Cloudian - Tar data närmare AI än någonsin

bild 70.png — Ett skalbart lagringssystem för företag som möjliggör sömlös dataöverföring mellan lagrings- och AI-modeller. Foto: Midjourney

Artificiell intelligens förändrar hur företag lagrar och får åtkomst till data. Detta beror på att traditionella datalagringssystem utformades för att bearbeta enkla kommandon från ett fåtal användare åt gången, medan dagens AI-system med miljontals agenter behöver komma åt och bearbeta enorma mängder data kontinuerligt och parallellt.

Traditionella lagringssystem har nu många lager av komplexitet, vilket saktar ner AI eftersom data måste passera genom många lager innan den når GPU:n – grafikprocessorn, som anses vara AI:s "hjärncell".

Cloudian – grundat av Michael Tso (från MIT) och Hiroshi Ohta – hjälper datalagring att hålla jämna steg med AI-revolutionen. Företaget har utvecklat ett skalbart lagringssystem för företag som hjälper data att flöda smidigt mellan lagrings- och AI-modeller.

Systemet minskar komplexiteten genom att tillämpa parallell beräkning för lagring, konsolidera AI- och datafunktionalitet på en enda parallell bearbetningsplattform som kan lagra, hämta och bearbeta storskaliga datamängder, med höghastighets direktanslutning mellan lagring och både GPU:er och processorer.

Cloudians integrerade beräknings- och lagringsplattform förenklar byggandet av AI-verktyg i kommersiell skala, samtidigt som den förser företag med en lagringsinfrastruktur som kan hålla jämna steg med AI-explosionen.

”En sak som folk ofta glömmer med AI är att det handlar om data”, säger Tso. ”Man kan inte få en 10-procentig ökning av AI-prestanda med 10 % mer data, och inte ens 10 gånger mer data räcker – man behöver 1 000 gånger mer data. Att lagra data på ett sätt som är enkelt att hantera och bädda in beräkningar direkt så att man kan göra det allt eftersom det kommer in, utan att behöva flytta det – det är dit branschen är på väg.”

Objektlagring och AI

För närvarande använder Cloudians plattform en objektlagringsarkitektur, där alla typer av data – dokument, videor , sensordata – lagras som enskilda objekt med metadata. Objektlagring kan hantera enorma mängder data i en platt struktur, vilket gör den idealisk för ostrukturerad data och AI-system, men tidigare var det omöjligt att skicka data direkt till en AI-modell utan att först kopiera den till datorns minne – vilket orsakade latens och slöseri med energi.

I juli meddelade Cloudian att de hade utökat sitt objektlagringssystem med en vektordatabas som lagrar data i en form som är omedelbart tillgänglig för AI-användning. Allt eftersom data matas in beräknar Cloudian vektorformen av datan i realtid för att stödja AI-verktyg som rekommendationsmotorer, sökmotorer och AI-assistenter.

Cloudian tillkännagav också ett partnerskap med NVIDIA för att få deras lagringssystem att fungera direkt med deras grafikkort. Cloudian sa att det nya systemet möjliggör snabbare AI-bearbetning och lägre datorkostnader.

”NVIDIA kontaktade oss för ungefär ett och ett halvt år sedan eftersom GPU:er bara är användbara när det finns data att förse dem med”, sa Tso. ”Nu inser folk att det är lättare att använda AI till data än att flytta enorma datamängder. Vårt lagringssystem har många AI-funktioner inbyggda, så vi kan förbehandla och efterbehandla data nära där vi samlar in och lagrar dem.”

AI-prioriterad lagring

Cloudian hjälper cirka 1 000 företag världen över att få ut det mesta av sin data, inklusive stora tillverkare, finansinstitut, hälso- och sjukvårdsinrättningar och myndigheter.

Till exempel hjälper Cloudians lagringsplattform en stor biltillverkare att använda AI för att avgöra när var och en av dess tillverkningsrobotar behöver underhåll. Cloudian samarbetar också med U.S. National Library of Medicine för att lagra forskningsartiklar och patent, och med National Cancer Database för att lagra tumör-DNA-sekvenser – rika datamängder som AI kan bearbeta för att underlätta utvecklingen av nya behandlingar eller upptäckter.

”GPU:er är en utmärkt möjliggörare”, säger Tso. ”Moores lag fördubblar datorkraften vartannat år, men GPU:er kan parallellisera uppgifter på ett chip, kedja samman flera GPU:er och gå längre än Moores lag. Denna skala driver AI till nya intelligensnivåer, men det enda sättet att få GPU:er att göra sitt bästa är att mata data i samma takt som deras datorkraft – och det enda sättet att göra det är att ta bort alla lager av mellanhand mellan GPU:n och dina data.”

Kommentar (0)