Preparazione dell'infrastruttura dati aziendale per l'intelligenza artificiale su larga scala

I carichi di lavoro dell'intelligenza artificiale generano enormi volumi di dati strutturati e non strutturati. Per supportare i cicli di formazione, inferenza e riqualificazione, le aziende necessitano di storage scalabile e ad alta capacità, in grado di gestire la crescita continua dei dati.

Non c'è successo nell'intelligenza artificiale senza dati, una montagna di dati.

E non esistono enormi set di dati senza un'ampia ed efficiente capacità di archiviazione dei dati. I carichi di lavoro dell'intelligenza artificiale creano flussi di dati continui, dai set di dati di addestramento e dai registri di inferenza ai metadati, agli incorporamenti e agli output dei modelli. Con l'espansione dell'intelligenza artificiale generativa e dei modelli linguistici di grandi dimensioni (LLM), il volume e la varietà dei dati aziendali crescono in modo esponenziale. Questa rapida scalabilità richiede architetture di archiviazione in grado di gestire l'ingestione costante, l'accesso ad alta velocità e la conservazione affidabile nel tempo.

I dati supportano l'intelligenza artificiale e i dischi rigidi di grande capacità supportano i dati.

Queste intuizioni sono emerse chiaramente da un sondaggio del 2025 condotto dalla società di ricerca Recon Analytics.

L'indagine globale fornisce dettagli su come le aziende di diversi settori stanno adattando la propria infrastruttura per supportare l'intelligenza artificiale. Gli intervistati rappresentano organizzazioni che già utilizzano o intendono utilizzare l'intelligenza artificiale, offrendo approfondimenti sulle esigenze di storage, sulle sfide di scalabilità e sul futuro dell'infrastruttura dati aziendale.

Il sondaggio globale commissionato da Seagate ha coinvolto 1.062 intervistati. Si tratta di acquirenti e decision maker di sistemi di storage IT che lavorano in ruoli di infrastrutture di storage per aziende che dichiarano un fatturato annuo superiore a 10 milioni di dollari, hanno un utilizzo attuale di storage superiore a 50 terabyte (TB), hanno adottato l'intelligenza artificiale o prevedono di adottarla entro i prossimi tre anni e hanno sede negli Stati Uniti, in Cina, nel Regno Unito, in Corea del Sud, a Singapore, in Francia, in India, in Giappone, a Taiwan e in Germania.

L'indagine si è concentrata sugli effetti dell'adozione dell'intelligenza artificiale sulle priorità infrastrutturali, sulla conservazione dei dati e sulla gestione dei dati. I risultati dimostrano come l'IA avrà un impatto sulle esigenze infrastrutturali nei prossimi tre anni.

Approfondimenti del sondaggio globale: Come l'adozione dell'intelligenza artificiale trasformerà l'infrastruttura dei dati

L'ultimo sondaggio di Recon Analytics rivela un cambiamento fondamentale nel modo in cui le aziende pianificano i propri ecosistemi di dati per l'era dell'intelligenza artificiale. Invece di considerare l'intelligenza artificiale come un'iniziativa isolata, le organizzazioni stanno ora rivalutando le strategie di archiviazione, l'allocazione delle risorse e la progettazione delle infrastrutture a lungo termine in risposta alla crescente adozione dell'intelligenza artificiale. L'indagine illustra come i leader IT globali si stanno preparando a un futuro in cui la crescita dei dati, i requisiti di conservazione e le aspettative in termini di prestazioni aumenteranno più rapidamente che mai.

Crescita dei dati AI fino al 2028: Perché la domanda di storage basato sull'intelligenza artificiale è in aumento

Innanzitutto, l'indagine ha dimostrato che l'adozione dell'intelligenza artificiale sta determinando una crescita esponenziale della domanda di archiviazione dati fino al 2028.

Ben il 61% degli intervistati provenienti da aziende che utilizzano prevalentemente archiviazione cloud ha affermato che l'archiviazione basata su cloud delle loro aziende dovrebbe aumentare di oltre il 100%, ovvero dovrebbe raddoppiare, nei prossimi tre anni.

Figura 1. Il 61% degli intervistati le cui aziende utilizzano principalmente l'archiviazione cloud per la gestione dei dati AI prevede di aumentare i requisiti di archiviazione del 100% o più.

