Ricerca scientifica all'edge: lo storage ad alta capacità consente insight accelerati dall'intelligenza artificiale

Gli SSD Solidigm P5336 aprono nuove frontiere della ricerca supportando i requisiti ad alta intensità di dati degli algoritmi di intelligenza artificiale e machine learning all'edge.

In un’era in cui la ricerca scientifica sta rapidamente avanzando ai limiti delle nostre capacità tecnologiche, l’importanza dello storage ad alta capacità è diventata sempre più importante. Armati di un potente impianto di acquisizione di oggetti del cielo profondo, di un set di SSD QLC Solidigm P5336 da 61.44 TB e del nostro nuovo server robusto Dell PowerEdge XR7620 preferito, esploriamo la necessità di uno storage robusto ed economico per gestire i requisiti di dati in rapida espansione della ricerca scientifica accelerata dall’intelligenza artificiale.

Acquisizione dati Edge

Negli ultimi anni, l’informatica scientifica e dei dati ha subito un cambiamento epocale, passando dai modelli informatici tradizionali e centralizzati al regno più dinamico dell’edge computing. Questo cambiamento non è solo un cambiamento nelle preferenze informatiche, ma una risposta alle esigenze e alle complessità in evoluzione dell'esplorazione moderna dell'elaborazione dei dati.

Fondamentalmente, l’edge computing si riferisce all’elaborazione dei dati vicino al luogo in cui vengono generati, invece di fare affidamento su un magazzino di elaborazione dati centralizzato. Questo cambiamento è sempre più rilevante nei settori in cui l’elaborazione dei dati in tempo reale e il processo decisionale sono cruciali. L’edge computing è interessante nella ricerca scientifica, soprattutto nelle discipline che richiedono una rapida raccolta e analisi dei dati.

I fattori che guidano l’edge computing

Diversi fattori guidano il passaggio all’edge computing nella ricerca scientifica. In primo luogo, l’enorme volume di dati generati dai moderni esperimenti scientifici è sconcertante. I metodi tradizionali di elaborazione dei dati, che comportano la trasmissione di enormi quantità di dati a un server centrale per l’analisi, stanno diventando poco pratici e richiedono molto tempo.

In secondo luogo, la necessità di analisi in tempo reale è più pronunciata che mai. In molti scenari di ricerca, il tempo necessario per trasferire i dati per l’elaborazione può renderli obsoleti, rendendo essenziale un’analisi immediata in loco.

Infine, tecnologie di raccolta dati più sofisticate hanno reso necessario lo sviluppo di capacità di elaborazione dati altrettanto sofisticate. L’edge computing risponde a questa esigenza avvicinando potenti capacità informatiche alle fonti dei dati, migliorando così l’efficienza e l’efficacia della ricerca scientifica.

La ricerca scientifica, su cui si concentra l'edge computing in questo articolo, è particolarmente interessata a conservare il maggior numero possibile di dati grezzi raccolti da sensori moderni e sofisticati. Il monitoraggio e l'analisi in tempo reale dei dati acquisiti utilizzando acceleratori come NVIDIA L4 all'edge fornisce riepiloghi. Tuttavia, nulla può sostituire l’acquisizione e la conservazione di tutti i dati per analisi future e più approfondite. Questo è dove l'ultra-denso SSD Solidigm QLC entra.

Il programma di installazione

L’astrofotografia, la pratica di catturare immagini di corpi celesti e vaste aree del cielo notturno, è un ottimo esempio di un campo che trae notevoli benefici dall’edge computing. Tradizionalmente, l'astrofotografia è una disciplina di pazienza, che richiede lunghi tempi di esposizione e una significativa post-elaborazione delle immagini per estrarre dati significativi. In passato, abbiamo guardato accelerando il processo con un cluster NUC. Ora è il momento di passare al livello successivo.

Il server perimetrale

Abbiamo usato il robusto Dell PowerEdge XR7620 come piattaforma server principale all'edge. Questi server ottimizzati sono a profondità ridotta, dual-socket in un fattore di forma compatto e offrono soluzioni incentrate sull'accelerazione. A differenza dei tipici server edge, il server XR7620 affronta la rapida maturazione dell'intelligenza artificiale/ML con il supporto dei carichi di lavoro più impegnativi, tra cui automazione industriale, video, analisi dei punti vendita, inferenza AI e aggregazione di dispositivi edge point.

