研究公司IDC预测，到2023年，全球在人工智能技术上的支出将达到近980亿美元，高于2019年的375亿美元。这一增长代表着近30%的复合年增长率。所有这些新的，复杂的AI应用程序都不会在真空中部署。包括为AI量身定制的存储在内的一系列IT基础架构必须支持和处理这些新的工作负载。

人工智能，特别是机器和深度学习应用程序需要将大量数据发送到CPU或GPU，以进行近乎实时的处理和分析。然后，必须存储许多数据以备将来使用。人工智能应用和技术将成为未来几年影响基础设施决策的主要因素。对于存储，这意味着企业必须了解正在处理的数据，找到使存储介质更接近计算技术并增强AI数据存储性能以与处理器相匹配的方法。

以下是我们在各种SearchStorage文章中回答的六个问题，这些问题与AI工作负载如何改变企业存储基础架构有关。

1.规划AI数据存储工作负载时应考虑什么?

整合AI应用程序的存储并非易事。这里有几个问题需要考虑，细节必须正确。顾问兼技术作家罗伯特·谢尔顿(Robert Sheldon)列出了八个此类因素：

了解您的各种工作负载的存储要求。

了解您的容量和可伸缩性要求。

找出需要保留多长时间以及如何访问数据。

考虑您需要的吞吐量和I / O速率。

考虑位置-计算附近的数据将最大限度地减少延迟。

评估要使用的最佳存储类型-块，文件或对象。

使用智能的和软件定义的存储来增强性能。

确保所有涉及的系统都紧密集成。

2. AI数据存储带来哪些挑战?

根据IT行业资深人士Chris Evans的说法，为AI应用程序构建存储存在两个明显的挑战。一方面，在AI或机器学习项目开始之初并不清楚，哪些数据将是有用的。结果，将需要长期的档案存储，以便在需要时可以保留和访问数据以支持学习成果。

另一个主要的存储挑战在于确保为需要处理的活动数据提供足够的高性能存储。供应商正在将快速存储与AI和机器学习功能结合起来，以满足这一需求。Evans概述了构建可平衡AI工作负载的存储需求的存储平台的挑战。针对AI产品进行调整的打包存储是该讨论的一部分，因为它们具有特定的性能水平，所以可能会很有吸引力。