"ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്" എന്ന് കേൾക്കുമ്പോൾ മിക്ക ആളുകളും ന്യൂറൽ നെറ്റ്സിനെയോ, ഫാൻസി അൽഗോരിതങ്ങളെയോ, അല്ലെങ്കിൽ അൽപ്പം വിചിത്രമായ ഹ്യൂമനോയിഡ് റോബോട്ടുകളെയോ ആണ് ചിത്രീകരിക്കുന്നത്. വളരെ അപൂർവ്വമായി മാത്രമേ മുൻകൂട്ടി പരാമർശിക്കാറുള്ളൂ: AI കമ്പ്യൂട്ട് ചെയ്യുന്നതുപോലെ തന്നെ സംഭരണത്തെ അമിതമായി തിന്നുന്നു . ഏതെങ്കിലും സംഭരണ-വസ്തു സംഭരണം പശ്ചാത്തലത്തിൽ നിശബ്ദമായി ഇരിക്കുകയും, അവർക്ക് ആവശ്യമായ ഡാറ്റ മോഡലുകൾ നൽകുന്നതിനുള്ള ആകർഷകമല്ലാത്തതും എന്നാൽ അത്യാവശ്യവുമായ ജോലി ചെയ്യുകയും ചെയ്യുന്നില്ല.
AI-ക്ക് ഒബ്ജക്റ്റ് സ്റ്റോറേജിനെ ഇത്ര നിർണായകമാക്കുന്നത് എന്താണെന്നും, സ്റ്റോറേജ് സിസ്റ്റങ്ങളുടെ "പഴയ ഗാർഡിൽ" നിന്ന് അത് എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നുവെന്നും, സ്കേലബിളിറ്റിക്കും പ്രകടനത്തിനുമുള്ള പ്രധാന ലിവറുകളിൽ ഒന്നായി ഇത് മാറുന്നത് എന്തുകൊണ്ടാണെന്നും നമുക്ക് വിശകലനം ചെയ്യാം.
ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:
🔗 ബിസിനസ്സിനായി വലിയ തോതിലുള്ള ജനറേറ്റീവ് AI ഉപയോഗിക്കുന്നതിന് ഏതൊക്കെ സാങ്കേതികവിദ്യകൾ നിലവിലുണ്ടായിരിക്കണം?
ജനറേറ്റീവ് AI ഫലപ്രദമായി സ്കെയിൽ ചെയ്യുന്നതിന് ബിസിനസുകൾക്ക് ആവശ്യമായ പ്രധാന സാങ്കേതികവിദ്യകൾ.
🔗 നിങ്ങൾ ശ്രദ്ധിക്കേണ്ട AI ഉപകരണങ്ങൾക്കായുള്ള ഡാറ്റ മാനേജ്മെന്റ്
AI പ്രകടനം ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് ഡാറ്റ കൈകാര്യം ചെയ്യുന്നതിനുള്ള മികച്ച രീതികൾ.
🔗 ബിസിനസ് തന്ത്രങ്ങളിൽ കൃത്രിമബുദ്ധിയുടെ സ്വാധീനം
ബിസിനസ് തന്ത്രങ്ങളെയും ദീർഘകാല തീരുമാനങ്ങളെയും AI എങ്ങനെ സ്വാധീനിക്കുന്നു.
AI-യിൽ ഒബ്ജക്റ്റ് സ്റ്റോറേജ് ടിക്ക് ആക്കുന്നത് എന്താണ്? 🌟
വലിയ ആശയം: ഒബ്ജക്റ്റ് സ്റ്റോറേജ് ഫോൾഡറുകളെയോ കർക്കശമായ ബ്ലോക്ക് ലേഔട്ടുകളെയോ ബുദ്ധിമുട്ടിക്കുന്നില്ല. ഇത് ഡാറ്റയെ "ഒബ്ജക്റ്റുകളായി" വിഭജിക്കുന്നു, ഓരോന്നും മെറ്റാഡാറ്റ ഉപയോഗിച്ച് ടാഗ് ചെയ്യുന്നു. ആ മെറ്റാഡാറ്റ സിസ്റ്റം-ലെവൽ സ്റ്റഫും (വലുപ്പം, ടൈംസ്റ്റാമ്പുകൾ, സ്റ്റോറേജ് ക്ലാസ്) ഉപയോക്തൃ-നിർവചിച്ച കീ:മൂല്യം ടാഗുകളും [1] ആകാം . ഓരോ ഫയലും അത് എന്താണെന്നും അത് എങ്ങനെ സൃഷ്ടിച്ചുവെന്നും നിങ്ങളുടെ പൈപ്പ്ലൈനിൽ എവിടെ യോജിക്കുന്നുവെന്നും കൃത്യമായി പറയുന്ന സ്റ്റിക്കി നോട്ടുകളുടെ ഒരു സ്റ്റാക്ക് വഹിക്കുന്നതുപോലെ ഇതിനെക്കുറിച്ച് ചിന്തിക്കുക.