Specifiche principali di Dell PowerEdge XR7620

Per un elenco completo delle specifiche, consulta la nostra recensione completa qui: Dell PowerEdge XR7620.

Questo server Dell PowerEdge non è un semplice strumento tecnologico. È costruito per resistere alle condizioni più difficili che la natura ha da offrire. Pensa alle temperature sotto lo zero, ai venti ululanti e all’isolamento che fa sembrare la parola “remoto” un eufemismo. Ma nonostante le probabilità, si è dimostrato capace e inflessibile, alimentando la ricerca con la potenza dei suoi processori all’avanguardia e una mostruosa capacità di analisi dei dati.

Avere un server rinforzato elimina la pressione di mantenere il server sicuro e caldo. Non è solo la messa in scena; è anche essenziale che il server possa resistere al faticoso viaggio da un luogo sicuro a un luogo freddo e isolato in mezzo al nulla.

Il telescopio

Per questo test abbiamo scelto una località lungo i Grandi Laghi, nel cuore di una zona selvaggia e remota, lontana dal bagliore invasivo delle luci della città. Il fulcro della nostra attrezzatura per astrofotografia è il telescopio Celestron Nexstar da 11 pollici. Con un'apertura F/1.9 e una lunghezza focale di 540 mm, questo telescopio è ideale per l'astrofotografia in condizioni di scarsa illuminazione, offrendo dettagli notevoli per l'esplorazione del cielo profondo. Nella profonda quiete della natura selvaggia, questo telescopio si erge come una sentinella, con la lente puntata verso il cielo, pronta a catturare lo spettacolo celeste.

La fotocamera One-Shot

Collegata al Nexstar è la fotocamera a colori One Shot ZWO ASI6200MC Pro. Progettata esclusivamente per l'astrofotografia, questa fotocamera può riprodurre immagini ad alta risoluzione e ricche di colori di oggetti astronomici. La scelta di una fotocamera a colori one-shot semplifica il processo di imaging, catturando immagini a colori in un'unica esposizione senza bisogno di filtri aggiuntivi. Questa caratteristica ha un valore inestimabile nelle zone remote e selvagge, dove la semplicità e l'efficienza sono fondamentali.

La ZWO ASI6200MC Pro è una fotocamera per astrofotografia appositamente progettata dotata di un sensore CMOS SONY IMX455, che offre un'impressionante risoluzione di 62 Mega Pixel su un sensore full-frame. Vanta una dimensione pixel di 3.76μm, consentendo catture celesti dettagliate ed estese con un frame rate massimo di 3.51FPS alla massima risoluzione.

La fotocamera è dotata di un sistema di raffreddamento integrato (un dispositivo di raffreddamento elettrico termico a due stadi regolato) per abbassare la temperatura del sensore e garantire prestazioni ottimali mantenendo una temperatura di 30°C-35°C al di sotto dei livelli ambientali, riducendo il rumore elettronico per immagini più precise . Con funzionalità come rolling shutter, un ampio intervallo di esposizione e un sostanziale buffer DDR256 da 3 MB, questa fotocamera è progettata per fornire immagini di qualità eccezionale sia agli astronomi dilettanti che professionisti.

Mantenere una connessione dati affidabile in zone remote e selvagge non è più così impegnativo oggi con Starlink. Questo servizio Internet basato su satellite fornisce connettività dati ad alta velocità, essenziale per trasmettere dati e ricevere aggiornamenti in tempo reale, ma con notevoli limitazioni di larghezza di banda per l'invio di enormi quantità di dati al laboratorio.

Lo storage ad alta capacità

Preservare ogni sotto-inquadratura nell'astrofotografia è vitale per i ricercatori poiché sblocca una ricchezza di informazioni essenziali per il progresso della conoscenza astronomica. Ogni sotto-frame può catturare variazioni e sfumature incrementali nei fenomeni celesti, il che è fondamentale per un'analisi e una comprensione dettagliate. Questa pratica migliora la qualità dell'immagine attraverso la riduzione del rumore e garantisce l'affidabilità dei dati fornendo ridondanza per la verifica e favorendo la correzione degli errori e la calibrazione.

