AI、ML、データストレージに関する4つの誤解を解き、効果的な運用を実現する方法

Panasasのソフトウェアアーキテクトであり、MLCommonsストレージワーキンググループの共同議長であるカーティス・アンダーソン氏は、人工知能（AI）および機械学習（ML）におけるデータストレージの重要性について最近明らかにしました。彼は、適切なストレージインフラストラクチャがAI/MLアプリケーションの効果的な運用にとって不可欠であると強調しました。 

AI/MLの台頭

AI/MLの本質はパターン認識にあります。それはビジネスプロセス、企業の成果、人々の生活に革命をもたらす可能性があります。IDCは、ソフトウェア、ハードウェア、サービスを含むグローバルAI市場が2026年までに9,000億ドルに達し、2022年から2026年までのCAGRが18.6%になると予測しています。 

AI/MLの採用が増加するにつれて、ITチームはこれらの機能をサポートし、将来の成長に対応できるインフラストラクチャの構築と管理に注力する必要があります。このプロセスでしばしば過小評価され、誤解されているコンポーネントの1つが、これらの新興アプリケーションに必要なデータストレージインフラストラクチャです。

AI/MLストレージに関する4つの一般的な誤解を解く

誤解 1：AI/MLはGPUのみに関するもの

高い計算能力を持つGPUは、AI/MLアプリケーションやニューラルネットワークを実現する上で重要な役割を果たしてきましたが、それだけが重要なコンポーネントではありません。アクセラレーターへのデータ可用性を保証するストレージとネットワークも同様に重要です。ストレージとネットワークインフラストラクチャの選択は、GPUと同様に慎重に検討されるべきです。 

誤解 2：AI/MLには高IOPSのオールフラッシュストレージが必要

一般的な考えとは異なり、AI/MLストレージは速度だけに関するものではありません。高IOPSのオールフラッシュストレージシステムが常に最善の選択であるとは限りません。アクセラレーターとAI/MLアプリケーションのパフォーマンスは多様であり、場合によっては、ハイブリッドシステムがオールNVMeソリューションと同様に機能し、かつより低いコストで実現できる可能性があります。MLPerfなどの独立したベンチマークは、ITチームが計算アクセラレーター、AI/MLワークロード、ストレージオプションの最適なバランスを見つける際にガイドとなります。

誤解 3：ストレージティアリングはAI/MLのコストを削減する

ティアードストレージはストレージリソースを最適化しコストを最小限に抑えるための一般的な戦略ですが、AI/MLアプリケーションには適用されません。AI/MLでは、すべてのトレーニングデータが各トレーニングランで使用されるため、すべてのデータが「ホット」になります。したがって、AI/MLストレージソリューションは、すべてのデータが常に利用可能であることを確保しなければなりません。さらに、AI/MLワークロードの精度はトレーニングデータの量とともに向上するため、データ量が増加するにつれて線形にスケールできるストレージインフラストラクチャが必要です。

誤解 4：AI/MLは専用で単一のストレージシステムを利用できる

AI/MLは、組織の中核データに適用されたときに最も価値を発揮します。多くの企業にとって、AI/MLは実験的なサイドプロジェクトを超え、運用に不可欠なものとなっています。したがって、これらのアプリケーションは組織の中核ITインフラストラクチャおよびストレージソリューションに統合されなければなりません。

AI/MLの革新は、組織のほぼすべての側面に影響を与え、企業全体で大きな変革を牽引すると予想されています。ガートナーのハイプサイクルによれば、エッジAI、意思決定インテリジェンス、ディープラーニングなどの技術は、今後2〜5年以内に主流採用に達すると予測されています。組織がAI/MLの旅に出発する際、基盤となるストレージインフラストラクチャの選択は、これらのアプリケーションの潜在能力を最大化する上で重要な役割を果たします。