AI ടീമുകളെ സംബന്ധിച്ചിടത്തോളം, ആ വഴക്കം ഒരു ഗെയിം ചേഞ്ചറാണ്:
-
മൈഗ്രെയിനുകൾ ഇല്ലാതെ സ്കെയിൽ ചെയ്യുക - ഡാറ്റ തടാകങ്ങൾ പെറ്റാബൈറ്റുകളായി നീളുന്നു, ഒബ്ജക്റ്റ് സ്റ്റോറുകൾ അത് എളുപ്പത്തിൽ കൈകാര്യം ചെയ്യുന്നു. അവ പരിധിയില്ലാത്ത വളർച്ചയ്ക്കും മൾട്ടി-എസെഡ് ഈടുതലിനും വേണ്ടി രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു (ആമസോൺ എസ് 3 സ്ഥിരസ്ഥിതിയായി “11 നൈനുകൾ”, ക്രോസ്-സോൺ റെപ്ലിക്കേഷൻ എന്നിവയെക്കുറിച്ച് വീമ്പിളക്കുന്നു) [2].
-
മെറ്റാഡാറ്റ സമ്പന്നത - ഓരോ വസ്തുവിനൊപ്പം സന്ദർഭ സവാരി ചെയ്യുന്നതിനാൽ വേഗതയേറിയ തിരയലുകൾ, കൂടുതൽ വ്യക്തതയുള്ള ഫിൽട്ടറുകൾ, മികച്ച പൈപ്പ്ലൈനുകൾ [1].
-
ക്ലൗഡ്-നേറ്റീവ് - HTTP(S) വഴിയാണ് ഡാറ്റ ലഭിക്കുന്നത്, അതായത് നിങ്ങൾക്ക് പുൾസ് സമാന്തരമാക്കാനും വിതരണം ചെയ്ത പരിശീലന ഹമ്മിംഗ് തുടരാനും കഴിയും.
-
പ്രതിരോധശേഷി വർദ്ധിപ്പിക്കുന്നു - ദിവസങ്ങളോളം പരിശീലനം നടത്തുമ്പോൾ, കേടായ ഷാർഡ് കില്ലിംഗ് യുഗം 12-ൽ നിങ്ങൾക്ക് അപകടസാധ്യത ഉണ്ടാകില്ല. വസ്തുക്കളുടെ സംഭരണം അതിന്റെ രൂപകൽപ്പനയിലൂടെ അത് ഒഴിവാക്കുന്നു [2].
അടിസ്ഥാനപരമായി ഇതൊരു അടിയില്ലാത്ത ബാക്ക്പാക്കാണ്: ഉള്ളിൽ കുഴപ്പമുണ്ടാകാം, പക്ഷേ നിങ്ങൾ അതെടുക്കുമ്പോൾ എല്ലാം ഇപ്പോഴും വീണ്ടെടുക്കാൻ കഴിയും.
