Entlarvung von vier Mythen über KI, ML und Datenspeicher für effektives Funktionieren

Curtis Anderson, Softwarearchitekt bei Panasas und Co-Vorsitzender der MLCommons-Speicherarbeitsgruppe, hat kürzlich die Bedeutung des Datenspeichers in der künstlichen Intelligenz und im maschinellen Lernen (KI/ML) beleuchtet. Er betonte, dass die richtige Speicherinfrastruktur für das effektive Funktionieren von KI/ML-Anwendungen entscheidend ist. 

Der steigende Einfluss von KI/ML

KI/ML im Kern dreht sich um Mustererkennung. Sie kann Geschäftsprozesse, Unternehmensergebnisse und das Leben der Menschen revolutionieren. IDC prognostiziert, dass der globale KI-Markt, der Software, Hardware und Dienstleistungen umfasst, bis 2026 900 Milliarden US-Dollar erreichen wird, mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 18,6 % von 2022 bis 2026. 

Während die KI/ML-Adoption zunimmt, müssen IT-Teams den Aufbau und das Management einer Infrastruktur priorisieren, die diese Fähigkeiten unterstützt und für zukünftiges Wachstum skaliert werden kann. Eine dabei oft unterschätzte und missverstandene Komponente ist die Datenspeicherinfrastruktur, die für diese aufkommenden Anwendungen erforderlich ist.

Entlarvung von vier häufigen KI/ML-Speichermythen

Mythos 1: KI/ML dreht sich ausschließlich um die GPU

Zwar haben GPUs mit hoher Rechenleistung eine wichtige Rolle bei der Realisierung von KI/ML-Anwendungen und neuronalen Netzen gespielt, aber sie sind nicht die einzige kritische Komponente. Speicher und Netzwerk, die die Datenverfügbarkeit für den Beschleuniger gewährleisten, sind ebenso wichtig. Die Wahl der Speicher- und Netzwerkinfrastruktur sollte genauso sorgfältig geprüft werden wie die der GPU. 

Mythos 2: KI/ML erfordert All-Flash-Speicher mit hoher IOPS

Im Gegensatz zur landläufigen Meinung geht es bei KI/ML-Speichern nicht nur um Geschwindigkeit. All-Flash-Speichersysteme mit hoher IOPS sind nicht immer die beste Wahl. Die Leistung von Beschleunigern und KI/ML-Anwendungen variiert, und in einigen Fällen kann ein hybrides System genauso gut funktionieren wie eine All-NVMe-Lösung, jedoch zu geringeren Kosten. Unabhängige Benchmarks wie MLPerf können IT-Teams dabei unterstützen, das optimale Gleichgewicht zwischen Rechenbeschleunigern, KI/ML-Workloads und Speicheroptionen zu finden.

Mythos 3: Speichertiering wird die KI/ML-Kosten senken

Obwohl gestaffelter Speicher eine gängige Strategie zur Optimierung von Speicherressourcen und Kostensenkung ist, gilt dies nicht für KI/ML-Anwendungen. Bei KI/ML werden alle Trainingsdaten bei jedem Trainingslauf verwendet, wodurch alle Daten „heiß“ sind. Daher müssen KI/ML-Speicherlösungen sicherstellen, dass alle Daten immer verfügbar sind. Darüber hinaus verbessert sich die Genauigkeit von KI/ML-Workloads mit dem Volumen der Trainingsdaten, was eine Speicherinfrastruktur erfordert, die linear skaliert, wenn die Datenvolumen wachsen.

Mythos 4: KI/ML kann ein dediziertes Speicher-System für den Einmalgebrauch nutzen

KI/ML ist am wertvollsten, wenn sie auf die Kerndaten einer Organisation angewendet wird. Für viele Unternehmen ist KI/ML über ein experimentelles Nebenprojekt hinausgegangen und ist zu einem integralen Bestandteil ihrer Operationen geworden. Daher müssen diese Anwendungen in die Kern-IT-Infrastruktur und die Speicherlösung der Organisation konsolidiert werden.

KI/ML-Innovationen werden voraussichtlich erhebliche Transformationen in Unternehmen vorantreiben und fast jeden Aspekt einer Organisation beeinflussen. Laut dem Gartner-Hype-Zyklus wird erwartet, dass Technologien wie Edge-KI, Entscheidungsinelligenz und Deep Learning in den nächsten zwei bis fünf Jahren die Mainstream-Adoption erreichen. Während Organisationen ihre KI/ML-Reise antreten, wird die Wahl der zugrunde liegenden Speicherinfrastruktur eine entscheidende Rolle bei der Maximierung des Potenzials dieser Anwendungen spielen.