Inoltre, utilizziamo l'unità Solidigm D61.44-P5 da 5336 TB

Il nostro interesse principale è disporre di un set di dati completo che consenta l’applicazione di tecniche computazionali avanzate, come l’apprendimento automatico e l’intelligenza artificiale, per scoprire modelli e intuizioni che potrebbero sfuggire all’analisi manuale o ai metodi tradizionali. Mantenere questi sottotelai inoltre rende la ricerca a prova di futuro, consentendo la rielaborazione con tecnologie in evoluzione. È anche un documento storico per lo studio a lungo termine e gli sforzi di collaborazione, che lo rendono una risorsa inestimabile.

L'approccio innovativo di StorageReview

Abbiamo spinto oltre i limiti coprendo l’edge computing e la sua importanza, e non solo per mercati tipici come i casi di utilizzo industriale e al dettaglio. Portare il nostro kit in luoghi remoti e documentare tutte le fasi di acquisizione e compilazione di immagini astrofotografiche ci aiuta a capire come l'intelligenza artificiale ci avvantaggia in molti aspetti diversi della vita. Potresti ricordare il nostro Recensione di Extreme Edge dall'anno scorso, quando abbiamo installato la nostra attrezzatura nel deserto per catturare il cielo notturno senza preoccuparci che la luce artificiale influenzi le nostre immagini.

Nel tentativo di ampliare i confini dell’astrofotografia, in particolare ai margini dove l’elevata capacità di archiviazione e l’efficienza computazionale sono fondamentali, un nuovo approccio alla deconvoluzione delle immagini sta rivoluzionando la nostra capacità di catturare il cosmo con una chiarezza senza precedenti. Per raggiungere questo obiettivo, abbiamo introdotto un’innovativa architettura di rete neurale convoluzionale (CNN) che riduce significativamente gli artefatti tradizionalmente associati ai processi di deconvoluzione delle immagini.

La sfida principale dell'astrofotografia sta nel combattere le distorsioni introdotte dalle interferenze atmosferiche, dagli errori di montatura e di guida e dai limiti delle apparecchiature di osservazione. L’ottica adattiva ha mitigato questi problemi, ma il suo costo elevato e la sua complessità lasciano molti osservatori nei guai. La deconvoluzione dell'immagine, il processo di stima e inversione degli effetti della funzione di diffusione del punto (PSF) per rendere più chiare le immagini, è uno strumento fondamentale nell'arsenale dell'astronomo. Tuttavia, gli algoritmi tradizionali come Richardson-Lucy e la deconvoluzione statistica spesso introducono artefatti aggiuntivi, compromettendo la fedeltà dell'immagine.

Entra nella soluzione innovativa proposta per la collaborazione con Vikramaditya R. Chandra: un'architettura CNN su misura progettata esplicitamente per il restauro di immagini astronomiche. Questa architettura non solo stima la PSF con notevole accuratezza, ma applica anche un algoritmo di deconvoluzione di Richardson-Lucy potenziato da tecniche di deep learning per ridurre al minimo l’introduzione di artefatti. La nostra ricerca dimostra prestazioni superiori rispetto alle metodologie esistenti addestrando questo modello sulle immagini da noi catturate e dall’Hubble Legacy Archive, presentando un chiaro percorso verso immagini astronomiche prive di artefatti.

Al centro di questa architettura c’è un approccio a doppia fase: inizialmente, una rete neurale convoluzionale stima la PSF, che viene poi utilizzata in un algoritmo Richardson-Lucy modificato per deconvolvere l’immagine. La seconda fase impiega un'altra CNN profonda, addestrata per identificare ed eliminare gli artefatti residui, garantendo che l'immagine in uscita rimanga il più fedele possibile all'oggetto astronomico originale. Ciò si ottiene senza utilizzare tecniche di semplificazione eccessiva come la sfocatura gaussiana, che può anche introdurre effetti indesiderati come il “ringing”.

L'importanza di questo modello va oltre le sue applicazioni immediate nell'astrofotografia. Per l’edge computing, dove la potenza di elaborazione e la capacità di archiviazione sono fondamentali, l’efficienza e l’efficacia di questa nuova architettura della CNN promettono una nuova era di imaging ad alta fedeltà. La capacità di elaborare e archiviare grandi quantità di dati ottici all’edge apre nuove possibilità di ricerca, consentendo analisi e processi decisionali in tempo reale nelle campagne di osservazione in tutto il settore.

