組織需要重新考慮其存儲架構，以實現(xiàn)數(shù)據(jù)驅動型經(jīng)濟。組織如何捕獲、存儲和分析數(shù)據(jù)的方式可以決定在這種新的經(jīng)濟模式中數(shù)據(jù)驅動組織的成功程度。

[[317970]]

數(shù)據(jù)驅動的經(jīng)濟不僅限于使用人工智能(AI)和深度學習(DL)做出更好的決策。盡管這些應用無疑至關重要，但其他關鍵驅動因素還包括5G的可用性，這提高了移動性并創(chuàng)建了新的邊緣/核心關系以及用于培訓和獲利。數(shù)據(jù)驅動型經(jīng)濟的用例包括自動駕駛汽車、互聯(lián)城市、個性化醫(yī)療、定制媒體和娛樂、新的金融模式和市場，以及“一切皆服務”現(xiàn)象。

數(shù)據(jù)驅動的經(jīng)濟要求新的存儲和數(shù)據(jù)管理架構。這些體系結構需要超越僅提供分布式容量的傳統(tǒng)橫向擴展存儲解決方案。數(shù)據(jù)驅動型經(jīng)濟的存儲體系結構需要利用橫向擴展來分發(fā)所有數(shù)據(jù)管理服務，例如元數(shù)據(jù)存儲、數(shù)據(jù)索引和搜索以及安全性和分析處理。另外，支持數(shù)據(jù)驅動型經(jīng)濟的存儲基礎設施不會位于單個位置或數(shù)據(jù)中心。它的分布式特性需要一個全局全局名稱空間，該名稱空間可以從任何地方存儲和訪問數(shù)據(jù)和應用程序。

來自傳感器和設備等來源的非結構化數(shù)據(jù)是數(shù)據(jù)驅動型經(jīng)濟的基礎。與過去幾年不同，該數(shù)據(jù)是大小文件的混合。文件的數(shù)量可以達到數(shù)十億個，并且它們可能消耗數(shù)PB的容量。支持數(shù)據(jù)驅動型經(jīng)濟的存儲基礎設施需要為深度學習工作負載提供圖形處理單元(GPU)計算場。這些用例需要能夠支持大量非結構化數(shù)據(jù)的存儲基礎設施。在許多情況下，組織只能捕獲一次數(shù)據(jù)，因此數(shù)據(jù)需要長期保留并需要保證數(shù)據(jù)不會更改。

對存儲基礎架構的要求組合似乎相互矛盾。例如，自動駕駛汽車超越了二級自主性，就意味著每年每輛汽車產(chǎn)生超過2PB的數(shù)據(jù)。這些容量要求意味著，用于數(shù)據(jù)驅動型經(jīng)濟的存儲基礎設施不能只是一個全閃存陣列。閃存和硬盤驅動器之間的成本差異仍然很高。數(shù)據(jù)驅動型經(jīng)濟的存儲基礎設施很有可能在其核心具有橫向擴展、高度并行、基于硬盤的存儲系統(tǒng)，在邊緣計算具有高速閃存。

數(shù)據(jù)驅動型經(jīng)濟的存儲基礎設施看起來與高性能計算基礎架構相似，因為它需要提供高帶寬和高度并行的輸入和輸出(IO)，但還需要以經(jīng)濟高效的方式存儲PB級數(shù)據(jù)。