人工智能（AI）和机器学习（ML）的出现，将前所未有的速度改变业务领域。在数字化时代，成功将基于使用分析来发现锁在今天产生巨大的数据量的重要见解。
在过去，这些见解是使用人工密集的分析方法发现的。今天，这是不行的，随着数据量的不断增长，因为确实数据的复杂性。AI和ML是数据科学家最新的工具，使他们能够将数据提炼成价值更快。
数据爆炸的必要AI和ML的需要
从历史上看，企业有一小部分从记录的大型系统产生的数据的操作。今天的环境是完全不同的，那里有数量级的设备和产生可以在分析中使用自己的数据系统的订单。对于企业所面临的挑战是，有太多的数据进行人工分析。只有这样，才能在竞争日益数字化的世界是用AL和ML。
AI和ML使用情况的垂直变化
AI和ML应用在所有垂直，虽然没有通用的“杀手级应用”。相反，也有一些适用于各个行业的“致命”的用例。常见的使用案例包括：
- 医疗保健 - 异常检测来诊断核磁共振扫描速度更快
- 汽车 - 分类用于识别道路中的对象
- 零售 - 预测能准确预测未来的销售
- 联系中心 - 翻译可让客户交谈的人在不同的语言
正确的基础设施，优质的数据需要
无论使用情况下，AI / ML的成功取决于做出正确的基础设施的选择，这需要了解数据的作用。AI和ML成功在很大程度上是基于进料到系统中的数据的质量。有一个在AI行业公理，指出“坏数据将导致不好的推论” - 这意味着企业应特别注意他们是如何管理他们的数据。人们可以延长公理“良好的数据产生良好的推论”，突出对正确类型的基础设施的需求，以确保数据的“好”。
数据起着AI的每个用例中起关键作用，尽管所使用的数据的类型可以变化。例如，创新可以通过在企业所产生的大量数据湖泊机器学习发现的见解燃料。事实上，它有可能为企业培养基于数据的科学组织内部的新思维。关键是要了解角色扮演的数据在AI / ML工作流程的每一步。
AI / ML的工作流程有以下组件：
- 数据收集：数据汇总，数据准备，数据转换和存储
- 数据科学/工程：数据分析，数据处理，安全和治理
- 培训：产品型号开发，验证和数据分类
- 部署：执行推理
一个与数据的最显著的挑战是建立在实时数据管道。数据科学家谁进行探索和发现工作有新的数据源需要收集，编制，模型和推断。因此，这就要求在每一个阶段的变化和随着更多数据被从多个来源收集。
同样重要的是要注意，工作流程中部署阶段的输出成为输入到数据采集，提高了模型迭代周期。在这些阶段中移动数据的成功在很大程度上取决于是否拥有正确的基础设施。
为支持AI和ML基础设施的主要考虑因素
- 位置：人工智能和ML倡议并不仅仅在云中进行，也不是在场所中进行。这些计划应该在输出最有意义的地方执行。例如，机场的面部识别系统应该在本地进行分析，因为将信息发送到云端并返回需要花费大量时间。确保基础设施部署在云端、本地数据中心和边缘是至关重要的，这样人工智能的性能才能得到优化。雷竞技电脑网站
- 广度高性能的基础设施：正如前面提到的，AI的表现是高度依赖于底层基础架构。例如，图形处理单元（GPU）可加速通过100倍深学习相比于传统的中央处理单元（CPU）。Underpowering服务器将导致过程中的延迟，而压倒浪费钱。无论策略是终端到终端或最佳的品种，确保计算硬件具有的处理能力和高速存储的最佳组合。这就需要选择具有广泛的产品组合，可以在AI过程中解决任何阶段供应商。
- 验证设计：基础设施显然是重要的，但这样是软件运行在它上面。一旦安装了该软件，它可能需要几个月的时间来调整和优化，以适应底层硬件。选择已预装该软件，并拥有经过验证的设计，以缩短部署时间，并确保性能优化的供应商。
- 数据中心的扩展：雷竞技电脑网站AI基础设施不居住在隔离，并应被视为当前数据中心的扩展。雷竞技电脑网站理想情况下，企业应该寻找那些能够与他们现有的工具进行管理的解决方案。
- 终端到终端的管理：有“盒子里的AI”，可以在被丢弃，并且开启以开始AI过程中没有单。它是由若干个移动部件，包括服务器，存储，网络和软件，在每个位置有多种选择。最好的解决方案将是一个全面的一个，包括全部或至少大部分可以通过一个单一界面管理组件。
- 网络基础设施：在部署AI，重点放在使GPU的服务器，闪存，以及其他计算基础设施。这是有道理的，因为AI很处理器和存储密集型的。然而，存储系统和服务器必须被馈送横穿一个网络数据。对于AI基础设施应该被认为是“三脚凳”，其中腿网络，服务器和存储。每个人都必须是一样快跟上对方。在这些部件中的任一项所述的滞后会削弱性能。尽职调查给服务器和存储同样的水平应给予网络。
- 安全：AI往往涉及诸如病历，财务信息和个人数据极为敏感的数据。有了这个数据突破可能是灾难性的组织。此外，不良数据的输液可能导致AI系统，使不正确的推论，导致有缺陷的决定。人工智能基础设施必须从端部被固定与国家的最先进的技术来结束。
- 专业的服务：虽然服务是不是技术上的考虑基础设施，他们应该是基础设施决定的一部分。大多数企业，尤其是没有经验的人，不会有房子了必要的技能，使AI成功。一个服务合作伙伴可以提供必要的培训，咨询，实施，和整个生命周期的AI优化服务，应该部署的核心组成部分。
- 广泛的生态系统：没有一个单一的AI厂商随处提供的所有技术。这是至关重要的使用具有广泛的生态系统，并能汇集所有AI的组件，以提供完整，交钥匙，终端到终端的解决方案供应商。说完就凑齐成分可能会导致延误甚至失败。选择供应商具有强大的生态系统提供了通往成功的快速通道。
从历史上看，人工智能和ML项目一直由数据科学专家运行，但随着这些技术逐渐成为主流，这种情况正在迅速转变为IT专业人员的工作。随着这种转变的发生和人工智能的广泛应用，IT组织应该更广泛地考虑实现人工智能的基础设施。我们的目标不是为特定项目购买服务器、网络基础设施和其他组件，而是更广泛地考虑当前和未来的业务需求，就像今天运行数据中心的方式一样。雷竞技电脑网站