AI 워크플로용 통합 데이터 아키텍처

빠르게 진화하는 인공 지능(AI)과 머신 러닝(ML) 환경에서 다양한 유형의 데이터를 관리하고 처리하는 능력은 모델에서 도출된 인사이트의 품질에 가장 중요한 요소입니다.

최적의 스토리지 전략을 세우려면 다음과 같은 요소를 고려해야 합니다.

• 기업에서 사용하는 다양한 데이터 유형: 데이터베이스, 스프레드시트와 같은 정형 데이터 및 이메일, 이미지, 오디오, 비디오, 문서와 같은 비정형 데이터
• 데이터 유형이 상주하는 위치: 온프레미스 및/또는 여러 지역에 분산된 하나 이상의 퍼블릭 클라우드 또는 SaaS 공급자 내부
• 스토리지 아키텍처 유형: 파일 스토리지(데이터는 파일로 액세스 및 관리), 블록 스토리지(데이터는 블록으로 저장되어 효율적이고 대기 시간이 낮은 작업이 가능), 오브젝트 스토리지(데이터는 각각 데이터, 메타데이터, 고유 ID를 포함하는 오브젝트로 관리되어 확장성이 뛰어나고 비정형 데이터에 적합)

기업에서 AI를 광범위하게 도입하기 위한 데이터 아키텍처를 구축하는 것은 결코 쉬운 작업이 아닙니다. 따라서 GPU 서버를 조달하거나 하이퍼스케일러를 통해 서버에 액세스하는 많은 기업이 데이터 관리 단계에서 어려움을 겪는 것은 그리 놀라운 일이 아닙니다. IDC의 연구에 따르면, 데이터 이동/관리는 성공적인 AI 배포를 가로막는 가장 일반적인 장애물 중 하나입니다.

NetApp은 인프라에 대한 통합된 지능적인 접근 방식을 통해 AI 팀이 데이터의 저장 방식이나 위치와 관계없이 사일로화된 데이터의 경계를 뛰어넘을 수 있도록 지원합니다. AI 워크플로에 NetApp이 제공하는 구체적인 이점은 다음과 같습니다.

• 데이터 이동: 특히, 오늘날의 다중 모드 AI에서 AI 및 ML 워크플로에는 여러 처리 단계에 걸쳐 대규모 데이터 세트를 이동해야 하는 경우가 많습니다. 이러한 이동은 각 단계에 적합한 유형의 스토리지를 제공하고 필요에 따라 속도, 접근성 또는 내구성을 최적화하는 유니파이드 스토리지 아키텍처를 통해 가능합니다. 이 접근 방식은 추론 파이프라인을 통해 방대한 양의 데이터를 방해 없이 이동해야 하므로 AI를 운영하는 데 필수적입니다.

• 데이터 관리: 이미지, 비디오, 센서 데이터 등을 포함하는 AI 데이터 세트의 다양하고 복합적인 특성으로 인해 NetApp의 지능형 인프라를 통해 제공되는 데이터 관리에 대한 유연한 접근 방식이 필요합니다. NetApp 스토리지 시스템은 다양한 데이터 세트를 효과적으로 저장하여 복잡한 AI 작업에 쉽게 액세스할 수 있도록 지원합니다. 예를 들어, 의료 애플리케이션의 의료 영상 워크플로에서는 이미징 데이터에 대한 고성능 액세스를 위해 블록 스토리지를 활용하는 한편, 환자 기록 및 기타 비정형 데이터를 풍부한 메타데이터가 포함된 오브젝트로 저장하여 쉽게 검색하고 분석할 수 있습니다.

• 데이터 거버넌스: 기업은 내부 정책과 현지 규정을 준수하면서 적절한 액세스 제어를 통해 올바른 데이터를 활용하는 동시에 조직의 지적 재산을 안전하게 보호해야 합니다. NetApp의 데이터 관리 기능에는 데이터 거버넌스가 기본적으로 내장되어 있습니다.

NetApp 고객은 수년간 통합된 하이브리드 멀티 클라우드 경험을 누리고 있습니다. 사실 지난 12개월 동안 생성형 AI의 폭발적인 증가를 예측할 수 없었음에도 불구하고 NetApp은 데이터 중심 기업을 위해 설계된 지능형 데이터 인프라를 구축하느라 바빴습니다. 이 프레임워크는 기업이 경쟁 우위 확보를 위해 AI와 생성형 AI를 활용하는 데 꼭 필요한 것으로 밝혀졌습니다.

AI 워크플로를 위한 데이터 아키텍처에 관해 IDC가 작성한 내용을 자세히 알아보려면 AI 워크플로에 필요한 유연성을 제공하는 유니파이드 데이터 아키텍처를 읽어보십시오. 그리고 AI 및 생성형 AI에 관한 NetApp 경영진의 관점을 자세히 알아보십시오.