Il progresso nelle tecniche di deconvoluzione intrapreso nel nostro laboratorio segna un momento cruciale nell'imaging di tutti i tipi. Sfruttando in modo innovativo il deep learning, siamo sul punto di sbloccare il potenziale aggiuntivo di un’immagine digitale, qui dimostrato catturando l’universo con chiarezza e precisione precedentemente riservate solo alle configurazioni più avanzate. Stiamo addestrando questo modello nel nostro laboratorio da un bel po' di tempo, quindi tieni gli occhi aperti per un rapporto completo presto.

Cosa significa questo per l'astrofotografia

Il progresso di una nuova architettura di rete neurale convoluzionale (CNN) per il restauro di immagini astronomiche rispetto alle tradizionali tecniche di deconvoluzione segna uno sviluppo fondamentale nell'astrofotografia. A differenza dei metodi convenzionali, che spesso introducono artefatti come rumore e immagini fantasma, l’approccio della CNN riduce al minimo questi problemi, garantendo immagini celesti più chiare e accurate.

Questa tecnica migliora la chiarezza dell'immagine e consente un'estrazione più precisa dei dati dalle osservazioni astronomiche. Sfruttando il deep learning, miglioriamo significativamente la fedeltà dell'astrofotografia, aprendo la strada a approfondimenti più profondi sul cosmo con un compromesso minimo nell'elaborazione delle immagini.

Due casi d'uso dell'inferenza nella ricerca scientifica accelerata dall'intelligenza artificiale basata sull'edge

I metodi di gestione ed elaborazione dei dati svolgono un ruolo fondamentale nella ricerca scientifica, in particolare nei campi che richiedono un'ampia acquisizione e analisi dei dati, come l'astrofotografia. Abbiamo deciso di esaminare due casi d'uso comuni dell'inferenza che sfruttano le soluzioni di storage Solidigm ad alta capacità e l'infrastruttura computazionale avanzata fornita da Dell per gestire e interpretare i vasti set di dati generati all'edge.

Caso 1: approccio alla rete da sneaker

L'approccio Sneaker Net è un metodo di trasferimento dati consolidato nel tempo che prevede l'acquisizione dei dati localmente su dispositivi di archiviazione ad alta capacità e il trasporto fisico di questi supporti di archiviazione in un data center centrale o in una struttura di elaborazione. Questo metodo ricorda gli albori dell'informatica, in cui i dati venivano spostati manualmente a causa della mancanza o della lentezza delle connessioni di rete. Nella ricerca scientifica accelerata dall’intelligenza artificiale basata sull’edge, questo approccio può essere utile in scenari in cui la trasmissione dei dati in tempo reale è ostacolata da limitazioni di larghezza di banda o da una connettività Internet inaffidabile.

Il vantaggio principale dell’approccio Sneaker Net risiede nella sua semplicità e affidabilità. Gli SSD ad alta capacità possono archiviare enormi quantità di dati, garantendo che grandi set di dati possano essere trasportati in sicurezza senza una connettività Internet continua. Questo metodo è particolarmente vantaggioso in ambienti remoti o difficili in cui spesso viene effettuata l'astrofotografia, come le aree remote e selvagge lontane dai servizi Internet convenzionali.

Tuttavia, l’approccio Sneaker Net presenta anche limitazioni significative. Il più ovvio è il ritardo nell’elaborazione e nell’analisi dei dati, poiché il trasporto fisico richiede tempo, impedendo potenziali approfondimenti che potrebbero essere derivati ​​dai dati. Esiste anche un rischio maggiore di perdita o danneggiamento dei dati durante il trasporto. Inoltre, questo metodo non sfrutta il potenziale di analisi e processo decisionale in tempo reale che l’edge computing può fornire, perdendo potenzialmente informazioni e interventi tempestivi.

Caso 2: inferenza sui bordi

L’inferenza dei bordi rappresenta un approccio più moderno alla gestione dei dati nella ricerca scientifica, particolarmente adatto alle esigenze dei progetti accelerati dall’intelligenza artificiale. Questo processo prevede l'acquisizione di dati sul campo e l'utilizzo di un server edge dotato di NVIDIA L4, per eseguire l'inferenza di primo passaggio. Questo metodo consente l'analisi immediata dei dati non appena vengono generati, consentendo un processo decisionale in tempo reale e rapidi aggiustamenti alle strategie di acquisizione dei dati sulla base dei risultati preliminari.

