AIワークフロー向けユニファイド データ アーキテクチャ

人工知能（AI）と機械学習（ML）の進化が急速に進む今日において、モデルによって生成される分析情報の質を向上するためには、さまざまなタイプのデータを管理、処理する能力が何よりも重要です。

ストレージ戦略を最適化する場合、次の要素を考慮する必要があります。

• 企業が使用する多様なデータ タイプ：データベースやスプレッドシートなどの構造化データ、電子メール、画像、音声、動画、ドキュメントなどの非構造化データ
• これらのデータ タイプが格納されている場所：オンプレミス、複数の地域に分散しているパブリック クラウドまたはSaaSプロバイダ
• ストレージ アーキテクチャの種類：ファイル ストレージ（データをファイルとしてアクセスして管理）、ブロック ストレージ（データを効率的で低レイテンシの処理が可能なブロックとして保存）、オブジェクト ストレージ（データをオブジェクトとして管理。各オブジェクトにデータ、メタデータ、一意の識別子が含まれるため、拡張性に優れ、非構造化データに最適）

企業全体でAIを幅広く採用するためのデータ アーキテクチャをまとめるのは、簡単なことではありません。そのため、GPUサーバを調達したり、ハイパースケーラ経由でGPUサーバにアクセスしたりする企業の多くがデータの管理に行き詰まっているというのは、驚くことではありません。IDCの調査では、データの移動と管理が、AI導入を成功させるうえで最もよく知られた障壁の1つであると指摘されています。

NetAppは、インフラに対するインテリジェントな統合アプローチで、データの格納方法や格納場所に関係なく、すべてのAIチームがデータ サイロの問題を克服できるよう支援します。AIワークフローの運用にNetAppソリューションが欠かせない理由として、具体的には次のような利点が挙げられます。

• データ移動：特に今日のマルチモーダルAIでは、AIやMLのワークフローにおいて、データを処理するさまざまなステージにわたって大容量のデータセットを移動することがよくあります。ユニファイド ストレージ アーキテクチャを構築してステージごとに最適なタイプのストレージを提供し、データの処理速度、アクセス性、耐久性を必要に応じて最適化することで、こうしたデータ移動をスムーズに進めることができます。AIを運用するには、推論パイプラインの全体を通じて膨大な量のデータを制約なく移動できる必要があるため、このようなアプローチが不可欠になります。

• データ管理：AIでは、画像や動画、センサー データなど、多種多様でマルチモーダルなデータセットを扱うため、NetAppのインテリジェントなインフラで実現されるようなデータ管理への柔軟なアプローチが必要です。NetAppストレージ システムでは、複雑なAIタスクですぐにアクセスできるよう、こうした多岐にわたるデータセットが効果的に格納されます。たとえば医療アプリケーションの場合、医療画像のワークフローでは、画像データへのアクセス パフォーマンスが高いブロック ストレージを活用するのに対して、電子カルテなどの非構造化データはオブジェクトとして格納し、豊富なメタデータによって読み出しや分析を実行しやすくします。

• データ ガバナンス：企業各社はしかるべきアクセス制御を行い、適切なデータが活用されるようにすると同時に、社内ポリシーや各地域の法規制に従う必要があるほか、自社の知的財産を常にセキュアに保護する必要もあります。NetAppのデータ管理機能なら、あらかじめ計画的にデータ ガバナンスが組み込まれています。

NetAppのお客様は、統合されたハイブリッド マルチクラウドを長年にわたってご利用いただいてきました。実際、過去12カ月間にわたる生成AIの急増をNetAppで予測することはできませんでしたが、NetAppはデータ主体の企業向けに設計されたインテリジェントなデータ インフラの構築を精力的に進めてきていました。そして、このフレームワークこそが、企業がAIと生成AIを活用して競争力を高めるために欠かせないものだったのです。

AIワークフロー向けデータ アーキテクチャに関するIDCレポートについては、『Unified Data Architectures Provide Needed Flexibility for AI Workflows』をご覧ください。また、AIと生成AIに関するNetAppのエグゼクティブの見解についてはこちらのページからご確認いただけます。