AIを活用したスト​​レージ施設は、企業がデータを最大限に活用するのに役立ちます

AI を活用したスト​​レージにより、企業はデータを迅速かつインテリジェントに分析し、ほぼ瞬時に洞察を得ることができます。

ストレージを、労働集約的な必需品ではなく、自動運転車のようなものだと想像したらどうでしょうか。自動運転車のように途中で障害物を予測できるのであれば、企業のストレージ インフラストラクチャはニーズを予測できるでしょうか。

[[323999]]

新しいテクノロジーに対する許容度と企業文化に応じて、企業は、アプリケーションの動作から学習し、アプリケーションと構成の異常を識別し、その情報を使用して問題を予測して防止するテクノロジーをすでに活用している可能性があります。

これらの機能の中核となる技術は人工知能です。実際、AI が完全に導入されるまでにはしばらく時間がかかり、専門家はこれがすぐに変わる可能性は低いと考えています。最近のマッキンゼー・アンド・カンパニーの調査によると、現在、企業のほぼ半数が何らかの形で AI テクノロジーを使用しており、大多数の企業が今後数年間で AI への投資が増加すると予想しています。

今日のストレージのニーズを満たすには、人工知能が重要になってきています。大量のデータを迅速かつインテリジェントに分析できるようになり、ボトルネック、可用性の問題、セキュリティの問題を回避するのに役立ちます。 AI を活用したスト​​レージにより、IT スタッフはセキュリティの問題に費やす時間を短縮し、インフラストラクチャの可用性と生産性を向上させることができます。

HPE ストレージの製品マーケティング ディレクターの David Wang 氏は、ほぼ瞬時に洞察を提供できる自律型の AI 駆動型インフラストラクチャを構築することが目標だと述べています。

「私たちは、洞察が即座に変化を促進できる場所を見つけたいのです」と彼は言います。「それが、オンプレミスからエッジコンピューティング、そしてクラウドに至るまでのエンドツーエンドの AI パイプラインの根拠なのです。」

問題を別の視点から見る

IBMのストレージマーケティングディレクターのダグ・オフラハティ氏は、AIはストレージの使命を変えるため、組織はストレージとデータを異なる視点で見る必要があると述べた。

「ストレージをデータベースや特定のユースケースに必要なものとして考えるのをやめ、さまざまな部門からのデータへのアクセスをさまざまな方法で使用できる方法について考える必要があります」と彼は言います。「そのデータをデータ サイエンティストや、部門をまたいで作業する責任がある組織内の他のユーザーがアクセスできるようにできれば、データ分析の次のレイヤーに到達できます。これは実際にストレージの主な使命の 1 つを変えることになります。」

より広い視野で考えることに加えて、従来のデータ中心のアプローチではなく、アプリケーション中心のアプローチでストレージに取り組むことが重要です。

分散型NoSQLデータベース技術を専門とする企業、Splice MachineのCEO、モンテ・ズウェベン氏は次のように説明した。「ビッグデータAIの世界のバージョン1.0では、企業はデータ駆動型でなければならないと考えていました。そのため、すべてのデータをリポジトリに保存し、すべてのAIワーカーをそのグループ内に配置することに重点を置いていました。」

その結果、これらのデータプールはすぐに「データ沼」と化してしまうことが多い、と彼は言う。その主な理由は、データを最も有効に活用できるビジネスプロセスとそのビジネスプロセスで使用されるアプリケーションを担当する人々が排除されるからだ。

データではなくアプリケーションに重点を置くことで、企業はストレージとその機能をビジネスにより適切に適合させることができます。たとえば、大量の請求 (ビジネス プロセス) を処理する保険会社は、請求システムを担当する専門家やアプリケーション開発者と協力してアプリケーションを特定します。これらを組み合わせることで、データをどのように使用してインテリジェントな請求処理システムを構築するかを最適に決定できます。

「すべてのデータを収集し、請求に関心があるかもしれない人々に提供しようとするのではなく、データを使ってアプリケーションをインテリジェントにすることが目的です」と彼は語った。「これは単純なアイデアですが、企業が AI を運用する方法に大きな影響を与える可能性があります。」

成功する AI ベースのストレージ インフラストラクチャを構築するには、AI ストレージ パイプラインの 3 つの異なる段階、つまりデータ取り込み (さまざまな環境からデータを取り込んで正規化し、全体として表示できるようにする)、トレーニング (機械学習を使用してデータを調べ、実際に何が含まれているかを理解する)、推論 (洞察を提供する段階) のそれぞれに対処することも意味します。

これらの要件を満たすには、ストレージ インフラストラクチャが非常に大きな容量、長期のデータ保持、および高性能な処理をサポートできる必要があります。つまり、大規模な AI には、規模、保持、パフォーマンスの機能が必要です。

