BlockBeats News, 15 августа, недавний анализ Western Digital показал, что по мере быстрого расширения масштабов применения искусственного интеллекта строительство центров обработки данных ИИ смещается от простой конкуренции в области вычислительной мощности GPU к конкуренции в области емкости хранения данных, а планирование систем хранения стало ключевой частью инфраструктуры ИИ.

В статье приводится прогноз IDC, согласно которому к 2030 году глобальный ежегодный объем данных достигнет 718 ЗБ. Данные, генерируемые системами ИИ, не исчезают после завершения вычислительных задач. Обучающие данные, контрольные точки моделей, векторы эмбеддингов, логи логического вывода, промпты, результаты вывода и данные оценки будут продолжать накапливаться.

Western Digital заявила, что многие текущие планы по созданию инфраструктуры ИИ чрезмерно фокусируются на использовании GPU, но упускают из виду накопление данных на протяжении всего жизненного цикла ИИ. Данные, генерируемые в процессе обучения и логического вывода, станут важными активами для итерации моделей, оценки качества и комплаенс-аудита, а затраты на хранение будут напрямую влиять на долгосрочную операционную эффективность систем ИИ.

Поскольку масштабы данных достигают уровня ПБ или даже ЭБ, одной архитектуры хранения недостаточно для удовлетворения потребностей. Предприятиям необходимо внедрять стратегию многоуровневого хранения, используя высокопроизводительные флэш-накопители для обучения и логического вывода в реальном времени, а также HDD большой емкости и объектные хранилища для долгосрочного хранения данных, исторических записей и сценариев с редким доступом.

Анализ предполагает, что в будущем ключевым показателем конкуренции в инфраструктуре ИИ будет не только количество GPU, но и стоимость хранения данных на ПБ, энергопотребление, эффективность восстановления и возможности управления жизненным циклом данных. Если предприятия продолжат рассматривать хранение данных как вспомогательную часть после вычислений, они могут столкнуться с такими проблемами, как неконтролируемые расходы на данные и снижение эффективности итерации моделей.