I server edge sono progettati per funzionare nelle condizioni difficili spesso incontrate nella ricerca sul campo, fornendo la potenza di calcolo necessaria per gli algoritmi di intelligenza artificiale e apprendimento automatico direttamente alla fonte dei dati. Questa capacità è fondamentale per attività che richiedono un'analisi immediata dei dati, come l'identificazione di specifici fenomeni astronomici in vasti set di dati catturati durante le sessioni di astrofotografia.

I vantaggi dell’inferenza dei bordi sono molteplici. Riduce significativamente la latenza nell'elaborazione dei dati, consentendo approfondimenti e aggiustamenti istantanei. Questa analisi in tempo reale può migliorare la qualità e la pertinenza dei dati acquisiti, rendendo gli sforzi di ricerca più efficienti ed efficaci. L'inferenza sui bordi riduce inoltre la necessità di trasmissione dei dati, conservando la larghezza di banda per le comunicazioni essenziali.

Tuttavia, l’inferenza dei bordi pone anche delle sfide. La configurazione iniziale e la manutenzione dell'infrastruttura di edge computing possono essere complesse e costose e richiedono investimenti significativi in ​​hardware e software. C’è anche bisogno di competenze specializzate per gestire e far funzionare i sistemi edge computing in modo efficace.

Inoltre, sebbene l’inferenza edge riduca le esigenze di trasmissione dei dati, richiede comunque un metodo per l’archiviazione dei dati a lungo termine e un’ulteriore analisi, rendendo necessario un approccio ibrido che combini l’elaborazione locale con l’analisi centrale dei dati. Grazie al miglioramento delle tecnologie di elaborazione, archiviazione e GPU, queste sfide stanno diventando meno un problema.

Sia l’approccio Sneaker Net che l’inferenza dell’edge offrono metodi preziosi per la gestione dei vasti set di dati generati nella ricerca scientifica accelerata dall’intelligenza artificiale basata sull’edge. La scelta tra questi metodi dipende dai requisiti specifici del progetto di ricerca, inclusa la necessità di analisi in tempo reale, la disponibilità di risorse computazionali sul campo e le considerazioni logistiche del trasporto dei dati. Con l’avanzare della tecnologia, il potenziale di soluzioni innovative a queste sfide promette di migliorare ulteriormente l’efficienza e l’efficacia della ricerca scientifica all’avanguardia.

Condizioni ambientali estreme

Nel nostro impegno in continua evoluzione volto a superare i confini della tecnologia e a comprenderne i limiti, abbiamo intrapreso un viaggio di test unico con il server Dell PowerEdge XR7620 e le unità SSD Solidigm QLC. Vale la pena notare che avventurarsi al di fuori dei parametri operativi specificati di qualsiasi tecnologia non è consigliabile e può invalidare le garanzie o, peggio, portare al guasto dell'apparecchiatura. Tuttavia, per motivi di curiosità scientifica e per comprendere veramente la robustezza della nostra attrezzatura, abbiamo proceduto con cautela.

I nostri test per questo progetto sono stati condotti nel duro abbraccio dell'inverno, con temperature che precipitavano fino a -15°C e al di sotto nel mezzo di un'implacabile tempesta di neve. Queste condizioni vanno ben oltre il normale ambiente operativo per la maggior parte delle apparecchiature elettroniche, in particolare hardware server sofisticati e SSD progettati per attività ad uso intensivo di dati. L'obiettivo era valutare le prestazioni e l'affidabilità del server e dello storage di fronte al freddo e all'umidità estremi che tali condizioni meteorologiche presentano.

Sorprendentemente, sia il server che gli SSD hanno funzionato senza intoppi. Non si sono verificati effetti negativi sul loro funzionamento, nessun danneggiamento dei dati e nessun malfunzionamento dell'hardware. Queste prestazioni eccezionali in tali condizioni di test la dicono lunga sulla qualità costruttiva e sulla resilienza di questi dispositivi. Il Dell PowerEdge XR7620, con il suo design rinforzato, e gli SSD Solidigm, con la loro tecnologia avanzata, si sono dimostrati in grado di resistere a fattori di stress ambientale che vanno ben oltre gli accoglienti confini di un data center.

Pur dimostrando la durabilità e l'affidabilità dell'apparecchiatura, questo test non deve essere visto come un'approvazione per il funzionamento dell'hardware al di fuori delle specifiche consigliate. Si è trattato di un esperimento controllato progettato per esplorare i limiti di ciò che questi dispositivi possono gestire. I nostri risultati riaffermano l’importanza di scegliere hardware durevole e di alta qualità per applicazioni critiche, soprattutto negli scenari di edge computing in cui le condizioni possono essere imprevedibili e tutt’altro che ideali.

