ASUSTOR NAS 支援日益多元的 AI 開發與數據存取需求

• 選擇合適的 NAS 型號： ASUSTOR AS68 系列。
• 安裝 AI 開發軟體： 在 ASUSTOR NAS 上用 Docker 安裝常用的 AI 開發軟體，如 TensorFlow。
• 準備資料： 將企業的原始資料整理好，並上傳到 ASUSTOR NAS 上。
• 訓練模型： 在虛擬環境中訓練 AI 模型，並對模型進行評估。
• 部署模型： 將訓練好的模型部署到生產環境中，為企業提供 AI 服務。

目前主流雲端服務商提供的 AI 模型訓練為 Google Generative AI、AWS SegaMaker、 Microsoft Azure AI，其中又以 AWS 以其廣泛的選擇和彈性著稱，為用戶提供了各種不同的 AI 服務和工具。

透過安裝 ASUSTOR Cloud Backup Center，您可將 AI 訓練所需的素材，如影像、文本等，直接上傳至 Amazon S3、Microsoft Azure Blob Storage 或 Google Cloud Storage 等常見的雲端儲存空間，作為 AI 訓練模型的資料來源。
ASUSTOR Backup Center 幫助訓練模型過程中，必須不斷重複地將大量以及新的訓練數據輸入到模型中，透過不斷的學習，AI 模型能夠越來越準確地預測新的、未見過的數據。
以 ASUSTOR NAS 作為訓練資料的協作彙整中心或數據迭代的快取中心，滿足低延遲、即時存取龐大數據集，以及管理、RAG資料清理等協作需求。
訓練完成後，您也能將完成的 AI 模型輕鬆快速部屬回至地端設備。此外，將訓練完成的 AI 模型定期備份至 NAS，NAS 快照功能不僅能確保模型的安全，還能建立完整的模型管理機制，方便隨時存取與部署，提升整體 AI 工作效率。

在 AI 訓練過程中，龐大的數據集往往成為瓶頸。透過 NAS 建立內部協同工作環境，能有效解決這個問題。NAS 跨平台存取的特性，讓公司員工無論身處何處，都能直接存取和編輯集中管理的數據。

使用 NAS 跨平台存取的特性來建置內部協同工作的環境，幫助公司內部的員工不會因為同時下載 AI 龐大的數據集而導致網路效率下降，而遠端工作的員工也能夠直接透過 NAS 線上編輯集中管理的數據，不再使用笨重的外接硬碟來回傳輸巨量的數據集。協作處理完成的數據，再統一經由 ASUSTOR NAS 排程集中上傳雲端。

RAG（Retrieval-Augmented Generation）是一種利用外部資訊來增強 AI 生成模型能力的技術。在 RAG 中，資料的品質直接影響生成模型的表現。因此，進行有效的資料清理就顯得尤為重要。而RAG 資料清理是一個複雜且重要的過程，需要結合人工和自動化的方式進行。通過有效的資料清理，可以顯著提高 RAG 模型的性能，使其生成更準確、更有用的內容。

在將資料傳送到 SageMaker 或 AWS S3 之前，您需要準備好訓練資料。這通常包括資料準備、資料清理、資料轉換、特徵工程、數據分割與資料上傳等步驟，且這些步驟過程經常伴隨協作處理，NAS 能夠扮演協作清理整理資料的重要角色，清理後的資料再上傳至雲端：