利用 F5 的 AI Data Fabric 实现 AI 民主化

当我们踏上这一旅程时，我们制定了一些非常具体的设计目标来推动采用。 我们不必强迫用户改变他们的工作方式，而是要根据他们的现状来满足他们。 这意味着帮助查找和连接所有数据、实现自助服务、支持移动性和可移植性、建立生态系统来推动协作和创新，并使用大型语言模型 (LLM) 来加速模型训练。

良好的 AI 始于数据，F5 AI Data Fabric 有助于从我们整个产品组合中收集的海量数据中产生洞察。 与大多数大规模运行应用程序的企业一样，我们承认数据驻留在许多不同的存储库中，而不仅仅是单个数据湖中。 我们支持在本地和多个公共和私有云上部署的应用程序和数据源；AI Data Fabric 可以连接数据并将其计算附加到任何位置。 通用数据目录可帮助用户浏览许多数据源，同时使我们作为一个团队能够融入 F5 的数据治理策略，以确保对数据资产进行适当的控制和审计。 通过这一策略，我们可以跨多个数据湖和数据源，对来自不同应用和产品的数据进行洞察、管理和治理，而无需改变用户的工作方式。

让用户能够将计算附加到数据上只是故事的一部分。 为了推动采用，我们必须考虑整个数据科学用户旅程以及我们可以在哪里消除摩擦。 

打包和部署 AI 应用程序就是一个很好的例子。 我们做了很多艰苦的工作，以便我们的用户不必再做这些。 AI Data Fabric 可以管理 Python 依赖项，将 AI 应用程序打包到带有 HTTP 服务器的容器中，在我们的 API 网关中配置该端点，并在需要的地方使用正确的 GPU、CPU 和内存要求在 Kubernetes 中部署 AI 应用程序。 想象一下，通过一个易于使用的 SDK，在一个自动化的工作流程中训练、打包和部署模型。 通过该系统，数据科学家可以在 10 到 15 分钟内部署新版本的 AI应用。 减少摩擦有助于数据科学家做他们最擅长的事情：数据科学。

这是我们与客户在当地会面的另一个例子。 所有构建的容器都存储在 AI Data Fabric 的容器注册表中，用户可以自由地在需要运行的任何地方部署 AI 应用程序，即使在隔离环境中也是如此。

加速人工智能的应用意味着快速协作。 这意味着要利用并巩固前人的工作成果。 AI Data Fabric 内部是一个“AI 生态系统”、用于执行常见和复杂 AI 功能的工具和预构建模块。 当用户将模块和模型贡献给生态系统时，这才是创新的真正加速器。 模块可以是预先构建的异常检测和分类模型，也可以是执行检索增强生成 (RAG) 的应用程序。