AI ഒബ്ജക്റ്റ് സംഭരണത്തിനായുള്ള ദ്രുത താരതമ്യ പട്ടിക 🗂️
| ഉപകരണം / സേവനം | പ്രേക്ഷകർക്ക് ഏറ്റവും അനുയോജ്യം | വില പരിധി | ഇത് എന്തുകൊണ്ട് പ്രവർത്തിക്കുന്നു (മാർജിനുകളിലെ കുറിപ്പുകൾ) |
|---|---|---|---|
| ആമസോൺ എസ്3 | എന്റർപ്രൈസസ് + ക്ലൗഡ്-ഫസ്റ്റ് ടീമുകൾ | പണമടയ്ക്കൽ | വളരെ ഈടുനിൽക്കുന്നതും, പ്രാദേശികമായി പ്രതിരോധശേഷിയുള്ളതും [2] |
| Google ക്ലൗഡ് സംഭരണം | ഡാറ്റാ ശാസ്ത്രജ്ഞരും എംഎൽ ഡെവലപ്പർമാരും | ഫ്ലെക്സിബിൾ ടയറുകൾ | ശക്തമായ ML സംയോജനങ്ങൾ, പൂർണ്ണമായും ക്ലൗഡ്-നേറ്റീവ് |
| അസൂർ ബ്ലോബ് സംഭരണം | മൈക്രോസോഫ്റ്റ്-ഹെവി ഷോപ്പുകൾ | ടയേർഡ് (ചൂട്/തണുപ്പ്) | Azure-ന്റെ ഡാറ്റ + ML ടൂളിംഗ് ഉപയോഗിച്ച് തടസ്സമില്ലാതെ |
| മിനിയോ | ഓപ്പൺ സോഴ്സ് / DIY സജ്ജീകരണങ്ങൾ | സൌജന്യ/സ്വയം ഹോസ്റ്റ് | S3-യ്ക്ക് അനുയോജ്യം, ഭാരം കുറഞ്ഞത്, എവിടെയും വിന്യസിക്കുക 🚀 |
| വസാബി ഹോട്ട് ക്ലൗഡ് | ചെലവ്-സെൻസിറ്റീവ് ഓർഗനൈസേഷനുകൾ | ഫ്ലാറ്റ്-റേറ്റ് കുറഞ്ഞ $ | എഗ്രസ് അല്ലെങ്കിൽ API-അഭ്യർത്ഥന ഫീസ് ഇല്ല (ഓരോ പോളിസിക്കും) [3] |
| IBM ക്ലൗഡ് ഒബ്ജക്റ്റ് സ്റ്റോറേജ് | വലിയ സംരംഭങ്ങൾ | വ്യത്യാസപ്പെടുന്നു | ശക്തമായ എന്റർപ്രൈസ് സുരക്ഷാ ഓപ്ഷനുകളുള്ള പക്വമായ സ്റ്റാക്ക് |
നിങ്ങളുടെ യഥാർത്ഥ ഉപയോഗവുമായി ബന്ധപ്പെട്ട് എപ്പോഴും വിലനിർണ്ണയം പരിശോധിക്കുക - പ്രത്യേകിച്ച് പുറത്തേക്കുള്ള യാത്ര, അഭ്യർത്ഥന അളവ്, സംഭരണ-ക്ലാസ് മിശ്രിതം.
എന്തുകൊണ്ടാണ് AI പരിശീലനം ഒബ്ജക്റ്റ് സംഭരണത്തെ ഇഷ്ടപ്പെടുന്നത് 🧠
പരിശീലനം എന്നത് "ഒരുപിടി ഫയലുകൾ" അല്ല. ദശലക്ഷക്കണക്കിന് റെക്കോർഡുകൾ സമാന്തരമായി തകർക്കപ്പെടുന്നതാണ് ഇത്. ഹൈറാർക്കിക്കൽ ഫയൽ സിസ്റ്റങ്ങൾ കനത്ത കൺകറൻസിയിൽ കുടുങ്ങുന്നു. ഫ്ലാറ്റ് നെയിംസ്പെയ്സുകളും ക്ലീൻ API-കളും ഉപയോഗിച്ച് ഒബ്ജക്റ്റ് സ്റ്റോറേജ് അതിനെ മറികടക്കുന്നു. ഓരോ ഒബ്ജക്റ്റിനും ഒരു അദ്വിതീയ കീ ഉണ്ട്; തൊഴിലാളികൾ സമാന്തരമായി ഫാൻ ഔട്ട് ചെയ്യുകയും എടുക്കുകയും ചെയ്യുന്നു. ഷാർഡ് ചെയ്ത ഡാറ്റാസെറ്റുകൾ + പാരലൽ I/O = GPU-കൾ കാത്തിരിക്കുന്നതിന് പകരം തിരക്കിലാണ്.
