資料流是「贏」向AI關鍵

但當資料整合研究團隊完成概念驗證專案，準備實際操作AI技術時，卻經常面臨資料管理的挑戰，例如難以在多個資料儲存庫之間搬移或複製資料，也不易達到高規作業品質要求的效能服務層級，或是為大型和動態資料集提供適當保護。

造成這些部分挑戰的原因在於，攸關AI成功與否的資料流，並未與資料中心隔離開來，企業正面臨從邊緣、核心到雲端環境的資料管理挑戰，例如汽車業者開始從更多的車輛（邊緣）蒐集資料，再用這些資料來訓練自主操作必備的AI演算法；零售商必須從全球數百個零售據點的銷售點裝置蒐集資料，再依此建立推論模式。

有些供應商聲稱只要提供理想的效能，就能克服AI在資料方面的挑戰。的確，效能是AI工作流程中的核心要素，但資料接收到歸檔的流程中，若無法保持順利運作，那麼AI資料流程就永遠無法實現最佳化生產力，進而強化研發、製造及營運管理的效率與成本效益。 如何有效掌握資料流程（Data Pipeline）？建議企業應該要掌握以下幾個步驟：

‧ 邊緣分析進行資料分層管理：建立不同的資料服務層，透過篩選或是進階的分析和AI功能，排定資料優先順序服務級別來進行管理，以實現必要的儲存效率和安全級別。

‧ 智慧型資料搬移功能：以具智慧且高效地方式將資料從邊緣移往核心或雲端，除了大幅加速搬移速度，也能有效減少頻寬需求。

‧ 規劃建構核心硬體演進發展：關鍵硬體新興趨勢不斷出現，建立更靈活的核心硬體架構，以便迅速演進發展。其中需要密切觀察的趨勢之一，就是隔離伺服器基礎架構與GPU基礎架構的能力，讓兩者可以獨立演進發展。從伺服器和儲存硬體擷取GPU硬體的解決方案有助於輕鬆升級，便於隨時採用新的開發成果。

‧ 加速資料流的I/O效能：使用邊緣層級的分析功能，可以克服邊緣、核心到雲端的I/O瓶頸，不論是在內部部署環境或在雲端上執行AI工作流程。

我們正處於一個由資料推動並通過新技術實現的新時代，慎密選擇合作夥伴是必要的，NetApp可以協助企業涵蓋整個資料流程，確保企業營運成功，同時在每一個階段提供最佳性能，效率和成本效益。

＜本文作者林松源為NetApp台灣區總經理＞