Skip Levens是 Quantum 的产品负责人和 AI 策略师，Quantum 是 AI 和非结构化数据数据管理解决方案领域的领导者。他目前负责推动 Quantum 端到端解决方案的参与度、知名度和增长。在他的职业生涯中（包括在 Apple、Backblaze、Symply 和 Active Storage 等组织任职），他成功领导了营销和业务开发、宣传、推出新产品、与关键利益相关者建立关系并推动了收入增长。
Quantum提供端到端数据解决方案，帮助组织大规模管理、丰富和保护非结构化数据（例如视频和音频文件）。他们的技术专注于将数据转化为有价值的见解，使企业能够提取价值并做出明智的决策。Quantum 的平台提供安全、可扩展且灵活的解决方案，将现场基础设施与云功能相结合。该公司的方法使企业能够高效处理数据增长，同时确保整个数据生命周期的安全性和灵活性。
您能否概述一下 Quantum 对非结构化数据的 AI 驱动数据管理方法？
通过帮助客户将人工智能 (AI) 和机器学习 (ML) 集成到其关键业务运营中，Quantum 可帮助客户有效管理和从非结构化数据中挖掘有意义的价值，从而创建可操作的业务洞察，从而做出更好的业务决策。通过构建自己的 AI/ML 工具，公司可以从简单地应对数据和内容的涌入转变为利用洞察作为提高效率的新驱动力，并最终在业务运营的所有阶段增强人力专业知识。
昆腾的人工智能技术如何分析非结构化数据？你们的平台与竞争对手相比有哪些关键创新？
在采用 AI/ML 工具的初始阶段，许多组织发现他们的工作流程变得混乱和脱节，并且可能会失去对数据的跟踪，从而难以执行安全和保护标准。早期开发常常因存储和文件系统性能不合适而受到阻碍。
我们开发了 Myriad，这是一种高性能、软件定义的文件存储和智能结构环境，可轻松应对将 AI/ML 管道和高性能工作流集成在一起的挑战——统一工作流，不受硬件约束和其他系统的限制。Myriad 明显摆脱了传统的硬件和存储约束，采用最新的存储和云技术构建，完全由 Kubernetes 驱动和编排的微服务，是一个响应迅速的系统，很少需要管理员交互。Myriad 经过专门设计，可从 NVMe 和智能结构网络以及每个组件之间的近乎即时的远程直接内存访问 (RDMA) 连接中获得最高性能。结果是一个创新的系统，它可以智能地自动响应变化，并且只需极少的管理员干预即可执行常见任务。通过将智能结构作为系统的一部分，Myriad 也是一个本质上负载平衡的系统，它以单个平衡的 IP 地址提供多个 100Gbps 带宽端口。
将 Myriad 与我们的类似云的对象存储系统 ActiveScale 相结合，组织可以存档和保存最大的数据湖和内容。这种组合为客户提供了真正的端到端数据管理解决方案，用于他们的 AI 管道。此外，当与我们的 CatDV 解决方案一起交付时，客户可以标记和分类数据以进一步丰富他们的数据并为分析和 AI 做好准备。
您能否分享一下巴黎奥运会将人工智能应用于视频监控的见解，还有哪些其他大型活动或组织使用了这项技术？
机器学习可以开发可重复的操作，识别视频中感兴趣的模式，并从大量实时视频数据中获得洞察力，其规模和速度都比人类单独努力所能达到的要大得多。例如，视频监控可以使用人工智能来捕捉和标记发生的可疑行为，即使有数百个摄像头为模型提供信息。尝试这项任务的人一次只能处理一个事件，而人工智能驱动的视频监控可以同时处理数千个案件。
另一个应用是人群情绪分析，它可以跟踪长队并找出潜在的挫败感。这些都是安全专家可以可靠地标记的操作，但通过使用 AI/ML 系统持续监控同步反馈，这些专家可以在需要时采取适当的行动，从而大大提高整体效率和安全性。
组织在实施 AI 进行非结构化数据分析时面临的主要挑战是什么？Quantum 如何帮助缓解这些挑战？
企业必须彻底重新构想其存储方法以及整体数据和内容管理。大多数企业会有机地增加其存储能力，通常是为了满足一次性需求，这造成了多供应商混乱和令人遗憾的复杂性。
随着人工智能的采用，组织现在必须简化支撑其运营的存储。通常，这需要在初始数据采集或着陆区中实现一个“热”部分，以便应用程序和用户可以尽快工作。然后，添加一个大型“冷”存储，它可以轻松归档大量数据并以经济高效的方式保护数据，并能够几乎立即将数据移回“热”处理工作流程。
通过将存储重新设计为更少、更紧凑的解决方案，管理人员的负担大大减轻。这种“热/冷”数据管理解决方案非常适合 AI/ML 工作流集成，而 Quantum 解决方案可帮助客户创建一个高度敏捷、灵活、简洁且易于管理的平台。