ട്രെഞ്ചുകളിൽ നിന്നുള്ള സൂചന: കമ്പ്യൂട്ട് ക്ലസ്റ്ററിന് സമീപം (ഒരേ പ്രദേശം അല്ലെങ്കിൽ മേഖല) ഹോട്ട് ഷാർഡുകൾ സൂക്ഷിക്കുക, കൂടാതെ SSD-യിൽ ആക്രമണാത്മകമായി കാഷെ ചെയ്യുക. നിങ്ങൾക്ക് GPU-കളിലേക്ക് നേരിട്ട് ഫീഡുകൾ ആവശ്യമുണ്ടെങ്കിൽ, NVIDIA GPUDirect സ്റ്റോറേജ് പരിശോധിക്കേണ്ടതാണ് - ഇത് CPU ബൗൺസ് ബഫറുകൾ ട്രിം ചെയ്യുന്നു, ലേറ്റൻസി കുറയ്ക്കുന്നു, ബാൻഡ്വിഡ്ത്ത് നേരിട്ട് ആക്സിലറേറ്ററുകളിലേക്ക് ഉയർത്തുന്നു [4].
മെറ്റാഡാറ്റ: അണ്ടർറേറ്റഡ് സൂപ്പർ പവർ 🪄
ഇവിടെയാണ് ഒബ്ജക്റ്റ് സ്റ്റോറേജ് അത്ര വ്യക്തമല്ലാത്ത രീതിയിൽ തിളങ്ങുന്നത്. അപ്ലോഡ് ചെയ്യുമ്പോൾ, നിങ്ങൾക്ക് ഇഷ്ടാനുസൃത മെറ്റാഡാറ്റ ( x-amz-meta-… ) അറ്റാച്ചുചെയ്യാൻ കഴിയും. ഉദാഹരണത്തിന്, ഒരു വിഷൻ ഡാറ്റാസെറ്റിന് lighting=low അല്ലെങ്കിൽ blur=high റോ ഫയലുകൾ വീണ്ടും സ്കാൻ ചെയ്യാതെ പൈപ്പ്ലൈനുകൾ ഫിൽട്ടർ ചെയ്യാനോ ബാലൻസ് ചെയ്യാനോ സ്ട്രാറ്റിഫൈ ചെയ്യാനോ ഇത് അനുവദിക്കുന്നു [1].
പിന്നെ വേർഷനിംഗ് . പല ഒബ്ജക്റ്റ് സ്റ്റോറുകളും ഒരു ഒബ്ജക്റ്റിന്റെ ഒന്നിലധികം പതിപ്പുകൾ അടുത്തടുത്തായി സൂക്ഷിക്കുന്നു - പുനരുൽപ്പാദിപ്പിക്കാവുന്ന പരീക്ഷണങ്ങൾക്കോ റോൾബാക്കുകൾ ആവശ്യമുള്ള ഭരണ നയങ്ങൾക്കോ അനുയോജ്യമായ രീതിയിൽ [5].
ഒബ്ജക്റ്റ് vs ബ്ലോക്ക് vs ഫയൽ സ്റ്റോറേജ് ⚔️
-
ബ്ലോക്ക് സ്റ്റോറേജ് : ഇടപാട് ഡാറ്റാബേസുകൾക്ക് മികച്ചത് - വേഗതയേറിയതും കൃത്യവും - എന്നാൽ പെറ്റാബൈറ്റ്-സ്കെയിൽ ഘടനയില്ലാത്ത ഡാറ്റയ്ക്ക് വളരെ ചെലവേറിയതാണ്.
-
ഫയൽ സംഭരണം : പരിചിതം, POSIX-ന് അനുയോജ്യം, പക്ഷേ വലിയ സമാന്തര ലോഡുകളിൽ ഡയറക്ടറികൾ ശ്വാസംമുട്ടുന്നു.
-
ഒബ്ജക്റ്റ് സ്റ്റോറേജ് : സ്കെയിൽ, സമാന്തരത്വം, മെറ്റാഡാറ്റ അധിഷ്ഠിത ആക്സസ് എന്നിവയ്ക്കായി അടിസ്ഥാനപരമായി രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു [1].
