ASUSTOR NAS 支援日益多元的 AI 开发与数据存取需求

• 选择合适的 NAS 型号： ASUSTOR AS68 系列。
• 安装 AI 开发软体： 在 ASUSTOR NAS 上用 Docker 安装常用的 AI 开发软体，如 TensorFlow。
• 准备资料： 将企业的原始资料整理好，并上传到 ASUSTOR NAS 上。
• 训练模型： 在虚拟环境中训练 AI 模型，并对模型进行评估。
• 部署模型： 将训练好的模型部署到生产环境中，为企业提供 AI 服务。

目前主流云端服务商提供的 AI 模型训练为 Google Generative AI、AWS SegaMaker、 Microsoft Azure AI，其中又以 AWS 以其广泛的选择和弹性著称，为用户提供了各种不同的 AI 服务和工具。

透过安装ASUSTOR Cloud Backup Center，您可将AI 训练所需的素材，如影像、文本等，直接上传至Amazon S3、Microsoft Azure Blob Storage 或Google Cloud Storage 等常见的云端储存空间，作为AI 训练模型的资料来源。
ASUSTOR Backup Center 帮助训练模型过程中，必须不断重复地将大量以及新的训练数据输入到模型中，透过不断的学习，AI 模型能够越来越准确地预测新的、未见过的数据。
以 ASUSTOR NAS 作为训练资料的协作汇整中心或数据迭代的快取中心，满足低延迟、即时存取庞大数据集，以及管理、RAG资料清理等协作需求。
训练完成后，您也能将完成的 AI 模型轻松快速部属回至地端设备。此外，将训练完成的 AI 模型定期备份至 NAS，NAS 快照功能不仅能确保模型的安全，还能建立完整的模型管理机制，方便随时存取与部署，提升整体 AI 工作效率。

在AI 训练过程中，庞大的数据集往往成为瓶颈。透过NAS 建立内部协同工作环境，能有效解决这个问题。NAS 跨平台存取的特性，让公司员工无论身处何处，都能直接存取和编辑集中管理的数据。

使用NAS 跨平台存取的特性来建置内部协同工作的环境，帮助公司内部的员工不会因为同时下载AI 庞大的数据集而导致网路效率下降，而远端工作的员工也能够直接透过NAS线上编辑集中管理的数据，不再使用笨重的外接硬碟来回传输巨量的数据集。协作处理完成的数据，再统一经由 ASUSTOR NAS 排程集中上传云端。

RAG（Retrieval-Augmented Generation）是一种利用外部资讯来增强 AI 生成模型能力的技术。在 RAG 中，资料的品质直接影响生成模型的表现。因此，进行有效的资料清理就显得尤为重要。而RAG 资料清理是一个复杂且重要的过程，需要结合人工和自动化的方式进行。通过有效的资料清理，可以显著提高 RAG 模型的性能，使其生成更准确、更有用的内容。

在将数据传送到 SageMaker 或 AWS S3 之前，您需要准备好训练数据。这通常包括数据准备、数据清理、数据转换、特征工程、数据分割与数据上传等步骤，且这些步骤过程经常伴随协作处理，NAS 能够扮演协作清理整理数据的重要角色，清理后的资料再上传至云端：