本文来自微信公众号“科技云报到”。
随着大模型从理论探索走向实际应用，大模型的落地正在考验千千万万的企业。首要且核心的关注点，无疑是从数据做起。
数据，作为大模型的“燃料”，其质量、多样性与规模直接决定了大模型性能的天花板。因此，建立一套高效、可靠的数据处理流程，确保数据的质量与合规性，成为了大模型落地的基石。
然而，构建大模型的数据能力并不容易。如何找到合适的存储来承载海量数据？如何清洗加工原始数据？如何有效地进行数据治理？如何将现有数据快速结合模型产生独特价值？
种种问题横亘在企业和大模型之间，成为生成式AI时代的数据挑战。
大模型时代的数据挑战
如今基础大模型遍地开花，开源大模型更是随处可见，每个企业都能访问相同的基础大模型，但能够利用自己的数据构建生成式AI应用的企业却并不多见。
很重要的一个原因在于，从数据利用到大模型应用，中间还需要大量的准备工作。
一是，企业基于自身数据去定制基础模型，不同的应用场景需要不同的数据处理方式。
比如，在检索增强生成(RAG)场景中，企业将自身的知识库、数据库等与生成式AI模型相结合，在生成过程中需要实时检索和利用企业内部的相关数据，从而提高生成结果的准确性、一致性和信息量。
RAG需要GB级企业数据，数据来源是企业内部文档库、数据库、数据仓库、知识图谱。技术要求上，RAG需要向量检索来迅速查找让模型能快速准确地进行响应。
在微调场景中，企业使用与目标任务相关的数据对模型进行进一步训练，以提高其在特定任务上的性能。
微调需要GB级人工标的高质量数据，数据来源为私域知识，技术上要求选取和检验符合业务需求的高质量数据集。
在持续预训练场景中，企业利用自身专有数据(如内部文档、客户记录等)对模型进行持续预训练。这种持续预训练门槛较高、成本较大，但可以得到一个企业自身定制的行业大模型。
持续预训练需要TB级未标的原始数据，数据来源为公开的数据集或企业各部门的数据，技术上要求大规模、分布式清洗加工原始数据集的能力。
二是，企业需要具备强大的处理新数据的能力，才能有效构建生成式AI应用。
对生成式AI应用程序而言，基础模型频繁调用将会导致成本的增加和响应的延迟。相对于此前数据库调用通常毫秒级甚至微秒级的响应时间，基础模型每次调用时长往往达到秒级。此外，每次调用基础模型也会增加成本。
因此，加快数据处理速度，才能有效地在调用大模型时降本增效。
打造生成式AI时代的数据基座
面对大模型构建中的数据存储、清洗、加工、查询、调用等各种挑战，企业是否有高效的数据解决方案来应对？
首先，针对大模型的微调、预训练，企业需要找到合适的存储来承载海量数据，清洗加工原始数据为高质量数据集，以及对整个组织内数据的发现编目治理。
因此，在数据存储方面，扩展性和响应速度是关键。
一方面，需要能够承载海量数据；另一方面，存储性能必须跟上计算资源——避免因为数据传输瓶颈造成高昂计算资源的浪费，或是吞吐量瓶颈导致更长的训练时间。
比如，亚马逊云科技上超过20万个数据湖都使用Amazon S3，它支持广泛的数据协议，能够轻松应对各种数据类型，还支持智能分层以降低训练成本，其安全和功能都满足微调和预训练基础模型对数据存储上的要求。
专门构建的文件存储服务Amazon FSx for Lustre则能够提供亚毫秒延迟和数百万IOPS的吞吐性能，能够进一步加快模型优化的速度。
在数据清洗方面，企业需要灵活的工具来完成数据清理、去重、乃至分词的操作，能够专注于生成式AI业务创新。
比如，Amazon EMR serverless采用无服务器架构，能够帮助企业运行任何规模的分析工作负载，自动扩展功能可在几秒钟内调整资源大小，以满足不断变化的数据量和处理要求。
而Amazon Glue则是一个简单可扩展的无服务器数据集成服务，可以轻松快速地完成微调或预训练模型的数据准备工作。
在数据治理方面，企业难以在多个账户和区域中查找数据，也缺乏有效的数据治理工具。因此，一个能够跨组织边界大规模地发现、共享和管理数据的统一数据管理平台，成为企业的必选项。
其次，针对大模型RAG场景，企业需要向量检索来迅速查找，让模型能快速准确地进行响应。
这其中的技术关键是向量嵌入（vector embeddings），它通过将数据转换为向量并存储到向量数据库中，从而将语义的关联性转化为向量间的数学距离问题，以实现内容的关联性计算。
理想的情况是将向量搜索和数据存储结合在一起，这样企业就能将向量检索和现有数据关联起来，并得到更快的体验。
比如，亚马逊云科技就专门构建了图数据库Amazon Neptune，并为其推出了分析数据库引擎，能够提升80倍的图数据分析速度，使用内置算法可在几秒钟分析数百亿个连接。通过将图和向量数据一直存储能够实现更快的向量搜索。
最后，有效处理生成式AI应用的新数据，企业能够降低模型频繁调用成本并提升性能。
很多企业在推出生成式AI应用后会发现，基础大模型的频繁调用会导致成本的增加和响应的延迟。但如果将之前问答生成的新数据存入缓存，不调用模型，而直接通过缓存给出回答，就能够减少模型调用，还可以节约成本。
Amazon Memory DB内存数据库就是这样一种工具，能够存储数百万个向量，只需要几毫秒的响应时间，就能够以99%的召回率实现每秒百万次的查询性能。
结语
在大模型快速爆发的当下，企业缺的并不是大模型本身，而是以自身需求为中心去构建大模型应用，而这个构建的过程并不容易。
正如亚马逊云科技大中华区产品部总经理陈晓建所说：“企业需要的是懂业务、懂用户的生成式AI应用，而打造这样的应用需要从数据做起。”
亚马逊云科技提供的正是企业构建生成式AI应用程序所需的一系列数据功能，能够在实现简化开发的同时确保隐私性和安全性。
事实上，亚马逊云科技不仅能提供数据工具，在云基础设施服务、模型层服务、应用层服务都提供了大量的服务于生成式AI的工具。
通过这一系列从底层到应用层的创新，亚马逊云科技的目标是让企业内的任何开发人员都能够自由构建生成式AI应用，而无需关注复杂的机器学习或底层基础设施。
当服务商解决好大模型落地的“最后几公里”，那么大模型走进千行百业将不再是一句口号。
