Smentire quattro miti su IA, ML e archiviazione dati per un funzionamento efficace

Curtis Anderson, l'architetto software presso Panasas e co-presidente del gruppo di lavoro sull'archiviazione di MLCommons, ha recentemente chiarito l'importanza dell'archiviazione dei dati nell'intelligenza artificiale e nell'apprendimento automatico (AI/ML). Ha sottolineato che la giusta infrastruttura di archiviazione è cruciale per il funzionamento efficace delle applicazioni AI/ML. 

La crescente influenza di AI/ML

AI/ML, alla sua base, riguarda il riconoscimento dei pattern. Può rivoluzionare i processi aziendali, i risultati aziendali e la vita delle persone. IDC prevede che il mercato globale dell'IA, comprendente software, hardware e servizi, raggiungerà 900 miliardi di dollari entro il 2026, con un CAGR del 18,6% dal 2022 al 2026. 

Man mano che l'adozione di AI/ML aumenta, i team IT devono concentrarsi sulla costruzione e gestione di un'infrastruttura che possa supportare queste capacità e scalare per la crescita futura. Una componente spesso sottovalutata e fraintesa in questo processo è l'infrastruttura di archiviazione dei dati necessaria per queste applicazioni emergenti.

Smentire quattro miti comuni sull'archiviazione AI/ML

Mito 1: AI/ML riguarda solo la GPU

Mentre le GPU con alto potere computazionale sono state strumentali nel dare vita alle applicazioni AI/ML e alle reti neurali, non sono l'unico componente critico. Archiviazione e networking, che garantiscono la disponibilità dei dati per l'acceleratore, sono ugualmente importanti. La scelta dell'infrastruttura di archiviazione e networking dovrebbe essere considerata con la stessa cura della GPU. 

Mito 2: AI/ML richiede archiviazione all-flash ad alto IOPs

Contrariamente alla credenza popolare, l'archiviazione AI/ML non riguarda solo la velocità. I sistemi di archiviazione all-flash ad alto IOPs potrebbero non essere sempre la scelta migliore. Le prestazioni degli acceleratori e delle applicazioni AI/ML variano, e in alcuni casi, un sistema ibrido potrebbe funzionare altrettanto bene come una soluzione tutto-NVMe ma a un costo inferiore. Benchmark indipendenti come MLPerf possono guidare i team IT nel trovare il bilancio ottimale tra acceleratori di calcolo, carichi di lavoro AI/ML e opzioni di archiviazione.

Mito 3: Il tiering dell'archiviazione taglierà i costi AI/ML

Mentre l'archiviazione a livelli è una strategia comune per ottimizzare le risorse di archiviazione e minimizzare i costi, non si applica alle applicazioni AI/ML. In AI/ML, tutti i dati di addestramento sono utilizzati in ogni esecuzione di addestramento, rendendo tutti i dati "caldi". Pertanto, le soluzioni di archiviazione AI/ML devono garantire che tutti i dati siano sempre disponibili. Inoltre, l'accuratezza dei carichi di lavoro AI/ML migliora con il volume dei dati di addestramento, richiedendo un'infrastruttura di archiviazione che possa scalare linearmente man mano che i volumi di dati crescono.

Mito 4: AI/ML può utilizzare un sistema di archiviazione dedicato a uso singolo

AI/ML è più prezioso quando applicato ai dati principali di un'organizzazione. Per molte aziende, AI/ML è andato oltre l'essere un progetto laterale sperimentale ed è diventato integrante alle loro operazioni. Pertanto, queste applicazioni devono essere consolidate nell'infrastruttura IT principale e nella soluzione di archiviazione dell'organizzazione.

Si prevede che le innovazioni AI/ML guideranno trasformazioni significative attraverso le imprese, influenzando quasi ogni aspetto di un'organizzazione. Secondo il ciclo di hype di Gartner, tecnologie come l'IA edge, l'intelligenza decisionale e l'apprendimento profondo sono previste per raggiungere l'adozione mainstream nei prossimi due-cinque anni. Man mano che le organizzazioni intraprendono il loro viaggio AI/ML, la scelta dell'infrastruttura di archiviazione sottostante giocherà un ruolo fondamentale nel massimizzare il potenziale di queste applicazioni.