Perché la conservazione dei dati a lungo termine migliora l'accuratezza e l'affidabilità dell'intelligenza artificiale

Poiché le applicazioni di intelligenza artificiale stimolano una creazione di dati senza precedenti, più dati le organizzazioni salvano, più possono convalidare che l'intelligenza artificiale stia funzionando come previsto. Grazie all'accesso ai dati comportamentali, come set di dati di formazione, punti di controllo dei modelli, prompt e risposte, le aziende possono analizzare gli algoritmi e comprendere e perfezionare meglio il processo decisionale dell'intelligenza artificiale. Senza la scalabilità e l'efficienza dei data center, il potenziale dell'IA sarebbe limitato, poiché la capacità di memorizzare e recuperare enormi set di dati è fondamentale per il successo dell'IA.

Non è solo la quantità di spazio di archiviazione a determinare il successo dell'intelligenza artificiale. Anche la durata di conservazione dei dati è importante.

Settori quali finanza, sanità, produzione e attività governative dipendono dalla conservazione a lungo termine per soddisfare i requisiti di conformità e le esigenze di audit. La conservazione dei dati storici rafforza i quadri di governance, supporta la rendicontazione normativa e rende i risultati dell'intelligenza artificiale più accurati nel tempo.

Tra gli intervistati impiegati da aziende che hanno adottato la tecnologia AI, il 90% ritiene che una maggiore conservazione dei dati migliori la qualità dei risultati dell'AI.

Figura 2. Il 90% delle aziende che oggi utilizzano l'intelligenza artificiale ritiene che conservare più dati storici migliori l'accuratezza del modello.

Questi risultati indicano una correlazione tra la conservazione dei dati per periodi più lunghi e le analisi di IA più affidabili. Ciò può essere supportato da diversi fattori. In primo luogo, l'elaborazione iterativa costante è intrinseca al funzionamento degli algoritmi di IA. Il contenuto ottenuto viene reimmesso nel modello, migliorandone la precisione e consentendo di crearne di nuovi. I set di dati e i risultati grezzi diventano fonti per ulteriori sviluppi e nuovi flussi di lavoro.

Ruolo della discendenza dei dati, della conformità e della protezione della proprietà intellettuale nell'intelligenza artificiale affidabile

Ma conservare i set di dati più a lungo è utile anche per altre funzioni aziendali critiche, perché protegge la proprietà intellettuale di un'azienda. Conserva le “ricevute” dei set di dati e dei processi originali del modello, fornendo una spiegazione dei risultati quando richiesto (ad esempio, come parte di un procedimento legale).

Queste ricevute stabiliscono la discendenza dei dati, delineando una chiara registrazione del percorso che i dati compiono dall'input all'output. La discendenza dei dati consente alle organizzazioni di tracciare l'origine e l'utilizzo dei set di dati, in modo che i modelli di intelligenza artificiale siano basati su dati accurati. Consente ai sistemi di intelligenza artificiale di essere completamente verificabili e supporta sia la conformità normativa che la responsabilità interna.

Inoltre, le aziende potrebbero scegliere di archiviare più dati per un periodo più lungo perché si rendono conto che non possono sapere oggi quali nuove e preziose informazioni gli algoritmi di domani potrebbero ricavare dai dati di ieri. Una conservazione dei dati più lunga consente l'elaborazione di dati obsoleti da parte di modelli di intelligenza artificiale non ancora sviluppati. Per questi motivi, una conservazione più lunga dei dati aumenta il valore aziendale che l'intelligenza artificiale può fornire.

In una scoperta correlata, i responsabili delle decisioni in materia di infrastrutture ritengono che la conservazione prolungata dei dati sia essenziale per creare fiducia, una base fondamentale senza la quale le informazioni fornite dall'intelligenza artificiale hanno scarso valore.

L'88% degli intervistati le cui società utilizzano attualmente l'IA ritiene che l'adozione di un'IA affidabile aumenti la necessità di memorizzare più dati per periodi di tempo più lunghi.

Figura 3. L'88% degli intervistati le cui aziende oggi utilizzano l'intelligenza artificiale ha affermato che l'adozione di un'intelligenza artificiale affidabile richiede una maggiore necessità di archiviare più dati per periodi di tempo più lunghi.

