人工智能如何改变NVMe固态硬盘

人工智能（AI）正在席卷所有行业，并将世界转变为一个新的技术时代。不断增长的人工智能应用涵盖多个领域，如汽车、数据中心、云存储、医疗保健、网络安全、语音/语言识别等。人工智能之所以能够有效地分析数据，并通过使用各种算法提供准确的结果，是因为它能够实现这种增长。

当打开浏览器或社交媒体平台并看到基于先前浏览活动的个性化产品、晚餐甚至旅行推荐时，每个人都会体验到这些强大的 AI 算法。

存储也不例外。需要以更少的人为干预来监控数据中心的方法，以跟上所使用的系统和技术的规模。NVMe® 固态硬盘 （SSD） 正在满足对更高性能和数据保护的需求;但是，他们缺乏预防措施的技术，以防止数据丢失和早期检测任何功能退化。

在 NVMe SSD 中采用 AI 和 ML 正成为故障和恢复机制预测分析、流量确定、性能优化以及自适应 NAND 管理以提高可靠性的要求。整个数据中心基础架构中无处不在的 AI 和 ML 现在开始包括端点 SSD。

人工智能（AI），机器学习（ML）和深度学习（DL）经常互换使用，但它们并不相同。人工智能可以定义为构建智能程序和机器，可以创造性地解决复杂问题或模仿人类思维。机器学习是人工智能的一个子集，它使系统能够自动从输入训练数据中学习并提供准确的输出。深度学习是 ML 的一个子集，它使用神经网络来分析具有类似于人类神经系统的结构的各种因素。

为了更深入地了解机器学习模型（ML 引擎）从过去的数据（也称为训练数据）中学习，以便在没有显式编程的情况下进行预测。当引入一组新的训练数据时，ML 模型会再次使用其他数据进行训练，以提供更准确的输出数据——随着训练数据集中训练数据量的增加，ML 输出的准确性也会提高。ML 最常见和最容易识别的应用是在社交网站上自动标记建议。但还有几种其他类型的 ML，例如：

监督学习 – 学习算法接受训练（输入）和目标标记数据集，进行训练（学习），并生成准确的输出

无监督学习 – 在没有标记数据的情况下完成学习，算法发现输入数据集中的模式、数据相似性或分组

半监督学习 - 结合监督学习和无监督学习，允许算法从少量标记内容中学习，同时对大量数据进行分类

强化学习 - 用于在一段时间内训练的学习

如何创建 ML 模型？

ML 模型涉及两种操作模式 - 训练模式和应用程序模式。

在训练模式下，ML 引擎具有神经网络节点，需要使用功能模型进行编程，然后进行训练以学习和适应。训练模式在 NVMe 控制器外部完成。

应用模式是实际部署阶段的运行时模式，ML 引擎不断学习和适应真实环境，并提供所需的输出。从训练模式生成的 ML 引擎配置被编程到 NVMe 控制器中并在任务模式下使用。

拥有专用的 ML 引擎硬件如何使 NVMe 控制器受益？

可以在 NVMe 控制器中为多种应用设计通用 ML 引擎，例如：

计算存储：将 SSD 转变为计算存储设备 （CSD） 可释放计算资源并整合各种 AI 和 ML 应用程序

智能NAND管理： 了解 NAND 的不同行为，并实时选择要用于每个 NAND 设备的最佳参数集。

改进的性能： 通过使用 ML 引擎，可以通过识别 IO 请求模式、分配和调整数据路径资源、预取数据并将其保留在本地内存中、使用高级缓存管理策略以及应用动态电源管理策略来提高性能、耐用性和功耗。

服务质量： 通过在 SSD 中分配适当的资源并确定其优先级，可以实现一致的性能。

其他用途： 检测故障导致的故障转移并从中恢复，安全攻击的固件升级，执行其他自检和纠正，以及扩展到各种需求而无需检测。

重要的是要记住，在设计 ML 引擎等硬件实现时，它必须足够通用，以开发与应用程序无关的 AI 和 ML 应用程序，但与此同时，在不影响数据完整性的情况下平衡性能、功耗、成本和易用性也很重要。

在端点存储设备（如 NVMe SSD）中采用 AI 和 ML 硬件引擎为数据中心打开了几个创造性的应用程序。这是两项伟大技术的万众期待的合并：AI和ML以及NVMe SSD。 Microchip很高兴地宣布在其最新的Flashtec PCIe Gen 5 NVMe 4016 SSD控制器中提供ML引擎。

审核编辑：郭婷