Desmascarando Quatro Mitos Sobre IA, ML e Armazenamento de Dados Para Funcionamento Eficaz

Curtis Anderson, arquiteto de software na Panasas e co-presidente do grupo de trabalho de armazenamento do MLCommons, recentemente esclareceu a importância do armazenamento de dados na inteligência artificial e aprendizado de máquina (IA/ML). Ele enfatizou que a infraestrutura de armazenamento adequada é crucial para o funcionamento eficaz de aplicativos de IA/ML. 

A crescente influência da IA/ML

A IA/ML, em sua essência, trata do reconhecimento de padrões. Ela pode revolucionar processos de negócios, resultados empresariais e a vida das pessoas. A IDC prevê que o mercado global de IA, abrangendo software, hardware e serviços, atingirá US$ 900 bilhões até 2026, com uma CAGR de 18,6% de 2022 a 2026. 

À medida que a adoção de IA/ML aumenta, as equipes de TI devem se concentrar na construção e gerenciamento de uma infraestrutura que possa suportar esses recursos e escalar para o crescimento futuro. Um componente frequentemente subestimado e mal compreendido nesse processo é a infraestrutura de armazenamento de dados necessária para esses aplicativos emergentes.

Desmascarando quatro mitos comuns de armazenamento de IA/ML

Mito 1: A IA/ML é Apenas Sobre a GPU

Embora as GPUs com alto poder computacional tenham sido instrumentais para trazer aplicativos de IA/ML e redes neurais à vida, elas não são o único componente crítico. Armazenamento e rede, que garantem a disponibilidade de dados para o acelerador, são igualmente importantes. A escolha da infraestrutura de armazenamento e rede deve ser considerada com tanto cuidado quanto a GPU. 

Mito 2: A IA/ML necessita de armazenamento all-flash de alta IOPs

Ao contrário da crença popular, o armazenamento de IA/ML não é apenas sobre velocidade. Sistemas de armazenamento all-flash de alta IOPs podem nem sempre ser a melhor escolha. O desempenho dos aceleradores e aplicativos de IA/ML varia, e em alguns casos, um sistema híbrido pode funcionar tão bem quanto uma solução all-NVMe, mas a um custo menor. Benchmarks independentes como o MLPerf podem orientar as equipes de TI na busca pelo equilíbrio ideal entre aceleradores de computação, cargas de trabalho de IA/ML e opções de armazenamento.

Mito 3: O tiering de armazenamento cortará os custos de IA/ML

Embora o armazenamento em camadas seja uma estratégia comum para otimizar recursos de armazenamento e minimizar custos, ele não se aplica a aplicativos de IA/ML. Na IA/ML, todos os dados de treinamento são usados em cada execução de treinamento, tornando todos os dados “quentes”. Portanto, as soluções de armazenamento de IA/ML devem garantir que todos os dados estejam sempre disponíveis. Além disso, a precisão das cargas de trabalho de IA/ML melhora com o volume de dados de treinamento, exigindo uma infraestrutura de armazenamento que possa escalar linearmente à medida que os volumes de dados crescem.

Mito 4: A IA/ML pode utilizar um sistema de armazenamento dedicado de uso único

A IA/ML é mais valiosa quando aplicada aos dados principais de uma organização. Para muitos negócios, a IA/ML saiu do status de projeto lateral experimental e se tornou integral às suas operações. Portanto, esses aplicativos devem ser consolidados na infraestrutura de TI principal e na solução de armazenamento da organização.

Espera-se que as inovações em IA/ML impulsionam transformações significativas em todas as empresas, impactando quase todos os aspectos de uma organização. De acordo com o ciclo de hype da Gartner, tecnologias como IA de borda, inteligência de decisão e aprendizado profundo devem alcançar a adoção em massa nos próximos dois a cinco anos. À medida que as organizações embarcam em sua jornada de IA/ML, a escolha da infraestrutura de armazenamento subjacente desempenhará um papel fundamental na maximização do potencial desses aplicativos.