认识达内从这里开始

认真做教育专心促就业

人工智能环境背景下的数据分析方法

发布：太原达内教育官网
来源：企业网D1Net
时间：2019-12-17 08:48

随着互联网的不断发展，越来越多的企业都开始关注数据分析带来的营收效益，而今天我们就通过案例分析来了解一下，人工智能环境背景下的数据分析方法都有哪些特点。

人工智能环境背景下的数据分析方法

一、分层方法

在购买任何存储产品时，成本与性能是一个关键考虑因素。如果有这个选择，大多数组织都会购买速度尽可能快的存储设备。然而，获得更高性能需要付出更大的代价。通常，高性能系统不会扩展到数PB的范围内。加上假设随时分析的数据工作集将成为整个数据资产的子集，很容易看出存储分层是设计机器学习和人工智能数据存储的必要部分。

在机器学习和人工智能的背景下，分层到底意味着什么?传统的分层产品从固定存储池发展为复杂系统，根据使用频率和可用池容量优化单个存储块的位置。但是由于数据的处理方式，这种方法并不能很好地满足机器学习和人工智能的要求。

自动化分层产品假定数据经过对业务非常重要的生命周期。新的数据是非常重要的，并且将被频繁访问。随着时间的推移，数据的价值逐渐降低，它可以移动到成本更低、性能更低的产品存储中。

用于机器学习和人工智能分析的数据使不同的整个数据集变为活动状态并用于分析，同时需要在任何时候使用整个数据集。这意味着使用中的数据必须位于性能一致的存储层上，因为访问中的任何变化都会影响模型训练等问题。

机器学习和人工智能模型开发中的数据处理的随机性，意味着试图随着时间动态重新平衡数据的反应性存储平台算法将不起作用。这些算法假设一个规模较小且相对静态的工作集，该工作集随时间的推移而逐渐变化。在机器学习和人工智能中，数据访问配置文件将更加随机，因此很难预测要缓存哪些数据以及如何调整缓存大小或更快的存储层。

二、两层存储模型

为机器学习和人工智能工作负载提供存储的一个简单方法是简单地使用两层模型。性能层提供尽可能多的性能和尽可能低的延迟，同时针对系统预期要处理的大数据集进行调整。

高性能的闪存价格昂贵，并且随着市场向三级和四级单元之类的容量闪存产品发展，高性能存储产品出现了一个新市场，其中包括低延迟闪存产品，如三星Z-NAND和东芝XL闪存。这些产品补充了通过提供低延迟I/O来开发的存储级内存。例如，VastData同时使用四层单元和IntelOptane技术，为N结构和S3API提供支持，为非结构化数据提供高性能、可扩展的存储产品。

与传统的SAS和SATA存储设备相比，NVMe优化了I/O堆栈或I/O协议。其结果是更低的延迟和更大的吞吐量，但是由于服务器处理器不需要等待I/O完成的时间，显著提高了平台利用率。

【免责声明】：本内容转载于网络，转载目的在于传递信息。文章内容为作者个人意见，本平台对文中陈述、观点保持中立，不对所包含内容的准确性、可靠性与完整性提供形式地保证。请读者仅作参考。

< 上一篇：web前端开发应该了解的开发文档类型

下一篇：好的云迁移平台应该具备哪些功能 >