如今，各種類型的企業(yè)都致力于采用人工智能和機器學習項目，但要發(fā)揮其真正的潛力，則需要克服重大的技術障礙。雖然計算基礎設施通常是重點，但存儲設施也同樣重要。以下是對象存儲（而不是文件或塊存儲）適用在加強人工智能和機器學習工作負載的三個主要原因：

　　1.可擴展性

　　當有大量不同的數(shù)據(jù)源可供學習時，采用人工智能和機器學習技術最有效。數(shù)據(jù)科學家利用這些豐富的數(shù)據(jù)來訓練領域模型。在“大數(shù)據(jù)的五個V”（數(shù)量、類型、速度、準確性和價值）中，前兩個（數(shù)量和類型）最為重要。簡而言之，人工智能和機器學習依賴于大量不同的數(shù)據(jù)（圖像、文本、結構化和半結構化數(shù)據(jù)）來構建有用的模型，提供準確的結果，并最終提供業(yè)務價值。

　　對象存儲是很具擴展性的存儲架構，特別適合支持人工智能和機器學習所需的大量數(shù)據(jù)。對象存儲旨在通過水平擴展方法實現(xiàn)無限增長，從而使企業(yè)可以通過在需要的位置和時間添加節(jié)點來增加部署。由于對象存儲使用單個全局名稱空間，因此也可以一次在多個地理位置上進行這種擴展。另一方面，文件和塊系統(tǒng)通常采用擴展方法。這意味著這些平臺通過向單個節(jié)點添加更多浪潮服務器計算資源來實現(xiàn)垂直擴展，這最終會受到限制。他們無法通過部署其他節(jié)點來增加計算資源，從而無法有效地水平擴展。

　　2. API

　　健壯靈活的數(shù)據(jù)API對于人工智能和機器學習非常重要，如上所述，它們使用了多種數(shù)據(jù)類型。存儲平臺需要支持API來容納各種數(shù)據(jù)。此外，人工智能和機器學習的創(chuàng)新越來越多地在公共云上進行，但是仍然有相當一部分人工智能和機器學習在內(nèi)部部署數(shù)據(jù)中心或私有云中發(fā)生，這取決于用例的具體情況（例如，科學研究和醫(yī)療保健等領域通常最適合私有云）。這意味著組織需要一個服務器硬盤存儲API，以支持公共云和本地/私有云中的工作負載。

　　文件和塊存儲平臺所支持的API受限制，部分原因是它們是較舊的架構。相比之下，對象存儲使用云平臺中固有的高級API，該API設計為以應用程序為中心，與文件和塊存儲相比，它支持范圍更廣的API，其中包括版本控制、生命周期管理、加密、對象鎖定和元數(shù)據(jù)。此外，支持人工智能和機器學習用例的新對象存儲API（例如對流數(shù)據(jù)的支持和對海量數(shù)據(jù)集的查詢的支持）也是可能的。

　　通過圍繞Amazon S3的對象存儲API的標準化，可以更輕松地在內(nèi)部部署和公共云中集成軟件。企業(yè)可以輕松地將人工智能服務器和機器學習部署從內(nèi)部部署/私有云環(huán)境擴展到公共云，或者將云原生的人工智能和機器學習工作負載遷移到內(nèi)部部署環(huán)境，而不會損失功能。這種雙模式方法使組織可以合作且可互換地利用內(nèi)部部署/私有云和公共云資源。

　　由于S3 API已成為對象存儲的事實上的標準，因此許多軟件工具和庫都可以利用該API。這允許共享代碼、軟件和工具，以促進人工智能和機器移動學習社區(qū)中更快的開發(fā)。示例包括流行的機器學習平臺，例如具有內(nèi)置S3 API的TensorFlow和Apache Spark。