28 out, 2026
Manter os dados compreensíveis, acessíveis e disponíveis pode desbloquear novo valor à medida que as capacidades da IA evoluem
Na indústria, é comum usar visão computacional e leituras de sensores para inspecionar produtos que saem da linha de produção e verificar se eles atendem a especificações rigorosas. Assim como a maioria dos dados, essa informação é gerada para um propósito específico.
O que é mais difícil de saber é como esses mesmos dados poderão ser úteis posteriormente. Daqui a alguns anos, um novo modelo de IA poderá detectar um padrão de falhas nos registros de produção que ninguém sabia que deveria procurar quando os dados foram coletados. Os dados visuais capturados para uma aplicação podem se tornar úteis para modelos de visão computacional. Os registros operacionais podem aprimorar a manutenção preditiva. À medida que as técnicas analíticas avançam, as observações científicas podem gerar novos conhecimentos.
A IA está criando novas maneiras de extrair valor dos dados existentes. Mas a concretização desse valor depende de os dados permanecerem compreensíveis e utilizáveis quando surgirem essas novas aplicações.
Os sistemas de IA que operam com dados empresariais precisam de informações para determinar o que os dados representam, de onde vieram, como se relacionam com outras informações e como podem ser utilizados.
Isso continua sendo um verdadeiro desafio. No Relatório de Preparação da Infraestrutura de Dados da Seagate , 53% dos entrevistados identificaram a qualidade e a preparação dos dados como um dos principais desafios para a implementação da IA.
Nenhuma tecnologia isolada resolve o problema. Diferentes partes da arquitetura de dados desempenham funções diferentes.
Os metadados podem descrever características dos dados armazenados. A proveniência pode ajudar a estabelecer sua origem, enquanto as informações de versão podem ajudar a distinguir uma iteração de outra. Classificações e permissões ajudam a controlar o acesso e o uso. Catálogos de dados e outras ferramentas de gerenciamento podem ajudar pessoas e aplicativos a localizar informações relevantes.
A combinação exata irá variar de acordo com os dados e a organização. No entanto, os requisitos práticos são bastante constantes: reter os dados que valem a pena guardar, preservar as informações necessárias para interpretá-los, torná-los localizáveis, manter controles adequados e armazená-los a um custo sustentável. Em conjunto, essas escolhas determinam a quantidade de dados de uma organização que permanece útil à medida que novas aplicações de IA surgem.
A vantagem surge quando alguém encontra uma nova utilidade para dados antigos, pois mais dados já criados pela organização podem voltar a ser utilizados. Começa com informações que podem ser localizadas e avaliadas sem a necessidade de reconstruir sua origem, o que representam e se podem ser utilizadas.
O armazenamento de objetos desempenha um papel específico na manutenção desse conjunto de dados, especialmente à medida que as organizações acumulam imagens, vídeos, documentos, telemetria, registros e outras formas de dados não estruturados. Os objetos podem ser armazenados com metadados que ajudam a descrevê-los, enquanto outras informações e controles podem residir em catálogos, sistemas de governança, aplicativos e sistemas de gerenciamento de identidade e acesso.
Esses sistemas servem a propósitos diferentes. O armazenamento de objetos mantém grandes conjuntos de dados e metadados associados disponíveis, enquanto os sistemas que os suportam ajudam pessoas e aplicativos a encontrar, gerenciar, governar e usar esses dados.
À medida que as organizações retêm mais dados por períodos mais longos, a economia desse armazenamento torna-se cada vez mais importante.
Uma decisão que visa reduzir os custos de armazenamento hoje pode eliminar dados que poderiam ter sido úteis em uma aplicação futura. As arquiteturas em camadas oferecem às organizações mais flexibilidade, combinando dados com armazenamento adequado às suas necessidades. Dados acessados com frequência podem exigir armazenamento de alto desempenho, enquanto dados acessados com menos frequência podem permanecer disponíveis em armazenamento otimizado para escalabilidade e custo.
Para grandes volumes de dados que precisam ser retidos ao longo do tempo, os HDDs podem ajudar a tornar o custo dessa retenção viável. Isso dá às organizações mais espaço para preservar informações cujo valor pode ir além de seu uso original. A análise econômica do armazenamento pode ajudar a determinar a quantidade de dados potencialmente valiosos que permanecem disponíveis quando surge um novo uso.
Uma arquitetura de dados preparada para IA começa com escolhas feitas muito antes de se saber qual será o próximo uso dos dados: o que reter, qual contexto preservar e como armazenar volumes crescentes de forma econômica. Ao manter dados valiosos utilizáveis por mais tempo, mais deles estarão disponíveis quando surgir a próxima oportunidade.
LER: Descubra como as cargas de trabalho em nuvem e IA estão redefinindo o armazenamento primário.
Vice-presidente de Marketing Técnico e em Nuvem