Die von WD unterstützte globale Studie zeigt, dass sich das wirtschaftliche Modell der AI-Infrastruktur mit der fortlaufenden Ansammlung und dem komplexen Wachstum von Daten neu gestaltet. Laut der neuesten Umfrage von IDC treibt AI nicht nur das rasante Wachstum der Datenmenge voran, sondern verlängert auch die Aufbewahrungsdauer von Daten und reaktiviert die Nachfrage nach historischen Daten.
AI-gesteuertes Datenwachstum
Die in Hongkong durchgeführte Studie hat ergeben, dass AI eine strukturelle Wachstumsnachfrage nach Datenspeicherung fördert. Von den befragten Organisationen gaben 94,7 % an, dass die Menge der gespeicherten Daten in den letzten 12 Monaten aufgrund der Verbreitung von AI und generativer AI weiterhin zugenommen hat. 61 % der befragten Organisationen verzeichneten ein Datenwachstum von 25 % oder mehr und erwarten, dass die Datenmenge in den nächsten drei Jahren weiter zunehmen wird.
Darüber hinaus gaben 85,4 % der befragten Organisationen an, dass die Kapazität ihrer Datenseen im vergangenen Jahr kontinuierlich gewachsen ist, während 59,4 % der Organisationen der Meinung sind, dass von AI generierte Daten der Hauptfaktor für das Wachstum der Datenseen sind.
Verlängerung der Datenaufbewahrungsdauer
Die Umfrage ergab außerdem, dass fast 95 % der befragten Organisationen angaben, dass sich der Wert ihrer Daten nach der Einführung von AI erhöht hat. 74,3 % der Organisationen verlängerten die Aufbewahrungsdauer ihrer Daten, und 75,9 % der Organisationen bringen mehr archivierte Kaltdaten zurück online, um AI-Workloads zu unterstützen.
Laut der Studie erwarten 96 % der befragten Organisationen, dass sie archivierte Daten schneller abrufen müssen, um AI-Inferenz und die Verbesserung von generativen Anwendungen zu unterstützen.
Designanforderungen für AI-Infrastrukturen
Irving Tan, CEO von WD, erklärte, dass die Funktionsweise von AI auf Daten basiert und die Nachfrage der Organisationen nach großflächiger Speicherung, Verwaltung und Zugriff auf Daten weiterhin wachsen wird. Diese Datenbasis wird eine entscheidende Rolle bei der Bestimmung des zukünftigen Entwicklungspotenzials von AI spielen.
Die Studie weist darauf hin, dass AI-Workloads während des gesamten Lebenszyklus Daten erzeugen, die auch nach Abschluss der relevanten Workloads weiterhin gespeichert werden und als Eingabedaten für zukünftige AI-Anwendungen dienen können. Mit dem Wachstum der Datenmenge, der Verlängerung der Aufbewahrungsdauer und der Reaktivierung historischer Daten müssen Organisationen ein Gleichgewicht zwischen Leistung, Kapazität, Zugänglichkeit und Kosten-Effizienz finden.
Fazit
Die Fähigkeit, Daten kosteneffizient in großem Maßstab zu verwalten, ist nicht mehr ein sekundäres Anliegen der Infrastruktur, sondern wird zunehmend zu einem entscheidenden Faktor für den Erfolg oder Misserfolg von AI. Ein umfassendes Design des Datenlebenszyklus wird eine wichtige Überlegung für zukünftige AI-Infrastrukturen sein.