機器學習與人工智能(AI)時代的到來已成必然，多數專家認為，這些技術將徹底顛覆數據存儲世界。那么在此趨勢下，制定存儲方案時應注意些什么?

以下是筆者給大家的一些提示：

1、關于制定戰略

組織考慮在人工智能和機器學習方面進行投資時，首先應該思考的是底層存儲基礎設施的戰略性。這一觀點來自于Pure Storage的產品副總裁Matt Kixmoeller。

他的邏輯很容易理解。AI和機器學習都是數據密集型的，而且組織都希望從這些數據中獲得直接可見的價值。這就意味著企業需要一個可伸縮的和具有成本效益的解決方案,但同時它也應該能夠高速處理龐大的數據集。也就是一個on-prem和云存儲的混合解決方案。on-prem事關性能和成本的可預測性，從另一方面講，該云能夠迅速在開發/測試環境下進行擴展和縮減。

“需求的存在是大量而多樣化的，并不存在能夠一體適用的工作或應用，” Kixmoeller說，“成功的組織，尤其在尖端技術和科學領域，需要確保基礎設施是創新戰略中的一個核心組成部分。”

2、理解不同類型的數據管理需求

如果所有數據需求都是相同的，就會非常方便。在理想世界中，對象、文件和區塊之間的差別將消失不見，任何事務都可以進行一體化的管理。但這畢竟只是理想，不是存儲的真實現狀。對于AI和機器學習來說，也是一樣。

“用戶需要了解業務數據、人類產生的數據和機器數據之間不同的數據管理需求，在存儲技術方面的投入，取決于你需要去管理的數據的類型。” 日立數據公司物聯網產品和技術高級副總裁Rich Rogers說。

他指出，機器數據的需求完全不同于其他類型的數據。例如，機器數據需要即時處理和一個可伸縮的核心共享倉庫。所以被部署在一個特定組織中的傳統存儲類型，可能不適合一個機器學習環境。

3、考慮I/O和CPU需求

StorageIO集團分析師Greg Schulz認為充分理解被使用的數據或AI和機器學習工具所需要的數據是非常重要的。他更進一步進行了說明，他說，IT經理還必須復審最終數據存儲庫和數據庫以及關鍵值的需求，同樣還有I/O和CPU計算需求。

4、考慮開銷

關于使用AI進行自動化數據和存儲管理，Schulz表示組織應該考慮數據處理、分析和巨大的數據傳輸量所帶來的開銷。在某些情況下，這可能純粹只是一個影響到一兩個系統的問題，但是在其他情況下，這些費用可能涉及許多系統和多個站點。

5、不對沖

在談到機器學習時，沒有對沖可言。有點兒像上世紀九十年代末和二十一世紀初，企業會聽到這樣的標語：“進入互聯網吧，年輕人。”但大多數充其量只是局限于口頭應付和沒有任何電子商務功能的單向網站。幾年后，像eBay和亞馬遜這樣的領頭羊才開辟了新的行業道路。

同樣的，關于機器學習，也沒有折中的辦法。競爭對手都在爭相實施，你也必須做好準備。

“AI和機器學習技術將成為主流，我們應該關注的問題不是是否實施，而是何時實施。” Cloudian的CEO Michael Tso說。

互聯網和零售搜索引擎都已經具備了分析需求，然后進行個性化搜索結果展示的能力。他們知道你的搜索歷史數據和最終購買數據，并以此分析你的喜好。Tso預測，五到十年內，沒有部署AI的企業將會被淘汰。組織獲取消費者的關鍵業務信息和如何與消費者聯系，將成為新的常態，他補充道。

6、部署對象存儲

雖然一些人鼓勵企業采用軟件定義存儲來為機器學習做好更深入的準備，但Tso有不同的看法，他認為對象存儲才是更好的選擇。

“對于那些希望在AI和機器學習領域進行投資的組織，不要太過在意對象存儲的便宜和深入，更應該將其看作是未來差異的中心。”他說，“今天的學習將成為明天AI的動力，IT世界正在改變，勝者將會以AI友好的格式保持數據。”

7、隨時準備好進行擴展

顯然，機器學習和人工智能已經極大地增加了存儲的需求，而且存儲需求預計將會持續飆升。所以基礎設施的可伸縮性是一個考慮基礎設施升級或刷新時的重要因素。但應該是什么樣的可伸縮性呢?

“項目越大，對于能夠擴展到大容量、高密度的構建區塊以減少設備數量的存儲系統的需求也會增加，同時數據中心的開銷也會隨著項目的增長而提升。”DataDirect網絡產品營銷高級主管Laura Shepard說。

她的建議是仔細搜索可伸縮的、高性能的，擁有智能內置部件去管理閃存和活躍檔案的存儲。在一個系統中尋找一些可以處理你的中、高等潛力輸出結果的東西,可以提高性能和容量而無需并排筒倉。

8、保持冷靜，按計劃行事

IT領域中一波未平一波又起的趨勢，很容易讓人陷入瘋狂，然后做出一個不明智的決定。當然，忽視這種發展趨勢也是行不通的。但與此同時，太過匆忙往往會導致失誤，而這些失誤所帶來的損失可能會非常高昂。

所以即使高管層召開緊急會議，下定命令要制定一個AI或機器學習策略并給出了嚴格的最后期限，你也仍需保持冷靜，制定一個好的計劃。

“對你所尋找的用來完成和處理事務的AI工具有一個很好的理解，” Schulz說，“如果你不能很好地表達自己的問題，你就無法正確地部署存儲或機器學習技術。”

總之，因為AI和機器學習都是新興領域，所以對于希望從這些技術中獲利的組織來說，問題永遠比答案要多。此外，準確預測存儲的結果是不可能的，無論有意還是無意。