Scegliere lo Storage per Supportare le Iniziative AI/ML

Di Candida Valois, Field CTO, Americas, Scality

L’adozione di ML e AI continua a crescere rapidamente, il che non è sorprendente, considerate le informazioni commerciali e la trasformazione dell’industria che i suoi numerosi casi d’uso promettono. PwC prevede che entro il 2030, l’AI potrebbe contribuire quasi 16 trilioni di dollari all’economia globale. Ciò si traduce in un aumento del 26% del PIL per le economie locali.

Queste tecnologie richiedono enormi quantità di dati non strutturati per funzionare, e questi dati spesso si presentano sotto forma di video, immagini, testo e voce. I carichi di lavoro di questi tipi richiedono un nuovo approccio all’archiviazione dei dati; i vecchi metodi non sono più sufficienti. Con l’avvento di tali carichi di lavoro, le applicazioni necessitano di un accesso più rapido a masse enormi di dati – dati che vengono creati ovunque: nel cloud, ai bordi e on-premises. Questi carichi di lavoro intensivi richiedono una bassa latenza, la capacità di supportare diversi tipi e dimensioni di payload e la capacità di scalare linearmente.

Ciò che è necessario è un nuovo approccio alla consegna dei dati, uno che sia centrato sull’applicazione piuttosto che sulla localizzazione o sulla tecnologia. Con l’adozione su larga scala di AI/ML e analisi, i leader IT delle imprese hanno bisogno di un cambiamento significativo nel modo in cui pensano alla gestione e all’archiviazione dei dati.

Gestione di tutti i formati di file

In termini di carichi di lavoro AI/ML e archiviazione dei dati, le organizzazioni necessitano di una soluzione che possa gestire diversi tipi di carichi di lavoro, sia piccoli che grandi file. In alcuni casi, potrebbe essere necessario gestire solo alcune decine di terabyte, mentre in altri ci sono molti petabyte. Non tutte le soluzioni sono adatte per file enormi, così come non tutte possono gestire quelli molto piccoli. Il trucco è trovare una soluzione che possa gestire entrambi in modo flessibile.

La scalabilità è essenziale

Per garantire l’accuratezza e la velocità, le organizzazioni richiedono enormi set di dati perché è questo che gli algoritmi AI/ML necessitano per addestrare correttamente i modelli sottostanti. Le organizzazioni desiderano crescere in termini di capacità e prestazioni, ma spesso sono ostacolate dalle soluzioni di archiviazione tradizionali. Quando cercano di scalare linearmente, non sono in grado di farlo. I carichi di lavoro AI/ML richiedono una soluzione di archiviazione che possa scalare all’infinito man mano che i dati crescono.

Alcuni centinaia di terabyte raggiungono il limite massimo delle soluzioni di archiviazione file e block standard; dopo di che, non possono più scalare. L’archiviazione oggetto può scalare senza limiti, elasticamente e senza soluzione di continuità in base alla domanda. E ciò che è importante nell’archiviazione oggetto rispetto all’archiviazione tradizionale è che si tratta di uno spazio completamente piatto in cui non ci sono limitazioni. Gli utenti non incontreranno le limitazioni che troverebbero con l’archiviazione tradizionale.

Incontro dei requisiti di prestazione

La scalabilità della capacità è importante, ma non è sufficiente. Le organizzazioni necessitano anche della capacità di scalare linearmente in termini di prestazioni. Purtroppo, con molte soluzioni di archiviazione tradizionali, la scalabilità della capacità avviene a scapito delle prestazioni. Quindi, quando un’organizzazione necessita di scalare linearmente in termini di capacità, le prestazioni tendono a raggiungere un plateau o a diminuire.

Il paradigma di archiviazione standard consiste in file organizzati in una gerarchia, con directory e sottodirectory. Questa architettura funziona abbastanza bene quando la capacità dei dati è piccola, ma man mano che la capacità cresce, le prestazioni soffrono a un certo punto a causa di collo di bottiglia del sistema e limitazioni nelle tabelle di ricerca dei file. Tuttavia, l’archiviazione oggetto fornisce uno spazio dei nomi piatto illimitato in modo che, semplicemente aggiungendo nodi aggiuntivi, sia possibile scalare a petabyte e oltre. Per questo motivo, è possibile scalare per le prestazioni man mano che si scala per la capacità.

Archiviazione che possa supportare progetti AI/ML

Le organizzazioni devono adottare un nuovo modo di guardare all’archiviazione man mano che AI e ML crescono in popolarità. Questo nuovo approccio deve permettere loro di stabilire, eseguire e scalare le loro iniziative AI/ML nel modo giusto. L’addestramento AI/ML è una chiara necessità, quindi alcuni dei software di archiviazione oggetto di livello aziendale disponibili oggi sono stati progettati per soddisfare tale necessità. Le imprese possono iniziare le loro iniziative su scala ridotta, partendo da un solo server, e poi scalare come necessario per sia la capacità che le prestazioni. Questi progetti necessitano anche di prestazioni per le loro applicazioni di analisi, e l’archiviazione oggetto veloce le fornisce. Inoltre, l’archiviazione oggetto fornisce la gestione completa del ciclo di vita dei dati su più cloud e consente flessibilità dall’edge al core.

Le imprese devono elaborare i dati in modo efficiente, e l’archiviazione oggetto lo fa consentendo alle applicazioni di accedere facilmente ai dati on-premises, anche in più cloud. La sua bassa latenza, scalabilità e flessibilità rendono l’archiviazione oggetto un alleato forte per le iniziative AI/ML.