教育新闻网随着人工智能的兴起，毫无疑问，它将以前所未有的速度转变业务和组织。但是一个不容忽视的事实是，随着AI的兴起，数据量也随着其复杂性的增加而增长。其中，AI和ML是可以帮助数据科学家将数据过滤为相关价值的重要技术。
从培训模型到见解输入，数据都位于AI解决方案的心脏和灵魂中。即使对于企业AI，数据收集也是一个连续的过程，迫使AI项目必须按照现代化的数据收集和管理策略进行操作。因此，组织和企业需要更多地关注AI数据基础架构，以使其数据驱动和支持AI的流程平稳，快速地运行。
以下是适当的AI数据基础结构的一些重要属性。
基础设施应具有可扩展的元数据，其中元数据是指“数据换数据”。元数据有两种类型-一种是系统生成的，另一种是用户定义的。元数据中使用的数据标签应反映一些重要的提法，包括项目名称，数据源，数据是否包含个人身份信息或从数据本身派生的几乎无限多种特征。
而且，高效的数据基础架构应支持系统生成的元数据，该元数据来自不同的地方-对象存储，文件系统，云存储库，仅举几例。它还应支持用户定义的元数据。此外，AI数据基础结构应具有提供机制的能力，这些机制可使这些标签可供更高级别的ML框架访问，同时又不致于强调底层存储技术。
考虑到标签是此过程中的重要功能，必须确认可以减少与标签数据相关的工作量并节省时间的解决方案。理想情况下，有效的数据基础架构应支持自动标记，这意味着从现有元数据中提取标记。它还可以使用深度检查策略，通过各种工具直接从原始数据文件中提取文本和元数据。
但是，数据提取工具可以是预先训练的模型。它可能是一个程序，用于对图像进行分类或从不同的通信样式中解释客户的情绪。
此外，由于数据以不同的形式出现，因此AI数据基础结构应足够灵活以允许多协议数据访问。这种可访问性将大大抑制昂贵且效率低下的数据重复，并增加数据管道的执行。
此外，为了协助各种协议，AI数据基础设施应支持自动分层和多温度存储，这意味着数据属于活动项目时可以驻留在热存储层中，而转移到不那么频繁时可以在较冷的存储层中传输访问的项目。此外，对于高效，有效的支持AI的数据基础架构，规模和性能也被视为至关重要的方面。
因此，从数据管道，数据摄取和边缘分析，到核心数据中心中的数据准备和培训，再到将其存储在适当的位置，设计适用于AI的数据基础架构都需要一种整体方法。了解性能要求和数据服务需求对于开发AI数据基础架构至关重要。
