효과적인 운영을 위한 AI, ML 및 데이터 저장소에 대한 4가지 신화 해부

파나사스의 소프트웨어 아키텍트이자 MLCommons 스토리지 작업 그룹의 공동 의장인 커티스 앤더슨은 최근 인공지능 및 머신러닝(AI/ML)에서 데이터 저장소의 중요성에 대해 조명했습니다. 그는 올바른 스토리지 인프라가 AI/ML 애플리케이션의 효과적인 운영에 필수적이라고 강조했습니다. 

AI/ML의 부상하는 영향력

AI/ML의 핵심은 패턴 인식에 있습니다. 이는 비즈니스 프로세스, 기업 성과 및 사람들의 삶을 혁신할 수 있습니다. IDC는 소프트웨어, 하드웨어 및 서비스를 포함한 글로벌 AI 시장이 2022년부터 2026년까지 연평균 성장률(CAGR) 18.6%로 2026년까지 9,000억 달러에 도달할 것으로 예측합니다. 

AI/ML 채택이 증가함에 따라 IT 팀은 이러한 기능을 지원하고 미래 성장을 위해 확장할 수 있는 인프라를 구축하고 관리하는 데 집중해야 합니다. 이 과정에서 종종 과소평가되고 오해받는 구성 요소는 이러한新興 애플리케이션에 필요한 데이터 스토리지 인프라입니다.

일반적인 AI/ML 스토리지 신화 4가지 해부

신화 1: AI/ML은 GPU에만 관한 것이다

높은 연산 능력을 갖춘 GPU는 AI/ML 애플리케이션과 신경망을 현실로 만드는 데 결정적인 역할을 해 왔지만, 유일한 중요한 구성 요소는 아닙니다. 가속기에 대한 데이터 가용성을 보장하는 스토리지와 네트워킹도 equally 중요합니다. 스토리지 및 네트워킹 인프라 선택은 GPU만큼 신중하게 고려되어야 합니다. 

신화 2: AI/ML은 높은 IOPs의 올플래시 스토리지가 필요하다

일반적인 믿음과 달리, AI/ML 스토리지는 속도에만 관한 것이 아닙니다. 높은 IOPs의 올플래시 스토리지 시스템이 항상 최선의 선택은 아닙니다. 가속기 및 AI/ML 애플리케이션의 성능은 다양하며, 경우에 따라 하이브리드 시스템이 올-NVMe 솔루션만큼 잘 작동할 수 있지만 더 낮은 비용으로 가능합니다. MLPerf와 같은 독립적인 벤치마크는 IT 팀이 컴퓨팅 가속기, AI/ML 워크로드 및 스토리지 옵션 간의 최적 균형을 찾는 데 도움을 줄 수 있습니다.

신화 3: 스토리지 티어링은 AI/ML 비용을 절감한다

티어드 스토리지는 스토리지 자원을 최적화하고 비용을 최소화하기 위한 일반적인 전략이지만, AI/ML 애플리케이션에는 적용되지 않습니다. AI/ML에서는 모든 훈련 데이터가 모든 훈련 실행에 사용되므로 모든 데이터가 '핫'합니다. 따라서 AI/ML 스토리지 솔루션은 모든 데이터가 항상 사용 가능하도록 보장해야 합니다. 또한, AI/ML 워크로드의 정확성은 훈련 데이터의 양에 따라 향상되므로, 데이터 양이 증가함에 따라 선형적으로 확장할 수 있는 스토리지 인프라가 필요합니다.

신화 4: AI/ML은 전용 단일 용도 스토리지 시스템을 활용할 수 있다

AI/ML은 조직의 핵심 데이터에 적용될 때 가장 큰 가치를 지닙니다. 많은 기업에게 AI/ML은 실험적인 사이드 프로젝트에서 벗어나 운영의 핵심 부분이 되었습니다. 따라서 이러한 애플리케이션은 조직의 핵심 IT 인프라 및 스토리지 솔루션에 통합되어야 합니다.

AI/ML 혁신은 조직의 거의 모든 측면에 영향을 미치며 기업 전반에 걸쳐 상당한 변화를 주도할 것으로 예상됩니다. 가트너의 하이프 사이클에 따르면, 엣지 AI, 의사 결정 지능 및 딥러닝과 같은 기술은 향후 2~5년 내에 주류 채택에 도달할 것으로 예측됩니다. 조직들이 AI/ML 여정에 착수함에 따라, 기반 스토리지 인프라의 선택은 이러한 애플리케이션의 잠재력을 극대화하는 데 중요한 역할을 할 것입니다.