Quantum 的 AI 创新如何与其他 AI 工具和技术相结合，以促进组织发展和效率？
许多人认为 AI/ML 工具的存储只是为图形处理单元 (GPU) 提供数据，但这只是整个方程式的一小部分。虽然速度和高性能可能有助于尽快将数据提供给执行数据分析的 GPU，但更大的图景围绕着组织如何基于自定义数据集成迭代和持续的 AI/ML 开发、训练和推理循环。通常，要解决的第一个也是最重要的 AI/ML 任务是使用专有数据构建“知识机器人”或“顾问机器人”，以通知内部知识工作者。为了使这些知识机器人对每个组织都有用且独一无二，需要大量专门信息来告知训练它们的模型。提示一个由 AI 驱动的存储解决方案：如果这些专有数据井然有序且在简化的存储工作流程中随时可用，那么组织数据类型、集合和目录将变得容易得多，这反过来将确保这些知识机器人能够充分了解组织的独特需求。
您能详细说明一下人工智能的工作流管理功能以及它们如何简化数据流程吗？
我们正在构建一系列支持 AI 的工作流管理工具，这些工具可直接集成到存储解决方案中，以自动执行任务并提供有价值的实时见解，从而帮助整个组织做出快速而明智的决策。这归功于新的高级数据分类和标记系统，它们使用 AI 来组织数据并使其易于检索，甚至对该媒体执行标准操作（例如符合特定大小），这大大减少了将数据组织成训练集所需的手动工作量。
智能自动化工具根据既定策略管理数据移动、备份和合规性任务，确保应用程序的一致性并减轻管理负担。实时分析和监控还可立即洞察数据使用模式和潜在问题，自动在整个生命周期内保持数据完整性和质量。
人工智能数据管理的前景如何？您预见未来几年会出现哪些趋势？
随着这些工具不断发展并成为多模式工具，它将允许以更具表现力和开放的方式处理您的数据。将来，您将能够与您的系统进行“对话”，并获得您感兴趣的信息或分析，例如“现在我的‘热区’中增长最快的数据类型是什么？”。这种专业化水平将成为将这些工具构建到其存储解决方案中的组织的差异化因素，即使面对不断变化的新数据流，它们也能更加准确和高效。
您的基于云的分析和存储即服务产品在整体数据管理策略中扮演什么角色？
存储需求巨大且不断增长的组织通常难以满足需求，尤其是在预算有限的情况下。公共云存储可能导致高昂且不可预测的成本，因此很难提前准确估计和购买多年的存储需求。许多客户希望获得已知预计运营成本的公共云体验，同时又能避免公共云可能带来的意外出口或 API 费用。为了满足这一需求，我们开发了 Quantum GO，为客户提供私有云体验，具有较低的初始入门点和较低的固定月付款选项，可在自己的设施中获得真正的存储即服务体验。随着存储需求的增加，Quantum GO 为客户提供了简单的“按需付费”订阅模式的额外优势，以经济高效的方式提供增强的灵活性和可扩展性。
昆腾如何计划在快速发展的人工智能和数据管理领域保持领先地位？
在当今世界，仅仅成为“存储提供商”是不够的。新出现的数据和业务挑战需要一个智能的、支持 AI 的数据平台，帮助客户最大限度地发挥数据的价值。在 Quantum，我们不断创新并投资于增强客户功能，帮助他们在整个生命周期内轻松有效地处理大量数据。
我们正在扩展智能 AI，以提升数据的标记、分类和组织水平，使搜索、查找和分析数据变得前所未有的简单，从而获得更多价值和见解。我们将继续增强我们的 AI 功能，帮助自动转录视频，在几秒钟内将音频和视频文件翻译成其他语言，并在数千个文件中进行快速搜索以识别口语或定位特定项目等。
对于刚刚开始采用人工智能和非结构化数据管理的组织，您有什么建议？
AI/ML 一直备受关注，因此很难分析出什么是实用的和有用的。组织必须首先考虑正在创建的数据，并确定其生成、捕获和保存的方式。此外，组织必须寻找一种可以根据需要随时访问和检索数据的存储解决方案，并且该解决方案将有助于指导日常工作流程和未来发展。即使很难就最终的 AI 目标达成一致，但现在采取措施确保存储系统和数据工作流程精简、简化和强大，将在整合当前和未来的 AI/ML 计划时带来巨大的回报。然后，组织将处于有利位置，可以继续探索这些 AI/ML 工具如何推进其使命，而不必担心能否通过正确的数据管理平台为其提供支持。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/liang-zi-mei-ti-yu-yu-le-ying-xiao-zong-jian-skip-levens
