Autores:  (1) Sasun Hambardzumyan, Activeloop, Mountain View, CA, EE. UU.;  (2) Abhinav Tuli, Activeloop, Mountain View, CA, EE. UU.;  (3) Levon Ghukasyan, Activeloop, Mountain View, CA, EE. UU.;  (4) Fariz Rahman, Activeloop, Mountain View, CA, EE. UU.;  (5) Hrant Topchyan, Activeloop, Mountain View, CA, EE. UU.;  (6) David Isayan, Activeloop, Mountain View, CA, EE. UU.;  (7) Mark McQuade, Activeloop, Mountain View, CA, EE. UU.;  (8) Mikayel Harutyunyan, Activeloop, Mountain View, CA, EE. UU.;  (9) Tatevik Hakobyan, Activeloop, Mountain View, CA, EE. UU.;  (10) Ivo Stranic, Activeloop, Mountain View, CA, EE. UU.;  (11) Pescante Buniatyan, Activeloop, Mountain View, CA, EE. UU.  Tabla de enlaces   Resumen e introducción   Retos actuales   Formato de almacenamiento tensorial   Descripción general del sistema de lago profundo   Casos de uso de aprendizaje automático   Puntos de referencia de rendimiento   Discusión y limitaciones   Trabajo relacionado   Conclusiones, reconocimientos y referencias  2. DESAFÍOS ACTUALES  En esta sección, analizamos los desafíos actuales e históricos de la gestión de datos complejos o no estructurados.  2.1 Tipos de datos complejos en una base de datos  Generalmente no se recomienda almacenar datos binarios, como imágenes, directamente en una base de datos. Esto se debe a que las bases de datos no están optimizadas para almacenar y servir archivos grandes y pueden causar problemas de rendimiento. Además, los datos binarios no encajan bien en el formato estructurado de una base de datos, lo que dificulta su consulta y manipulación. Esto puede provocar tiempos de carga lentos para los usuarios. Las bases de datos suelen ser más caras de operar y mantener que otros tipos de almacenamiento, como los sistemas de archivos o los servicios de almacenamiento en la nube. Por lo tanto, almacenar grandes cantidades de datos binarios en una base de datos puede resultar más costoso que otras soluciones de almacenamiento.  2.2 Datos complejos junto con formatos tabulares  Los aumentos en las cargas de trabajo analíticas y de BI a gran escala motivaron el desarrollo de formatos estructurados comprimidos como Parquet, ORC, Avro o formatos transitorios en memoria como Arrow [79, 6, 20, 13]. A medida que los formatos tabulares ganaron adopción, surgieron intentos de extender esos formatos, como Petastorm [18] o Feather [7] para el aprendizaje profundo. Hasta donde sabemos, estos formatos aún no han logrado una amplia adopción. Este enfoque se beneficia principalmente de las integraciones nativas con Modern Data Stack (MDS). Sin embargo, como se analizó anteriormente, las herramientas upstream requieren modificaciones fundamentales para adaptarse a las aplicaciones de aprendizaje profundo.  2.3 Almacenamiento de objetos para aprendizaje profundo  La opción actual nativa de la nube para almacenar grandes conjuntos de datos no estructurados es el almacenamiento de objetos como AWS S3 [1], Google Cloud Storage (GCS) [3] o MinIO [17]. El almacenamiento de objetos ofrece tres beneficios principales sobre los sistemas de archivos de red distribuidos. Son (a) rentables, (b) escalables y (c) sirven como un repositorio independiente del formato. Sin embargo, el almacenamiento en la nube no está exento de inconvenientes. En primer lugar, introducen una sobrecarga de latencia significativa, especialmente cuando se itera sobre muchos archivos pequeños como texto o JSON. A continuación, la ingesta de datos no estructurados sin control de metadatos puede producir "pantanos de datos". Además, el almacenamiento de objetos tiene control de versiones incorporado; rara vez se utiliza en flujos de trabajo de ciencia de datos. Por último, los datos sobre el almacenamiento de objetos se copian en una máquina virtual antes del entrenamiento, lo que genera gastos generales de almacenamiento y costos adicionales.  2.4 Segunda generación de lagos de datos  Los lagos de datos de segunda generación liderados por Delta, Iceberg, Hudi [27, 15, 10] amplían el almacenamiento de objetos mediante la gestión de archivos en formato tabular con las siguientes propiedades principales.  (1)   insertar o eliminar una fila encima de un archivo de formato tabular. Operaciones de actualización:  (2)   : ingesta de datos descendentes con propiedades ACID e integración ascendente con el motor de consultas que expone la interfaz SQL. Streaming  (3)   estructura de columnas en evolución preservando la compatibilidad con versiones anteriores. Evolución del esquema:  (4)   preservación del estado histórico con propiedad de reversión donde las consultas pueden ser reproducibles. Además, admite el control a nivel de fila del linaje de datos. Viaje en el tiempo y seguimiento de registros de auditoría:  (5)   función incorporada para optimizar el tamaño de los archivos y la compactación de datos con soporte de pedidos personalizados. Acelera significativamente las consultas. Optimización del diseño:  Sin embargo, los lagos de datos de segunda generación todavía están sujetos a las limitaciones de los formatos de datos inherentes que se utilizarán en el aprendizaje profundo, como se analizó anteriormente en la sección 2.2. Por lo tanto, en este documento, ampliamos la segunda generación de capacidades del lago de datos para casos de uso de aprendizaje profundo al repensar el formato y las características ascendentes, incluidas las consultas, la visualización y la integración nativa a marcos de aprendizaje profundo para completar el ciclo de vida del aprendizaje automático, como se muestra en la figura 2. .  Este documento está   bajo licencia CC 4.0. disponible en arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Dataology.TECH

Dataology is the study of data. We publish the highest quality university papers & blog posts about the essence of data.

Dataology

Este audio es producido en el idioma original de la historia!

Demasiado Largo; Para Leer

Boost your HackerNoon story @ $159.99! 🚀

Deep Lake, un lago para el aprendizaje profundo: desafíos actuales

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps