Tecnologia della soluzione
Suggerisci modifiche
PDF
Questa soluzione utilizza le seguenti tecnologie:
-
AWS SageMaker notebook. offre funzionalità di apprendimento automatico a sviluppatori e data scientist per creare, formare e implementare modelli ML di alta qualità in modo efficiente.
-
NetApp BlueXP. consente il rilevamento, l'implementazione e il funzionamento dello storage on-premise, nonché su AWS, Azure e Google Cloud. Offre protezione dei dati contro la perdita di dati, le minacce informatiche e le interruzioni non pianificate e ottimizza lo storage e l'infrastruttura dei dati.
-
NetApp Cloud Volumes ONTAP. offre volumi di storage di livello Enterprise con protocolli NFS, SMB/CIFS, iSCSI e S3 su AWS, Azure e Google Cloud, offrendo agli utenti una maggiore flessibilità nell'accesso e nella gestione dei dati nel cloud.
NetApp Cloud Volumes ONTAP è stato creato da BlueXP per memorizzare i dati ML.
La figura seguente mostra i componenti tecnici della soluzione.
Riepilogo del caso d'utilizzo
Un potenziale caso di utilizzo per l'accesso a due protocolli di NFS e S3 riguarda l'apprendimento automatico e la scienza dei dati. Ad esempio, un team di data scientist potrebbe lavorare a un progetto di machine learning utilizzando AWS SageMaker, che richiede l'accesso ai dati memorizzati nel formato NFS. Tuttavia, potrebbe essere necessario accedere e condividere i dati tramite i bucket S3 per collaborare con altri membri del team o per integrarli con altre applicazioni che utilizzano S3.
Utilizzando NetApp Cloud Volumes ONTAP, il team può memorizzare i dati in un'unica posizione e renderli accessibili con i protocolli NFS e S3. I data scientist possono accedere ai dati in formato NFS direttamente da AWS SageMaker, mentre altri membri del team o applicazioni possono accedere agli stessi dati tramite i bucket S3.
Questo approccio consente di accedere e condividere i dati in modo semplice ed efficiente senza la necessità di software aggiuntivo o migrazione dei dati tra diverse soluzioni di storage. Inoltre, consente di ottimizzare il workflow e la collaborazione tra i membri del team, consentendo uno sviluppo più rapido ed efficace dei modelli di machine learning.