挑战：管理海量的汽车数据
随着科技不断融入汽车制造领域，效率、质量控制和创新水平不断提高。这种趋势也为电动车和自动驾驶技术的发展提供了支持。然而，随着技术特别是人工智能在竞争中的作用日益凸显，汽车制造商在管理和利用数据方面面临着诸多挑战。有效管理存储往往需要专业的技术知识，涉及文件系统、数据库和网络等多种技术。随着数据规模不断扩大，确保存储性能和可靠性变得更加具有挑战性。
WEKA® Data Platform 为应对这些挑战而生，为数据驱动的汽车制造业带来了可扩展性、灵活性、性能和易用性的巨大飞跃。
WEKA 用于自动驾驶
WEKA 在基于 AI 的自动驾驶汽车的开发和运营中发挥着关键作用。这些汽车需要大量数据来感知周围环境、做出决策并安全导航。解决与数据相关的挑战对于成功开发、部署和运营自动驾驶汽车至关重要。存储和利用训练生成式 AI 模型所需的大量数据可能昂贵且耗时。在 AI 数据管道流程中，包括数据摄入、转换/清洗/预处理、模型开发、训练，然后递归验证/回测，IO 模式会有很大的不同。根据谷歌、微软和世界各地研究组织的报告，70%的模型训练时间用于数据准备阶段，导致昂贵的 GPU 集群闲置，从而严重延迟了模型开发。
WEKA Data Platform 是一种基于软件的解决方案，旨在通过提供最高吞吐量和最低的延迟，在进行自动驾驶模型训练时，可以充分利用你的 GPU 资源。深度学习模型消耗越多的数据并从中学习，就能越快地找到解决方案，提高准确性。WEKA 通过在单一的命名空间中存储整个数据集，简化了典型的 GPU 饥饿型“多跳”（multi-hop） AI 数据管道。这种零拷贝架构消除了训练前需要的多个步骤，使模型训练更加高效。
将 WEKA 用于自动驾驶数据管道中，可以使 GPU 系统的数据传输速率达到饱和状态。它消除了在存储之间进行浪费性数据复制和传输所需的时间，使每天可以分析的训练数据集数量呈几何级增长。WEKA Data Platform 能够高效地处理大量文件，其专利的布局算法，可将所有元数据和数据以4k的小块并行分发到集群中，这种设计保证了无论IO是小、大还是两者混合，都能实现极低的延迟和高性能。
WEKA 用于汽车建模
汽车的空气动力学，包括轿车在内，通常是通过计算流体动力学（CFD）模拟和风洞测试来进行研究的，有时也会两者结合建模。由于空气动力学模拟的复杂性和计算强度，高性能计算（HPC）在这些模拟技术起着至关重要的作用。
空气动力学对于提高轿车的的燃油效率、减少排放、增强安全性以及优化整车性能至关重要。随着汽车技术的不断发展，空气动力学设计仍然是实现高效、可持续性发展和消费者满意目标的关键因素。在赛车运动中，即使是微小的空气动力学效率改进，也能在速度、操控性和竞争优势方面带来的显著的改善。
WEKA 通过提供高性能计算 （HPC）环境，支持运行复杂的空气动力学仿真，并且能够有效地分配计算工作负载，让模拟过程更快完成。
此外，WEKA 的故障域提供了保证运营按时进行所需的弹性。WEKA 支持混合 IO 配置文件、多协议就绪，让汽车制造商能够把原本分散在多个存储系统上的数据整合到 WEKA 上，从而省去了采购成本、管理复杂度以及能耗和冷却成本。
WEKA 用于汽车制造
计算机视觉（Computer vision）通过提高生产效率、质量控制和安全性，在汽车制造中发挥着重要作用。它帮助优化了汽车制造过程的效率和准确性，减少了错误和缺陷，并确保成品车辆的质量稳定。同时，它还有助于优化生产线，减少浪费，并帮助制造商满足汽车行业的严格质量标准。
开发和维护计算机视觉 AI 系统需要能够处理大量视觉数据（如图像、视频、实时摄像头视频等）并具备强大的计算能力。WEKA 专为处理大量数据而设计，非常适用于制造环境，它可以实时处理和分析来自多个来源的数据流。计算机视觉流程通常包含多个阶段，不同阶段可能需要处理不同格式的数据或通过不同协议进行访问。WEKA 具备广泛的多协议支持，可以实现这些阶段之间无缝交换数据。
许多计算机视觉应用都借助云资源来实现可扩展性和存储。WEKA 的云支持通过提供云分层和数据迁移功能来简化数据管理任务。这样，你就可以将不经常访问的数据转移到成本更低的云存储层，从而优化本地存储资源以用于更关键的任务。
“我们搭建了一个需要高速数据管道的 GPU 集群。我们评估了像 HDFS 等开源解决方案和公共云。最后我们选择了 WEKA，因为它能够以经济高效的方式为我们的 GPU 提供高带宽 I/O，并且具备成熟的产品、有客户参考和出色的按需支持。”
-Paul Liu，工程运营负责人
WeRide