നിങ്ങൾക്ക് ഒരു വിചിത്രമായ രൂപകം വേണമെങ്കിൽ: ബ്ലോക്ക് സ്റ്റോറേജ് ഒരു ഫയലിംഗ് കാബിനറ്റാണ്, ഫയൽ സ്റ്റോറേജ് ഒരു ഡെസ്ക്ടോപ്പ് ഫോൾഡറാണ്, ഒബ്ജക്റ്റ് സ്റ്റോറേജ്... എങ്ങനെയോ ഉപയോഗയോഗ്യമാക്കുന്ന സ്റ്റിക്കി നോട്ടുകളുള്ള ഒരു അടിത്തറയില്ലാത്ത കുഴിയാണ്.
ഹൈബ്രിഡ് AI വർക്ക്ഫ്ലോകൾ 🔀
ഇത് എല്ലായ്പ്പോഴും മേഘങ്ങൾക്ക് മാത്രമുള്ളതല്ല. ഒരു സാധാരണ മിശ്രിതം ഇതുപോലെ കാണപ്പെടുന്നു:
-
സെൻസിറ്റീവ് അല്ലെങ്കിൽ നിയന്ത്രിത ഡാറ്റയ്ക്കായി ഓൺ-പ്രേം ഒബ്ജക്റ്റ് സ്റ്റോറേജ്
-
ബർസ്റ്റ് വർക്ക്ലോഡുകൾ, പരീക്ഷണങ്ങൾ അല്ലെങ്കിൽ സഹകരണം എന്നിവയ്ക്കായുള്ള ക്ലൗഡ് ഒബ്ജക്റ്റ് സംഭരണം
ഈ സന്തുലനം ചെലവ്, അനുസരണം, ചടുലത എന്നിവയെ ബാധിക്കുന്നു. ഒരു താൽക്കാലിക GPU ക്ലസ്റ്റർ പ്രകാശിപ്പിക്കുന്നതിനായി ടീമുകൾ ഒരു രാത്രി മുഴുവൻ ടെറാബൈറ്റുകൾ ഒരു S3 ബക്കറ്റിലേക്ക് വലിച്ചെറിയുന്നതും പിന്നീട് സ്പ്രിന്റ് അവസാനിക്കുമ്പോൾ അതെല്ലാം അണുവിമുക്തമാക്കുന്നതും ഞാൻ കണ്ടിട്ടുണ്ട്. കൂടുതൽ കർശനമായ ബജറ്റുകൾക്ക്, വാസബിയുടെ ഫ്ലാറ്റ്-റേറ്റ്/നോ-എഗ്രസ് മോഡൽ [3] ജീവിതം പ്രവചിക്കാൻ എളുപ്പമാക്കുന്നു.
ആരും പൊങ്ങച്ചം പറയാത്ത ഭാഗം 😅
യാഥാർത്ഥ്യ പരിശോധന: അത് കുറ്റമറ്റതല്ല.
-
ലേറ്റൻസി - കമ്പ്യൂട്ടും സ്റ്റോറേജും വളരെ അകറ്റി നിർത്തുക, നിങ്ങളുടെ GPU-കൾ ക്രാൾ ചെയ്യുക. GDS സഹായിക്കുന്നു, പക്ഷേ ആർക്കിടെക്ചർ ഇപ്പോഴും പ്രധാനമാണ് [4].
-
ചിലവുകളുടെ അത്ഭുതങ്ങൾ - എഗ്രസ്, API-റിക്വസ്റ്റ് ചാർജുകൾ ആളുകളിൽ നിന്ന് ഒളിഞ്ഞുനോക്കുന്നു. ചില ദാതാക്കൾ അവ ഒഴിവാക്കുന്നു (വാസബി ചെയ്യുന്നു; മറ്റുള്ളവർ അങ്ങനെ ചെയ്യുന്നില്ല) [3].
-
മെറ്റാഡാറ്റയിലെ കുഴപ്പങ്ങൾ - ടാഗുകളിലും പതിപ്പുകളിലും "സത്യം" ആരാണ് നിർവചിക്കുന്നത്? നിങ്ങൾക്ക് കരാറുകൾ, നയങ്ങൾ, ചില ഭരണ മസിൽ എന്നിവ ആവശ്യമാണ് [5].
വസ്തുക്കളുടെ സംഭരണം അടിസ്ഥാന സൗകര്യങ്ങളുടെ ഒരു ശൃംഖലയാണ്: നിർണായകമാണ്, പക്ഷേ ആകർഷകമല്ല.
