Reduzieren Sie die Trainingszeit für KI-Workloads
Qumulo beschleunigt die GPU-Leistung durch keine Ladezeiten zwischen der Objektebene und dem Dateisystem, wodurch Latenzen von unter einer Millisekunde und ein hoher Durchsatz erreicht werden. Laden Sie die Lösungsübersicht herunter, um mehr zu erfahren.
Reduzieren Sie die Trainingszeit für KI-Workloads
Qumulo beschleunigt die GPU-Leistung durch keine Ladezeiten zwischen der Objektebene und dem Dateisystem, wodurch Latenzen von unter einer Millisekunde und ein hoher Durchsatz erreicht werden. Laden Sie die Lösungsübersicht herunter, um mehr zu erfahren.
aller Daten also unstrukturiert.
der Daten, die KI-Modelle antreiben unstrukturiert
der Unternehmen geben an, dass der Mangel an produktionsbereiten Pipelines KI-Pläne zurückhält
Mit der KI-Datenspeicherung sind drei häufige Speicherherausforderungen verbunden.
Daten- und KI-Ökosysteme sind voneinander getrennt
Die für die KI verwendeten Daten werden am Edge oder im Rechenzentrum generiert. Denken Sie an IoT-Daten, die aus Fabrikhallen oder von selbstfahrenden Autos stammen. Das KI-Ökosystem lebt jedoch in der Cloud (KI-Dienste, Expertenberatung usw.).
Unternehmen müssen einen Weg finden, diese wertvollen Daten in die Nähe ihres KI-Ökosystems in der Cloud zu bringen.
Heutzutage ist es schwierig, alle Ihre unstrukturierten KI-Daten zu platzieren
Erstens ist es unglaublich teuer. Zweitens müssen alle Apps, die auf diesen Daten basieren, auf eine neue Plattform umgestellt werden, um mit Objektdaten arbeiten zu können, da dies heute die einzige echte Option in der Cloud ist. Das muss sich ändern, damit die KI durchstarten kann.
Ältere Lösungen drosseln KI-Engines
Moderne GPU-basierte Massen-Parallel-Thread-KI-Workflows können leicht Zehntausende gleichzeitiger Lesevorgänge generieren, aber viele ältere Lösungen beschränken gleichzeitige Lesevorgänge auf einen Bruchteil davon. Das drosselt den Modellbau.
Dies muss behoben werden, damit die KI äußerst agil wird.
Wie Qumulo KI ermöglicht
Wir haben Qumulo gebaut, um diese Hindernisse zu sprengen. Hier ist wie . . .
Vollgas, keine Ausreden, gleichzeitiges Lesen
Qumulo hat der Anzahl gleichzeitiger Lesevorgänge, die Sie durchführen können, nie Grenzen gesetzt. Nutzen Sie also die neuesten GPU-Tools und -Modelle von Nvidia, ohne Einschränkungen durch Ihre Dateidatenplattform.
Scale Anywhere™ mit Qumulo
Qumulos Maßstab überall™ Die Plattform läuft im Edge, Core und Cloud. Und da es sich bei Qumulo zu 100 % um eine reine Softwarelösung handelt, können Sie die Hardware Ihrer Wahl oder in der gewünschten Cloud betreiben. Dies macht es ganz einfach, Ihre wertvollen unstrukturierten Daten in unmittelbarer Nähe zu Ihrem cloudbasierten KI-Ökosystem zu platzieren.
Bewahren Sie Ihre Daten äußerst sicher auf
KI stützt sich oft auf riesige Datensätze, die manchmal sensible Informationen enthalten können. Datenschutzverletzungen können schwerwiegende rechtliche, finanzielle und rufschädigende Folgen haben. Qumulo schützt und speichert alle Ihre trainingsbezogenen Daten AES 256-Bit-Softwarebasiert Verschlüsselung und unveränderliche Snapshots.
Verbinden Sie Azure Native Qumulo mit Microsoft Copilot
Wussten Sie, dass Microsoft Copilot eine direkte Verbindung zu Azure Native Qumulo herstellen kann, um Ihre Office-Dateien, PDF-Dateien, Textdateien und mehr zu lesen und zu analysieren? Mit den benutzerdefinierten Konnektoren von Qumulo können Sie Copilot verwenden, um neue Informationen und Einblicke in praktisch jede Art unstrukturierter Daten in Ihrer Azure Native Qumulo-Umgebung zu gewinnen.
Use cases
Wir haben Qumulo gebaut, um diese Hindernisse zu sprengen. Hier ist wie . . .
Moderne Fertigung
Überall in Fabrikhallen angebrachte Kameras erfassen alle Arten von Informationen in automatisierten Fertigungsabläufen in Echtzeit. All dies wird kontinuierlich im lokalen Speicher aggregiert. Für fortgeschrittene Ziele (z. B. automatisierte Fehlererkennung) kombinieren die Betriebsabläufe Daten aus allen Fertigungslinien, um als Quelle für Trainingsmodelle zu dienen. Wenn die Modelle ausgereift sind, werden sie in die einzelnen Fabriken zurückgeschickt, um den Betrieb zu optimieren.
Autonome Fahrzeuge
Selbstfahrende Fahrzeuge erfassen kontinuierlich hochauflösende Multispektrum-Videos der realen Welt. Dies beginnt mit Hunderten von Testfahrzeugen, dann mit Tausenden von Versuchsfahrzeugen und schließlich mit Millionen von regulären Fahrzeugen. Die Autos laden diese Videos an einen zentralen Ort hoch, um die Modelle darin zu trainieren, Fahrer zu unterstützen, den Autopiloten zu aktivieren und selbstfahrende Autos Wirklichkeit werden zu lassen. Daraus abgeleitete Inferenzmodelle werden auf Serienfahrzeuge übertragen. Anschließend verarbeiten die Modelle Echtzeitdaten, um das autonome Fahren zu optimieren.
KI-gestützte Cybersicherheit
Netzwerk-SecOps-Experten konsolidieren Aktivitätsprotokolle von Hunderttausenden Netzwerkgeräten (aus der Cloud, vor Ort oder aus beiden). Dies bildet den Trainingsdatensatz für Modelle zur Erkennung unbefugter Netzwerkeingriffe. Die daraus resultierenden Inferenzmodelle werden in moderne Netzwerkgeräte übertragen, die in Echtzeit beobachtete Ereignisse analysieren, um unbefugte Eingriffe zu erkennen.
Weitere Informationen
