根据我们对企业数据和云技术的进步所做的所有假设,有一个经常被忽视的明显事实:大多数最重要的企业数据仍保留在企业数据中心。
这有很多原因——有些是合理的,有些则不那么合理。在某些情况下,这是因为数据的高度敏感性,无论是 HIPAA 合规性、敏感的银行数据还是其他隐私问题。在其他情况下,数据驻留在难以迁移到云端的系统中(想想遗留的企业资源规划数据或 PB 级的科学研究数据)。有时,这只是惯性。这不是一个很好的借口,但它一直在发生。
无论出于何种原因,企业服务器机架上的数据已被证明是许多企业利用 AI 转变业务的真正障碍,因为几乎不可能提供驱动 AI 所需的强大计算能力支撑大多数数据中心的基础设施。
但是,通过一小群初创公司和大型设备制造商,正在开展一项运动,以优化机器学习模型,并为数据不在云端的公司提供人工智能。这将改变游戏规则。
图形处理单元或 GPU 是为处理高强度视频处理应用程序而开发的,例如现代视频游戏和高分辨率电影所需的应用程序。但是这些处理器将复杂的任务分解成更小的任务并并行执行它们的能力也使得这些高性能的专用集成电路 (ASIC) 对于人工智能非常有用。毕竟,人工智能需要大量数据流来改进和训练机器学习模型。
另一方面,CPU 是服务器灵活的大脑,因此,它们可以处理各种各样的操作,例如访问硬盘驱动器数据,或将数据从缓存移动到存储,但它们缺乏以下能力:并行执行这些任务(多核处理器可以处理并行任务,但不能达到 GPU 级别)。它们根本不是为处理 AI 所需的那种高吞吐量工作负载而构建的。
高性能 GPU 非常昂贵,直到最近,由于加密矿工对这些高性能芯片的依赖,它们一直很稀缺。在大多数情况下,它们是云提供商的领域。事实上,高性能计算服务是公司将数据迁移到云端的一个重要原因。谷歌的
GPU 一直是最近占据头条新闻的 AI 创新热潮的基础。这些备受瞩目的发展大多是由公司推动的,他们在没有过多考虑效率或优化的情况下挑战可能的极限。因此,新的 AI 工具产生的工作量非常大,因此有必要在云端进行管理。
但在过去六个月左右的时间里,情况发生了变化。一方面,驱动所有这些尖端 AI 工具的庞大 ML 模型正在得到显着压缩,但仍会产生同样强大的结果。
我安装了
Vicuna 项目源于
这是大型科技公司不会忽视的使命。 Apple 最新的台式机和 iPhone 具有专门的处理功能,可以加速 ML 过程。谷歌和苹果也在做很多工作来优化他们的机器学习软件。
初创公司中也有大量才华横溢的工程师,他们致力于以一种让 AI/ML 更易于访问的方式提高硬件的性能。
由于所有这些努力和创新,AI 将不再仅供拥有云端数据的组织使用。这对隐私极为重要,这也是许多组织首先将数据保存在自己服务器上的一个重要原因。
随着过去 18 个月左右席卷一切的人工智能转型浪潮,一切都与数据有关。事实上,没有数据就没有人工智能,无论数据位于何处。 ThirdAI 等团队的努力也使所有组织能够“将 AI 引入数据”。
长期以来,公司被迫反其道而行之:将数据引入人工智能。在分析关键见解之前,他们必须投入大量资源、时间和预算将数据从数据仓库和数据湖迁移到专用的机器学习平台。
这会导致大量的数据传输成本,并且迁移、分析和迁移所需的时间会影响组织学习新模式并立即与客户采取行动的速度。
将 AI 引入数据是我们在 DataStax 的实时 AI 工作中非常关注的事情,因为它是基于 ML/AI 采取行动、取悦客户和增加收入的最快方式。将 AI 引入数据中心,而不仅仅是云端,是让所有公司都能参与其中的变革性 AI 技术浪潮的另一个非常重要的步骤。
*了解新的
作者:Ed Anuff,DataStax
也发布在这里。