家在要求最苛刻的數(shù)據(jù)密集型的環(huán)境中提供一系列解決方案方面具有豐富經(jīng)驗(yàn)的存儲供應(yīng)商是一個明智的起點(diǎn)。
責(zé)任編輯:tzh