AI 数据在无限循环中流动。

1.源数据

首先是定义、查找和准备数据。

数据集可以是小型的结构化数据库，也可以是互联网本身。网络机械硬盘能够长期保留原始数据并提供数据保护。网络固态硬盘 (SSD) 充当可立即访问的数据层。

2.训练模型

接下来，模型通过训练存储数据进行学习。

训练是一个反复试验的过程。在这个过程中，模型收敛并通过检查点进行保护。训练需要高速数据访问。在这个计算密集型阶段，会使用高带宽存储器 (HBM)、动态随机存取存储器 (DRAM) 以及本地 SSD 进行学习。网络机械硬盘和 SSD 则用于存储检查点，进而保护和优化模型训练。

3.创建内容

推理过程使用经过训练的模型来创建输出。

根据应用场景，该模型可用于聊天、图像分析或视频创建等任务。这种迭代式内容创建的首选存储驱动因素是 HBM、DRAM 和本地 SSD。

4.储存内容

迭代过程会产生新的经过验证的数据并需要存储。

保存这些数据是为了持续改进、保证质量以及符合法规。机械硬盘用于存储和保护所创建内容的复制版本。而网络 SSD 则提供速度匹配的数据层。

5.保存数据

复制的数据集跨区域和环境进行保留。

存储的数据是值得信赖的 AI 的支柱，这样数据科学家才能确保模型按预期运行。机械硬盘是实现长期数据存储和数据保护的主要工具。而网络 SSD 作为性能媒介，将这些机械硬盘连接到本地 SSD 层，促进数据在生态系统中移动。

6.重用数据

源数据、模型数据以及推理数据推动了下一步工作。

内容输出反馈到模型中，提高其准确性并推动新模型的生成。网络机械硬盘和 SSD 支持地理位置分散的 AI 数据创建。原始数据集和结果成为新工作流的来源。