AI和機器學習運算 儲存系統需「給力」

人工智慧(AI)和機器學習(ML)技術正在改變各產業解決問題的方式，從醫療、交通運輸到社群媒體，更是重大科技活動不可或缺的主題。不過產業的重點多放在訓練和推論運算，較少關注存儲器和儲存裝置的影響。最佳化的AI和機器學習工作流程需要在運算、存儲器和儲存裝置間取得合理平衡，否則可能導致訓練流程變慢。

據富比士(Forbes)報導，超微(AMD)和NVIDIA等公司的GPU產品提供深度神經訓練網路所需的支持，而大數據(big data)則推動了AI和機器學習的爆炸式成長。不過專家發現，隨著GPU速度愈來愈快，數據集愈大愈豐富，瓶頸也開始出現，主要問題之一在於GPU內部用來儲存這些大規模平行深度神經網路的裝置無法跟上處理速度速度。

過去由於機器學習訓練多在CPU上執行，速度與最快的GPU相比大概慢了10倍，如今因機器和深度學習以及AI任務的運算效能成長速度已超過儲存裝置，因而產生了效能問題。

全快閃儲存陣列領導廠商Pure Storage一直倡導數據平行運算工作負載需要平行儲存解決方案的概念，表示該公司設計的FlashBlade解決方案具有擴充性，15個刀鋒就能提供超過100個磁碟節點的效能，僅佔用4U機箱空間，每秒讀取吞吐量達17GB，每秒讀寫次數(IOPS)達150萬，且延遲不到3毫秒(ms)。

Pure Storage表示FlashBlade最高可以擴充至75個刀鋒(20U機架)，實現高達75GB/s和740萬IOPS吞吐量，容量為8PB，客戶包括全球汽車安全系統的領導者Zenuity、英國系統定量投資先驅英仕曼AHL (Man AHL)和NVIDIA。

Pure開發的DirectFlash技術可幫助管理低層級的儲存功能，透過專屬的Purity操作系統協調平行功能，兩者結合而成的完整FlashBlade解決方案將可滿足包括AI和機器學習在內的任何高效能環境需求。

Pure Storage選擇與NVIDIA合作是十分明智的，因為NVIDIA被視為改變和推動AI和機器學習技術的領導廠商，Pure Storage將產品定位為NVIDIA DGX-1的輔助技術，透過FlashBlade等高吞吐量和低延遲儲存裝置來加快DGX-1的性能。

關注DIGITIMES，產業資訊一手掌握

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！