AIワークロードのための究極のパフォーマンス

従来のストレージシステムは、パフォーマンスをボトルネックにすることなく容量を拡張するが難しく、AIワークロードが何十億ものデータオブジェクトのトレーニング、微調整、推論に必要とするデータアクセスを、限界に達することなく処理することが困難です。

システムが高速であればあるほど、スピードを損なうことなく冗長性と耐障害性を確保することが難しくなります。データの損失やシステムのダウンタイムは、AIのパフォーマンスに影響を与え、コストのかかるトレーニングやチューニングを非効率化させます。

AIのワークロードは、構造化、非構造化、半構造化など、さまざまな複雑な形式で処理される複数の種類のデータを扱うことが求められます。スピードとアクセシビリティを維持しながら、これらを効率的に行うことは困難です。

データをリアルタイムで処理するために、AIワークロードは小さなオブジェクトへの超低遅延アクセスを必要とします。データ・アクセスにおけるミリ秒レベルの遅延でさえ、GPUが十分に活用されず、推論に時間を要したり予測が不正確になり、モデルの品質が低下する可能性があります。

AIワークロードの中には、画像などの大容量データオブジェクトへのアクセスが必要なものもあります。十分なスループットがなければ、モデルはトレーニングよりもデータを待つことに多くの時間を費やし、開発サイクルが遅くなり迅速性が失われます。

レイテンシーを最小化するために、AIワークロードでは、データを処理する場所の近くに保存する必要があります。データの局所性は、特にリアルタイムの意思決定においてAIワークロードの処理性能に大きく影響します。