人工智能存储-TECHnalysis Research首席分析师| 让AI效率更高

发布时间:

2022-12-02 00:00

尽管人工智能(AI)和机器学习已经开始对我们生活的方方面面产生影响,比如自动驾驶、图像识别、医疗健康的研究突破、新药发现及气候预测等等,但AI所发挥的作用还没有真正达到当初的预期。此外,从商业的角度来看,许多组织仍在努力让他们的AI项目落地。Gartner 的数据显示,在10个已经启动AI项目的公司中,有9个公司都没能实现他们当初希望的目标。

发生上述情况的原因多种多样,包括规划不足,资源有限,数据源不充足等。另外,很多组织内部也缺乏相应的专业技能来正确地管理AI过程。如何让AI项目成功?下面为您带来市场研究公司 TECHnalysis Research 总裁兼首席分析师 Bob O’Donnell 先生的分析文章。

 

 

虽然挑战重重,很多公司仍在坚持进行AI相关的项目,因为他们意识到了AI可能带来的很大的收益:从时间和成本的节省到效率和准确度提高,到获得全新类型的分析洞见。那么,要使AI项目成功,创建一个清晰、简单的目标是关键。这意味着您要想明白,您拥有(或需要)哪种数据来输入到AI模型,您需要从AI项目输出中得到(或希望得到)哪些结果。当然,从A点(输入)到B点(输出)并达到目标需要很多努力,但基本的概念却并不复杂。

简单和平衡的原则同样适用于AI相关的技术。从那些成功的AI项目中不难发现:您首先需要一套计算、存储、网络各组件平衡的系统。通常情况下,训练AI模型需要很大的算力,而且要让AI模型稳定、效率高地运行,需要持续、高速地输入高质量的相关数据。真正的窍门在于让各种不同的组件以平衡的方式协同工作。

用于运行AI大模型的硬件系统其实有点像一辆跑车。您可以拥有很大、很强的引擎,但如果您不给它提供所需的汽油或电力,或者您只给它配一套小轮胎,您是不可能达到一辆跑车的设计性能的。因此,您不仅需要强大的计算引擎(比如采用当前能力强大的GPU和CPU ),而且您还需要高速互连和存储系统,让它们能按照计算引擎所需的速度传输数据。

另外,创建、训练、维护AI模型基本上是一个永不停息的迭代过程,这意味着保持这套系统平衡的需求始终存在,而不仅仅是在起初的训练时偶尔发生。值得注意的是:AI模型的创建和运行依赖于大量并行发生的运算,这也是为什么GPU对于AI极其重要的原因所在。GPU当初是为图形学和显示应用而设计的,它同时刷新屏幕上的所有像素所需的大规模并行架构恰好与创建和训练AI模型所需的并行处理方式完美匹配。并行计算的需求也把独特的并行数据传输要求摆在了AI超算的存储系统面前。

如果您想从AI项目中产生有用的结果,有了正确的系统还不够,您还需要大量正确的数据(哪种数据更适合某个AI模型,需从数据中搜集哪些参数种类)。由于目前对于数据的共识是:数据越多越好。从存储的角度来看,这意味着很大的容量需求,也意味着不同类型的存储需求,有的用于“热”的数据(即需要载入计算系统内存的数据),另一些用于“较冷”的数据(即偶尔会用到的数据)。

总之,成功、效率高的AI项目需要数据和硬件系统两方面的支撑。以恰当的速度为处理器提供大量数据可以在创建和使用AI模型的效率方面产生很大的影响。

 

了解更多关于DDN人工智能存储:https://www.ddnstorage.com.cn/product_ai.html

 

【往期推荐】

相关新闻

暂无数据

暂无数据