Contoso AI는 새로운 컴퓨터 비전(Computer Vision) AI 모델 학습 및 추론 파이프라인을 구축하고 있습니다. 이 프로젝트는 다음 데이터 저장 요구 사항을 가지고 있습니다.
* 수백 테라바이트(TB)에 달하는 방대한 이미지 및 비디오 원본 데이터 (모델 학습용). 이 데이터는 학습 시에만 집중적으로 접근되며, 학습 완료 후에는 접근 빈도가 매우 낮아지지만 장기 보관해야 합니다.
* 모델 학습 데이터에 대한 메타데이터 (예: 이미지 라벨, 객체 위치)는 비관계형 형식이며, 빠른 조회가 필요하지만 복잡한 쿼리는 요구되지 않습니다.
* 모델 추론(inference) 결과로 생성되는 임시 파일 (수십 GB ~ 수 TB)은 단기간(수일)만 보관 후 삭제됩니다.
* AI 서비스의 구성 파일 및 소량의 로그 파일은 여러 VM에서 공유하여 접근해야 합니다.
최대 성능보다는 비용 효율성이 가장 중요한 고려 사항입니다.
Contoso AI는 이러한 요구 사항을 충족하면서 스토리지 비용을 최적화하기 위한 Azure 솔루션을 설계하려고 합니다. 다음 중 비용 효율적인 솔루션 설계에 기여하는 방안을 모두 고르세요. (3개 선택)
A. 대규모 비정형 학습 데이터는 Azure Data Lake Storage Gen2 (ADLS Gen2)를 사용하고, 데이터 접근 빈도에 따라 수명 주기 관리(Lifecycle Management) 정책을 적용하여 Hot, Cool, Archive 계층으로 자동 전환하도록 구성한다.
B. 모델 학습 데이터의 비관계형 메타데이터는 Azure Table Storage에 저장하여 비용을 절감하고 빠른 키 기반 조회를 지원한다.
C. AI 서비스의 구성 파일 및 소량의 로그 파일은 Azure File Storage를 사용하여 여러 VM에서 SMB 또는 NFS로 공유 접근하도록 구성한다.
D. 모델 추론 결과로 생성되는 임시 파일은 Azure Disk Storage에 저장하고, 추론 완료 후 별도의 스크립트를 통해 수동으로 삭제하도록 구성한다.