എങ്ങോട്ടാണ് പോക്ക് 🚀
-
SQL പോലുള്ള ക്വറി ലെയറുകൾ വഴി ഡാറ്റ ഓട്ടോ-ടാഗ് ചെയ്യുകയും വെളിപ്പെടുത്തുകയും ചെയ്യുന്ന മികച്ചതും AI-അവബോധമുള്ളതുമായ സംഭരണം
-
കൂടുതൽ അടുത്ത ഹാർഡ്വെയർ സംയോജനം (DMA പാത്തുകൾ, NIC ഓഫ്ലോഡുകൾ) ആയതിനാൽ GPU-കൾ I/O-സ്റ്റാർ ചെയ്യപ്പെടുന്നില്ല [4].
-
സുതാര്യവും പ്രവചിക്കാവുന്നതുമായ വിലനിർണ്ണയം (ലളിതമാക്കിയ മോഡലുകൾ, ഒഴിവാക്കിയ എഗ്രസ് ഫീസ്) [3].
ബജറ്റ് ലംഘിക്കാതെ വേഗത്തിൽ മോഡലുകളിലേക്ക് ഡാറ്റ ഫീഡ് ചെയ്യുന്നതിലാണ് തടസ്സം . അതുകൊണ്ടാണ് ഒബ്ജക്റ്റ് സ്റ്റോറേജിന്റെ പങ്ക് വളരുന്നത്.
സംഗ്രഹം 📝
വസ്തുക്കളുടെ സംഭരണം ആകർഷകമല്ല, പക്ഷേ അത് അടിസ്ഥാനപരമാണ്. വിപുലീകരിക്കാവുന്ന, മെറ്റാഡാറ്റ-അവബോധമുള്ള, പ്രതിരോധശേഷിയുള്ള സംഭരണശേഷിയുള്ള സംഭരണശേഷി ഇല്ലാതെ, വലിയ മോഡലുകളെ പരിശീലിപ്പിക്കുന്നത് ചെരിപ്പുകൾ ധരിച്ച് ഒരു മാരത്തൺ ഓടുന്നത് പോലെയാണ്.
അതെ- GPU-കൾ പ്രധാനമാണ്, ഫ്രെയിംവർക്കുകളും പ്രധാനമാണ്. എന്നാൽ നിങ്ങൾ AI-യെ ഗൗരവമായി കാണുന്ന ആളാണെങ്കിൽ, നിങ്ങളുടെ ഡാറ്റ എവിടെയാണ് സ്ഥിതി ചെയ്യുന്നതെന്ന് അവഗണിക്കരുത് . സാധ്യതയനുസരിച്ച്, ഒബ്ജക്റ്റ് സ്റ്റോറേജ് ഇതിനകം തന്നെ മുഴുവൻ പ്രവർത്തനത്തെയും നിശബ്ദമായി നിലനിർത്തുന്നു.
അവലംബം
[1] AWS S3 – ഒബ്ജക്റ്റ് മെറ്റാഡാറ്റ - സിസ്റ്റം & കസ്റ്റം മെറ്റാഡാറ്റ
https://docs.aws.amazon.com/AmazonS3/latest/userguide/UsingMetadata.html
[2] AWS S3 – സ്റ്റോറേജ് ക്ലാസുകൾ - ഈട് (“11 നൈൻസ്”) + റെസിലൈൻസ്
https://aws.amazon.com/s3/storage-classes/
[3] വാസബി ഹോട്ട് ക്ലൗഡ് – വിലനിർണ്ണയം - ഫ്ലാറ്റ്-റേറ്റ്, എഗ്രസ്/API ഫീസില്ല
https://wasabi.com/pricing
[4] NVIDIA GPUDirect സ്റ്റോറേജ് – ഡോക്സ് - GPU-കളിലേക്കുള്ള DMA പാതകൾ
https://docs.nvidia.com/gpudirect-storage/
[5] AWS S3 – പതിപ്പിംഗ് - ഗവേണൻസ്/പുനരുൽപാദനക്ഷമതയ്ക്കുള്ള ഒന്നിലധികം പതിപ്പുകൾ
https://docs.aws.amazon.com/AmazonS3/latest/userguide/Versioning.html