- मेटा प्रणालीले ढिलो भण्डारण प्रणाली दोहोर्याइएको भण्डारण पछि पुन: निर्माण GPUs
- SSD क्यासिङले नाटकीय रूपमा AI डेटासेट लोड हुने समयलाई घण्टाबाट मिनेटमा घटाइयो
- मेटाले जटिल मेटाडेटा लुकअपहरूलाई द्रुत एकीकृत भण्डारण संरचनाको साथ प्रतिस्थापन गर्यो
मेटा भन्छ कि भण्डारण प्रणालीहरूले GPU को लागतको सट्टामा प्रतिक्षाको गतिलाई कम गर्न AI बनाउन असफल भएको छ। कुशलतापूर्वक कार्यभार प्रशोधन गर्नुहोस्।
कम्पनीका इन्जिनियरहरूका अनुसार भण्डारण अवरोधहरू GPU स्टलहरू, अनुसन्धानको प्रगतिलाई सुस्त बनाउन र विकासको समयावधि विस्तार गर्दा सञ्चालन लागतहरू बढ्दै।
यसको भण्डारण ठेगाना पुन: प्राप्त गर्नुहोस्। आर्किटेक्चर, डेटाको द्रुत गतिले महँगो AI हार्डवेयर लगानीबाट ठूलो मूल्य अनलक गर्न सक्छ भन्ने तर्क गर्दै।
class=”jwp-carousel-title-mobile”/>पछिल्लो भिडियोहरूTechRadar
Meta का ईन्जिनियरहरूले फेसबुक स्टोरेजलाई सपोर्ट गर्ने कम्पनीका सयौं कम्पनीहरूलाई समर्थन गर्ने बताए। Instagram, Reality Labs, Meta AI, विज्ञापन प्रणाली, डाटाबेस, र आन्तरिक डाटा गोदामहरू।
ती सेवाहरू Tectonic भनिने आधारभूत भण्डारण तहमा भर पर्छन्, जसले वस्तु भण्डारण, फाइल प्रणाली, ब्लक उपकरणहरू, र HDDs र SSDs।
Meta ले प्रतिक्रिया दियो ZippyDB द्वारा समर्थित एक एकीकृत योजनामा मेटाडेटा उपप्रणाली पुन: निर्माण गरेर ग्राहकहरूलाई प्रत्येक स्टोरेज मार्फत डेटा स्थानान्तरण गर्न अनुमति दिँदै। सर्भरहरू, पुन: डिजाइन गरिएको सफ्टवेयरले टेक्टोनिक भण्डारण तहबाट सीधा जानकारी स्ट्रिम गर्न सक्षम इम्बेडेड क्लाइन्ट प्रयोग गर्दछ।
वितरण गरिएको एआई डिप्लोयमेन्टहरूलाई समर्थन गर्न, मेटाले GPU क्लस्टरहरूको छेउमा क्षेत्रीय BLOB-भण्डारण प्रणालीहरू राखेको छ, टाढाको पूर्वाधारमा जानकारी स्थानान्तरणसँग सम्बन्धित ढिलाइहरू कम गर्दै। data-recirculation-type=”inline” data-mrf-recirculation=”Trending Bar” data-nosnippet=”” class=”clear-both pt-2 pb-0 mb-4″>
अब के पढ्ने
यसले प्रयोग नगरिएको GPU होस्ट मेमोरी प्रयोग गरेर वितरण गरेको क्यासिङ प्रस्तुत गर्यो, औसत क्यास हिट रेट 80% उत्पादन गर्दै, जबकि मेटाडेटा 1 देखि 2 ms भित्र पहुँचयोग्य भयो।
इन्जिनियरहरूले थप हेज्ड रिडहरू डायनामिक कन्करन्सी कन्ट्रोलको साथमा थपे, बताउँदै “नयाँ BLOB-को स्टोरेज बिना क्यापलोड गर्न मिल्ने BLOB-सर्भरको स्टोरेज छ। GPU स्टलहरू निम्त्याउँदै।”
एसएसडी क्यासिङ डेटा घण्टा भित्र कट id=”elk-54f5de6a-8adf-11f1-b3d2-11244defd6f7″>Meta ले AI प्रशिक्षण सुरु हुनु अघि पनि अनुभव गरेको लामो ढिलाइको जाँच गर्यो, जब अनुसन्धानकर्ताहरूले BLOB भण्डारणबाट क्षेत्रीय GPU सुविधाहरूमा विशाल डेटासेट स्न्यापसटहरू स्थानान्तरण गरे।
मल्टिपल भण्डारण ड्राइभको सट्टामा धेरै भण्डारण ड्राइभहरू सीधा सिर्जना गरियो जसले बारम्बार प्रयोग हुने डाटालाई GPU सर्भरसँग धेरै नजिक राख्छ।
त्यो दृष्टिकोणले धेरै क्यासिङ तहहरू प्रस्तुत गर्यो, L1 को रूपमा GPU मेमोरी प्रयोग गरेर, L2 को रूपमा GPU होस्टहरू भित्र SSDs, र L3 को रूपमा क्षेत्रीय फ्ल्यास-ब्याक गरिएको BLOB भण्डारण। प्रशोधन।
मेटाको पुन: डिजाइनले इन्जेसन गतिमा तीव्र लाभहरू उत्पादन गर्यो, अघिल्लो 150-मिनेट लोडिङ प्रक्रियालाई केवल 10 मिनेटमा घटाउँदै।
एक छुट्टै काम जसलाई एक पटक पूरा गर्न 89 घण्टा आवश्यक थियो अब सुरुदेखि समाप्त गर्न तीन घण्टा भन्दा बढीमा समाप्त हुन्छ। क्षमताको प्रति टेराबाइट एक्लै।
उनी तर्क गर्छन् कि निष्क्रिय GPU समयले सस्तो भण्डारणबाट प्राप्त कुनै पनि बचतलाई धेरै दिन सक्छ यदि डाटा हरेक दिन धेरै ढिलो आउँछ भने।
यसले सुझाव दिन्छ कि फ्ल्यास भण्डारणको लागत आर्थिक रूपमा तर्कसंगत छ जब निष्क्रिय समय हटाउन प्रत्येक घण्टा फ्ल्यास भन्दा बढी खर्च हुन्छ। href=”https://www.blocksandfiles.com/object/2026/07/27/meta-reinvents-ai-metadata-flow-and-kv-caching/5278805″ target=”_blank” rel=”nofollow” data-url=”https://www.blocksandfiles.com/object/2026/07/27/meta-reinvents-ai-metadata-flow-and-kv-caching/5278805″ referrerpolicy=”no-referrer-when-downgrade” data-hl-processed=”f-in-lock>”data-relink=”none”re-link> फाइलहरू
58-df-image; 
Google समाचारमा TechRadar फलो गर्नुहोस् र हामीलाई रुचाइएको स्रोतको रूपमा थप्नुहोस्हाम्रो राय, विज्ञहरूका समाचारहरू प्राप्त गर्नका लागि। फिडहरू।