💡 Как устроен data plane в СХД: путь данных от запроса до записи на диск

После того как архитектура и платформа СХД определены, к работе подключаются инженеры по разработке программного обеспечения. Одна из главных задач на этом этапе — формирование data plane, то есть всей логики прохождения данных внутри системы хранения.

Data plane отвечает за путь данных — от момента, когда запрос приходит через сетевой порт СХД, до записи информации на диск. По дороге система определяет тип операции, использует кеш для ускорения обработки, распределяет блоки по дискам через mapper и рассчитывает защиту данных с помощью RAID.

В новом выпуске рубрики «У аппарата» Михаил Мотылёнок, ведущий инженер по разработке ПО в YADRO, рассказывает, из каких software-слоев состоит data plane и почему от их реализации зависит производительность и надежность СХД.

❓Задавайте ваши вопросы о data plane в комментариях — например, о работе кеша, выборе RAID или внутренней логике обработки запросов. Через неделю Миша ответит на самые интересные из них.

#у_аппарата #схд

@ultimate_engineer

🤓 Два вида ИИ-граблей: на какие наступаете вы?

Большие языковые модели — органичная часть нашей жизни, но многие из нас продолжают совершать всё те же ошибки. Одни относятся к ИИ как к «волшебной таблетке» и ждут от него верных ответов на любые вопросы, другие после пары неудачных попыток, например, с кодом, заносят технологию в «сырые» и бесполезные.

А как на самом деле?

И первая, и вторая крайности похожи: они приписывают нейросети свойства, которых у нее нет, отмечает эксперт по разработке программного обеспечения в YADRO Валерия Пузикова. Математика, которой она заинтересовалась еще в детстве, задолго до наступления эпохи ИИ, сегодня помогают ей лучше понимать, как устроена работа нейросетей и как выстраивать с ней «продуктивные отношения» без разочарований.

В чем секрет?

Математик видит в нейросети не «разум», а гигантский аппроксиматор, статистическую модель, обученную, говоря языком профессионалов, минимизировать функцию потерь. Их сильная сторона — поиск закономерностей в данных, но это не то же самое, что инженерное понимание корректности алгоритма или логики программы.

Математик отдает себе отчет, что никакого анализа корректности в инженерном смысле у нейросети нет — есть статистическая интерполяция, то есть способность «достраивать» ответ на основе уже виденных примеров. И чем больше модель «узнала» при обучении и смогла «сохранить в своих весах», тем точнее будет эта интерполяция.

Именно поэтому в сложных, нестандартных или узкоспециализированных ситуациях — например, при анализе плотно оптимизированных участков кода — модель может «галлюцинировать».

Но значит ли это, что инструмент не рабочий? Совсем нет.

В новой статье разбираем, как математическое мышление помогает инженерам не только лучше понимать нейросети, и выбирать эффективные подходы для решения других сложных задач.

Читать статью ➡️

#база_знаний

@ultimate_engineer