ストレージ・スイス社の主席アナリスト、ジョージ・クランプ氏は、非常に高いストレージ容量をサポートする能力が重要であると述べた。 AI 取得の初期コストのため、組織が AI ワークロードのトレーニングに使用したデータ ポイントを削除することはほとんどないと彼は述べています。さらに、これらのデータセットは、使用年数が長くなるにつれて使用される可能性が低くなるという一般的なデータ アクセス モデルに従っていません。同氏はさらに次のように付け加えた。「AI ワークロードでは元のトレーニング データを再処理する必要が生じる可能性がほぼ 100% あるため、データセット全体に容易にアクセスできるようにしておく必要があります。」

特に保管量が増えるにつれて、長期保存も同様に重要になります。

「つまり、機械は入力されたデータに基づいて意思決定を行うということです」とオフラハティ氏は言う。「つまり、データは削除できないということです。データは増え続けます。データが増えれば増えるほど、AI の適用はより正確かつ効率的になります」

単にデータ量を増やすだけでなく、より多くの種類のデータを保存する必要があります。これには、データに関するデータ (メタデータ) が含まれます。メタデータは、特にデータ ガバナンスに関しては、最も価値のある商品の 1 つになりつつあると多くの人が考えています。

3 番目の要件は、高性能な処理です。 「AI アプリケーションのトレーニングは反復的なプロセスであり、精度の向上は、再度トレーニングし、AI アルゴリズムを微調整し、再びトレーニングするという反復的なプロセスです」とクランプ氏は述べました。「更新が速くなればなるほど、モデルの精度は高まりますが、ストレージ インフラストラクチャへの負荷が増大します。」

クランプ氏は、ほとんどの AI ワークロードにとって重要なのは、これらの環境に標準装備されているグラフィックス プロセッシング ユニット (GPU) が可能な限りフル負荷で稼働し続けるようにすることだと述べました。クランプ氏は、AI のワークロードによっては、複数のノードとフラッシュ ディスクとハード ディスクを組み合わせたスケールアウト ストレージ システムが合理的である可能性があると述べました。 「AI ワークロードは非常に並列化される傾向があり、並列スケールアウト ストレージ クラスターはハードディスクを使用しても困難な場合があります」と彼は述べています。

人工知能を活用する

事業を始めたばかりの企業にとって、既存のデータを拡張することは、システムからデータを抽出し、選択したデータ セットに AI 手法を適用して相関関係を調べるのと同じくらい簡単です。しかし、最終的には、企業はさらに深く追求したいと考えるようになるでしょう。主要なアプリケーションとシステムが結び付けられたら、AI の真のメリットを享受するには、新しいインフラストラクチャとデータへのアプローチ方法を導入する必要があるかもしれません。

企業が選択する AI ベースのストレージ システムには、メタデータを迅速に管理し、適切なデータを適切なストレージ タイプに保存するインテリジェンスが備わっている必要があります。企業が自社のインフラを社内で運用することを選択した場合、オールフラッシュ ストレージ システムから始めることもできますが、最終的にはフラッシュとハード ディスクのハイブリッド環境に移行するのが合理的だとクランプ氏は述べています。通常、環境には、環境間でのデータの移動を自動化するソフトウェア定義ストレージも含まれます。

特に機密性の高いワークロードやコンプライアンス/データ ガバナンスの懸念がある組織では、すべてをオンプレミスで維持することを好む組織もありますが、クラウドベースの AI/ストレージ環境のメリットを享受できる組織もあります。

「コンピューティング能力と共有が必要なデータがあるため、こうしたことの多くはクラウドで行われています」と、HPE の Nimble Storage 製品管理担当シニアディレクター、ロクナ・ダンド氏は語ります。「AI モデルから得られる結果の品質は、そのモデルのトレーニングに利用できるデータの多様性と量によって決まります。そのため、クラウドで世界中からデータを収集するシステムを使用することは、非常に理にかなっています。」

ダンド氏は、HPE は HPE Insight がクラウドで提供するのと同じタイプのグローバル データ分析をユーザーのオンプレミス環境に提供する方法に取り組んでいると述べました。そのアイデアは、クラウドで学習した内容を体系化し、それをファイアウォールの背後にあるオンプレミスでアップデートとして適用することだと彼女は述べた。

ダンド氏は、時間の経過とともにテクノロジーが進化し、最終的にはインフラストラクチャの管理が完全に自動化されると考えています。 「企業は現在よりも多くの問題を予測し、予防できるようになり、その予測と予防に対する自信も高まるだろう」と彼女は語った。問題を予測して解決方法を見つけるだけでなく、さらに進んで適切な解決策を特定し、それを実行することもできます。 ”