人工智能（AI）正在席卷所有行業，并將世界轉變為一個新的技術時代。不斷增長的人工智能應用涵蓋多個領域，如汽車、數據中心、云存儲、醫療保健、網絡安全、語音/語言識別等。人工智能之所以能夠有效地分析數據，并通過使用各種算法提供準確的結果，是因為它能夠實現這種增長。

當打開瀏覽器或社交媒體平臺并看到基于先前瀏覽活動的個性化產品、晚餐甚至旅行推薦時，每個人都會體驗到這些強大的 AI 算法。

存儲也不例外。需要以更少的人為干預來監控數據中心的方法，以跟上所使用的系統和技術的規模。NVMe? 固態硬盤 （SSD） 正在滿足對更高性能和數據保護的需求;但是，他們缺乏預防措施的技術，以防止數據丟失和早期檢測任何功能退化。

在 NVMe SSD 中采用 AI 和 ML 正成為故障和恢復機制預測分析、流量確定、性能優化以及自適應 NAND 管理以提高可靠性的要求。整個數據中心基礎架構中無處不在的 AI 和 ML 現在開始包括端點 SSD。

人工智能（AI），機器學習（ML）和深度學習（DL）經常互換使用，但它們并不相同。人工智能可以定義為構建智能程序和機器，可以創造性地解決復雜問題或模仿人類思維。機器學習是人工智能的一個子集，它使系統能夠自動從輸入訓練數據中學習并提供準確的輸出。深度學習是 ML 的一個子集，它使用神經網絡來分析具有類似于人類神經系統的結構的各種因素。

為了更深入地了解機器學習模型（ML 引擎）從過去的數據（也稱為訓練數據）中學習，以便在沒有顯式編程的情況下進行預測。當引入一組新的訓練數據時，ML 模型會再次使用其他數據進行訓練，以提供更準確的輸出數據——隨著訓練數據集中訓練數據量的增加，ML 輸出的準確性也會提高。ML 最常見和最容易識別的應用是在社交網站上自動標記建議。但還有幾種其他類型的 ML，例如：

監督學習 – 學習算法接受訓練（輸入）和目標標記數據集，進行訓練（學習），并生成準確的輸出

無監督學習 – 在沒有標記數據的情況下完成學習，算法發現輸入數據集中的模式、數據相似性或分組

半監督學習 - 結合監督學習和無監督學習，允許算法從少量標記內容中學習，同時對大量數據進行分類

強化學習 - 用于在一段時間內訓練的學習

如何創建 ML 模型？

ML 模型涉及兩種操作模式 - 訓練模式和應用程序模式。

在訓練模式下，ML 引擎具有神經網絡節點，需要使用功能模型進行編程，然后進行訓練以學習和適應。訓練模式在 NVMe 控制器外部完成。

應用模式是實際部署階段的運行時模式，ML 引擎不斷學習和適應真實環境，并提供所需的輸出。從訓練模式生成的 ML 引擎配置被編程到 NVMe 控制器中并在任務模式下使用。

擁有專用的 ML 引擎硬件如何使 NVMe 控制器受益？

可以在 NVMe 控制器中為多種應用設計通用 ML 引擎，例如：

計算存儲：將 SSD 轉變為計算存儲設備 （CSD） 可釋放計算資源并整合各種 AI 和 ML 應用程序

智能NAND管理： 了解 NAND 的不同行為，并實時選擇要用于每個 NAND 設備的最佳參數集。

改進的性能： 通過使用 ML 引擎，可以通過識別 IO 請求模式、分配和調整數據路徑資源、預取數據并將其保留在本地內存中、使用高級緩存管理策略以及應用動態電源管理策略來提高性能、耐用性和功耗。

服務質量： 通過在 SSD 中分配適當的資源并確定其優先級，可以實現一致的性能。

其他用途： 檢測故障導致的故障轉移并從中恢復，安全攻擊的固件升級，執行其他自檢和糾正，以及擴展到各種需求而無需檢測。

重要的是要記住，在設計 ML 引擎等硬件實現時，它必須足夠通用，以開發與應用程序無關的 AI 和 ML 應用程序，但與此同時，在不影響數據完整性的情況下平衡性能、功耗、成本和易用性也很重要。

在端點存儲設備（如 NVMe SSD）中采用 AI 和 ML 硬件引擎為數據中心打開了幾個創造性的應用程序。這是兩項偉大技術的萬眾期待的合并：AI和ML以及NVMe SSD。 Microchip很高興地宣布在其最新的Flashtec PCIe Gen 5 NVMe 4016 SSD控制器中提供ML引擎。

審核編輯：郭婷