如今，各種類型的企業(yè)都致力于采用人工智能和機器學習項目，但要發(fā)揮其真正的潛力，則需要克服重大的技術(shù)障礙。雖然計算基礎(chǔ)設(shè)施通常是重點，但存儲設(shè)施也同樣重要。以下是對象存儲(而不是文件或塊存儲)適用在加強人工智能和機器學習工作負載的三個主要原因：

1.可擴展性
當有大量不同的數(shù)據(jù)源可供學習時，采用人工智能和機器學習技術(shù)最有效。數(shù)據(jù)科學家利用這些豐富的數(shù)據(jù)來訓練領(lǐng)域模型。在“大數(shù)據(jù)的五個V”(數(shù)量、類型、速度、準確性和價值)中，前兩個(數(shù)量和類型)最為重要。簡而言之，人工智能和機器學習依賴于大量不同的數(shù)據(jù)(圖像、文本、結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù))來構(gòu)建有用的模型，提供準確的結(jié)果，并最終提供業(yè)務(wù)價值。
對象存儲是很具擴展性的存儲架構(gòu)，特別適合支持人工智能和機器學習所需的大量數(shù)據(jù)。對象存儲旨在通過水平擴展方法實現(xiàn)無限增長，從而使企業(yè)可以通過在需要的位置和時間添加節(jié)點來增加部署。由于對象存儲使用單個全局名稱空間，因此也可以一次在多個地理位置上進行這種擴展。另一方面，文件和塊系統(tǒng)通常采用擴展方法。這意味著這些平臺通過向單個節(jié)點添加更多計算資源來實現(xiàn)垂直擴展，這最終會受到限制。他們無法通過部署其他節(jié)點來增加計算資源，從而無法有效地水平擴展。
2. API
健壯靈活的數(shù)據(jù)API對于人工智能和機器學習非常重要，如上所述，它們使用了多種數(shù)據(jù)類型。存儲平臺需要支持API來容納各種數(shù)據(jù)。此外，人工智能和機器學習的創(chuàng)新越來越多地在公共云上進行，但是仍然有相當一部分人工智能和機器學習在內(nèi)部部署數(shù)據(jù)中心或私有云中發(fā)生，這取決于用例的具體情況(例如，科學研究和醫(yī)療保健等領(lǐng)域通常最適合私有云)。這意味著組織需要一個存儲API，以支持公共云和本地/私有云中的工作負載。
文件和塊存儲平臺所支持的API受限制，部分原因是它們是較舊的架構(gòu)。相比之下，對象存儲使用云平臺中固有的高級API，該API設(shè)計為以應(yīng)用程序為中心，與文件和塊存儲相比，它支持范圍更廣的API，其中包括版本控制、生命周期管理、加密、對象鎖定和元數(shù)據(jù)。此外，支持人工智能和機器學習用例的新對象存儲API(例如對流數(shù)據(jù)的支持和對海量數(shù)據(jù)集的查詢的支持)也是可能的。
通過圍繞Amazon S3的對象存儲API的標準化，可以更輕松地在內(nèi)部部署和公共云中集成軟件。企業(yè)可以輕松地將人工智能和機器學習部署從內(nèi)部部署/私有云環(huán)境擴展到公共云，或者將云原生的人工智能和機器學習工作負載遷移到內(nèi)部部署環(huán)境，而不會損失功能。這種雙模式方法使組織可以合作且可互換地利用內(nèi)部部署/私有云和公共云資源。
由于S3 API已成為對象存儲的事實上的標準，因此許多軟件工具和庫都可以利用該API。這允許共享代碼、軟件和工具，以促進人工智能和機器學習社區(qū)中更快的開發(fā)。示例包括流行的機器學習平臺，例如具有內(nèi)置S3 API的TensorFlow和Apache Spark。
3.元數(shù)據(jù)
與API一樣，使用人工智能和機器學習的組織必須利用無限的可自定義的元數(shù)據(jù)，這一點至關(guān)重要。元數(shù)據(jù)只是關(guān)于數(shù)據(jù)的數(shù)據(jù)，在最基本的層面上，是在何時何地創(chuàng)建的數(shù)據(jù)，以及是誰創(chuàng)建的數(shù)據(jù)。但是元數(shù)據(jù)可以描述更多內(nèi)容：用戶可以創(chuàng)建任意的元數(shù)據(jù)標記來描述他們想要的任何屬性。
數(shù)據(jù)科學家需要豐富的元數(shù)據(jù)來查找特定數(shù)據(jù)以構(gòu)建和使用其人工智能和機器學習模型。隨著更多信息添加到數(shù)據(jù)中，元數(shù)據(jù)注釋可逐步積累知識。
文件和塊存儲僅支持有限的元數(shù)據(jù)，例如上述基本屬性。這在很大程度上可以歸結(jié)為可擴展性，因為文件和塊系統(tǒng)未配備快速無縫的增長功能，如果存儲系統(tǒng)支持依賴大量數(shù)據(jù)集的人工智能和機器學習應(yīng)用程序的豐富元數(shù)據(jù)，則自然會發(fā)生這種情況。但是，對象存儲支持無限的、完全可自定義的元數(shù)據(jù)，從而使查找用于人工智能和機器學習算法的數(shù)據(jù)更加容易，并從中獲得更好的見解。
以一家醫(yī)院在X光圖像上使用圖像識別應(yīng)用程序為例：使用元數(shù)據(jù)，可以使用TensorFlow模型分析添加到對象存儲系統(tǒng)中的每個圖像，然后為每個圖像分配更加精細的元數(shù)據(jù)標簽(例如，損傷類型、基于骨骼大小或生長的患者年齡或性別等)。TensorFlow模型可以在元數(shù)據(jù)上進行訓練，并對其進行分析，得出新的患者見解(例如與五年前相比，如今20歲到30歲的婦女患上的骨科疾病更多)。
幾乎每一家財富500強公司都在考慮采用人工智能和機器學習，可以想象這些技術(shù)將在可預(yù)見的將來成為最重要的企業(yè)IT計劃。然而，要使人工智能和機器學習計劃獲得回報，企業(yè)必須利用正確的存儲基礎(chǔ)設(shè)施。對象存儲由于其可擴展性、對各種API(特別是S3)的支持以及豐富的元數(shù)據(jù)，是人工智能和機器學習的優(yōu)秀支柱。