Pensieri di chiusura

Ci siamo innamorati degli SSD aziendali ad alta capacità sin da quando QLC NAND è arrivata sul mercato in modo significativo. La maggior parte dei carichi di lavoro non richiede un'intensa attività di scrittura come ritiene il settore; ciò è ancora più vero per quanto riguarda la raccolta dati all’edge. La raccolta dei dati edge e i casi d’uso dell’inferenza presentano una serie di sfide completamente diverse.

Come il caso d'uso dell'astrofotografia che abbiamo articolato qui, di solito sono in qualche modo limitati rispetto a ciò che si troverebbe nel data center. Come nel caso della nostra ricerca e del nostro impegno nell'intelligenza artificiale all'avanguardia, il server Dell ha solo quattro alloggiamenti, quindi la necessità di massimizzare tali alloggiamenti per acquisire i nostri dati è fondamentale. Simile ad altri usi dei bordi che abbiamo esaminato, ad esempio guida autonoma, la capacità di acquisire più dati senza fermarsi è fondamentale.

La conclusione della nostra esplorazione delle applicazioni uniche degli SSD aziendali ad alta capacità, in particolare della tecnologia NAND QLC, sottolinea un cambiamento fondamentale nel modo in cui affrontiamo la raccolta e l'elaborazione dei dati all'edge. Gli SSD che abbiamo utilizzato nei nostri test si distinguono come particolarmente interessanti per la loro capacità e parametri prestazionali, consentendo nuove possibilità di ricerca che in precedenza erano limitate dalle capacità di archiviazione.

Il nostro viaggio attraverso le complessità della raccolta dati edge e dei casi d'uso dell'inferenza, incapsulati dal progetto di astrofotografia, rivela una comprensione sfumata delle esigenze di archiviazione oltre il data center. In progetti come questo, dove ogni byte di dati catturato, frammento di cosmo, ha valore. Tra i vincoli meteorologici e di tempo, il lusso di ampi array di storage e scaffali su scaffali di attrezzi non è sempre disponibile.

Questo scenario non riguarda esclusivamente l’astrofotografia, ma trova eco in varie applicazioni di edge computing e discipline di ricerca. In questo caso, acquisire e analizzare grandi quantità di dati al volo è fondamentale. Per molti settori, interrompere lo scarico dei dati è un lusso che non può essere né permesso né giustificato. Gli SSD risolvono questo dilemma con le loro ampie capacità di archiviazione. Consentono periodi prolungati di raccolta dati senza frequenti interruzioni per scaricare i dati, garantendo così la continuità e l'integrità del processo di ricerca.

Questi SSD ad alta capacità aprono nuove frontiere della ricerca supportando i requisiti ad alta intensità di dati degli algoritmi di intelligenza artificiale e machine learning direttamente all’edge. Questa funzionalità è fondamentale per l'elaborazione e l'inferenza dei dati in tempo reale, consentendo approfondimenti e azioni immediate basate sui dati raccolti. Che si tratti di affinare i parametri per l'acquisizione dei dati sulla base di analisi preliminari o di applicare algoritmi complessi per filtrare il rumore celeste per scoperte astronomiche, il ruolo di questi SSD non può essere sopravvalutato.

Gli SSD Solidigm non sono solo soluzioni di storage, ma abilitatori di innovazione. Rappresentano un passo avanti nell’affrontare le sfide uniche dell’edge computing, facilitando attività di ricerca che spingono i confini di ciò che è possibile. L’importanza di soluzioni di storage robuste, efficienti e ad alta capacità non farà altro che aumentare man mano che continuiamo a esplorare la vastità dello spazio e le complessità del nostro mondo attraverso la ricerca scientifica accelerata dall’intelligenza artificiale. Queste tecnologie non si limitano a supportare le attuali esigenze di ricerca; anticipano il futuro, gettando le basi per scoperte future.

Solidigm AI

Questo rapporto è sponsorizzato da Solidigm. Tutti i pareri e le opinioni espressi in questo rapporto si basano sulla nostra visione imparziale dei prodotti in esame.

Interagisci con StorageReview

Newsletter | YouTube | Podcast iTunes/Spotify | Instagram | Twitter | TikTok | RSS feed