首页
解决方案
科研高校
人工智能
生命医疗
金融服务
自动驾驶
互联网
高性能计算 (HPC)
AI数据管理
产品
产品概述
块存储
200X2/400X2
SFA18KX
SFA7990X
文件存储
人工智能存储
统一存储
数据迁移 & 监控软件
数据迁移软件
监控软件
数据管理平台
客户
技术支持
全球服务概况
服务等级
支持门户注册
服务支持公告
DDN培训
诊断工具下载
研发
合作伙伴
合作伙伴生态系统
技术合作伙伴
解决方案合作伙伴
国内经销商
新闻资讯
公司新闻
博客
市场活动
即将召开
往期活动
行业动态
资料下载
关于我们
公司简介
所获荣誉
人才招聘
联系方式
公司社会责任
隐私政策
友情链接
企业AI-人工智能在企业中的未来
2022-02-10
DDN 近期的一次用户大会于2021年11月15日在SC2021 (SuperComputing 2021) 大会期间线上举行,英伟达公司企业计算主管Manuvir Das先生在会上发表演讲,他谈到了人工智能 (AI) 在企业中的现状,以及英伟达的策略,并对企业数据中心的发展和AI基础设施的未来提供了新的视角和见解。以下是Manuvir Das先生演讲的精彩摘要。
HPC存储-为什么高性能计算中存储的重要性提高了?
2021-10-08
过去的高性能计算(HPC)主要是运行传统的建模/仿真工作负载,而建模/仿真工作负载大都是计算密集型应用驱动的,所以传统HPC主要的关注点在于:如何让计算线程更快,让更多的计算线程并行,以及减少花在服务器之外的时间。因此,服务器的内存越来越大,并且尽可能地减少访问网络和存储的时间。对于传统HPC来说,芯片的时钟频率、核数以及每秒浮点运算次数(FLOPS)是主要的考虑因素。尽管如此,传统的建模/仿真对于存储也提出了两方面的需求:首先是容量,要能够存储不断增长的仿真所需数据以及仿真结果。其次是写带宽性能,要为检查点快速地保存长时间运行的仿真状态,以防止灾难性系统崩溃而中断作业。
Dataflow-采用DDN云迁移服务 提高云效率和性能
2021-09-22
许多机构在管理层的主导下都采用了"云优先"战略来推动数字化转型,这些机构希望实现 IT 基础设施现代化,并为其业务应用带来更高的敏捷性和成本转型。然而,将大数据和人工智能工作负载迁移到云端可能面临很大的战略和资金压力。
人工智能AI存储-存储小知识 | 并行文件存储 vs. NFS文件存储 vs. 本地NVMe RAID存储
2021-09-14
又到了九月开学季,随着学子们回归校园的步伐,DDN的存储小知识栏目也与大家见面了。虽然我们经常讲到存储,但你是不是也容易被“并行文件存储”,“NFS存储”,“本地存储”这些概念搞得有些迷惑, 而不知道应该如何选择和使用?我们这期小知识就来捋一捋这几种存储在现代化数据中心的应用场景中的区别吧。
数直通DDN存储-金融行业用户访谈 | DDN A³I存储匹配NVIDIA DGX系统的价值
2021-08-18
Enterprise Strategy Group (ESG) 是一家IT 分析、研究、验证和战略咨询公司,为全球 IT 行业提供市场信息和具体行动方案。近期,ESG公司的分析师访问了一些来自不同行业的IT经理,他们负责建设和运营的IT环境中采用了DDN和NVIDIA提供的联合解决方案来支持人工智能(AI)和机器学习(ML)应用,这些IT经理也亲身验证了联合解决方案的价值所在。在此分享ESG分析师对一位金融行业用户的访谈。
DataFlow-人工智能、分析和高性能计算环境中的数据迁移
2021-08-10
什么是数据迁移? 数据迁移是指移动数据的过程,包括从一个位置到另一个位置,从一种格式到另一种格式,或从一个应用程序到另一个应用程序。通常,新的数据迁移技术受到云端采用技术的启发。 数据迁移的需求常常来自于应用程序的迁移或整合,在此过程中,共享同一数据集的新应用程序需要替代或增强原有的系统。
AI存储白皮书-人工智能成功指南
2021-06-23
人工智能AI-AI基础设施常见的5个挑战
2021-06-22
如果您所在的机构已经尽力规划好了一个AI战略,但实施起来却总感觉有些不太对劲,比如您的AI应用程序即使运行正常,您却感到仅仅是”正常运行“还并不能满足您的全部需求,这是因为您对AI的期望值不知不觉中提高了。实际上,很多机构都可能遭遇了类似的AI实施经历。
企业AI-构建企业人工智能的可靠方法
2021-06-03
由于令人信服的人工智能(AI)应用日益增多, AI已成为许多IT和领军企业的关注点。然而,当实施AI项目时,许多人的热情却被沮丧所取代。
数直通DDN存储-为什么存储基础设施的选择对数据密集型机构至关重要
2021-05-18
使用人工智能(AI)、深度学习(DL)和机器学习(ML)让许多产业、政府和研究机构能够以前所未有的速度和准确性从他们的数据中获得洞见。但是,海量人工智能和深度学习数据必须进行处理、存储和分析,这也为各种机构带来了难题。随着工作负载的增长,数据中心基础设施必须快速和高效地扩展,以满足收集、摄取、处理和存储所有这些人工智能和深度学习数据的需求。