Seagate definisce l'intelligenza artificiale affidabile come flussi di lavoro e modelli di dati di intelligenza artificiale che utilizzano input affidabili e generano informazioni attendibili. Un’IA affidabile si basa su dati che soddisfano i seguenti criteri:

• Alta qualità e precisione
• Chiara legalità, proprietà e provenienza
• Archiviazione e protezione sicure
• Trasformazioni spiegabili e tracciabili dall'algoritmo
• Risultati coerenti e affidabili dall'elaborazione dei dati

Un'infrastruttura di storage scalabile supporta un'intelligenza artificiale affidabile perché gestisce, archivia e protegge correttamente grandi quantità di dati utilizzati dai sistemi di intelligenza artificiale.

Nell'ambito della creazione di un'intelligenza artificiale affidabile, l'80% degli intervistati ha sottolineato l'importanza del checkpointing.

Punti di controllo: Perché gli snapshot frequenti dei modelli dipendono da un'archiviazione su disco rigido affidabile e ad alta capacità

Il punto di controllo è il processo di salvataggio dello stato di un modello di IA a intervalli brevi e specifici durante l'addestramento. I modelli di intelligenza artificiale vengono addestrati su grandi set di dati attraverso processi iterativi, che possono richiedere da pochi minuti a mesi. La durata dell’addestramento di un modello dipende dalla complessità del modello, dalla dimensione del set di dati e dalla potenza di calcolo disponibile. Durante questo periodo, i modelli vengono alimentati con dati, i parametri vengono regolati e il sistema impara a prevedere i risultati in base alle informazioni che elabora.

• I checkpoint agiscono essenzialmente come istantanee dello stato attuale del modello (i suoi dati, parametri e impostazioni) in molti punti durante l'addestramento. Gli snapshot salvati a intervalli regolari conservano una registrazione dell'avanzamento del modello e proteggono dalla perdita di dati causata da interruzioni impreviste.

Secondo l'indagine, le aziende che utilizzano più di 100 PB di storage salvano ed eseguono il backup dei checkpoint su base giornaliera o settimanale; l'87% di esse archivia tali checkpoint nel cloud o in un mix di dischi rigidi e SSD.

Per supportare il checkpointing su questa scala, le aziende necessitano di sistemi di archiviazione in grado di sostenere un'attività di scrittura costante senza interrompere l'avanzamento del modello. I dischi rigidi ad alta capacità e le architetture cloud ibride garantiscono l'affidabilità e l'efficienza dei costi necessarie per mantenere questi rapidi cicli di snapshot. Grazie all'acquisizione e alla protezione costanti dei checkpoint, le organizzazioni possono salvaguardare i progressi della formazione, accelerare il ripristino in caso di interruzioni e mantenere flussi di lavoro di sviluppo dell'intelligenza artificiale stabili e prevedibili.

Memorizzazione: Il motore segreto dietro sistemi di intelligenza artificiale scalabili ed economici

Elaborazione ed energia sono temi popolari nelle discussioni sull'adozione dell'IA. Ma il sondaggio di Recon Analytics evidenzia la memorizzazione come fattore critico.

• Dal punto di vista degli acquirenti di infrastrutture, la memorizzazione dei dati si è classificata come la seconda parte più importante dell'infrastruttura di IA, dopo solo la sicurezza. Dopo la sicurezza e l'archiviazione, in ordine di importanza, si sono aggiunti la gestione dei dati, la capacità di rete, il calcolo, le normative, la fattibilità dell'LLM e l'energia.
• Due terzi (66%) degli intervistati hanno classificato lo storage come il secondo più importante tra i loro quattro principali abilitatori dell'intelligenza artificiale e come il quarto ostacolo più importante all'adozione.

Figura 4. Il 66% dei decisori in ambito infrastrutturale ha classificato lo storage come il secondo componente più importante tra i quattro principali abilitatori dell'intelligenza artificiale. Hanno inoltre classificato la memorizzazione come il quarto ostacolo più importante alla distribuzione dell'IA.

"I risultati del sondaggio indicano generalmente un aumento della domanda di sistemi di memorizzazione per i dati, con le unità disco che risultano chiaramente vincitrici. Se si considera che i leader aziendali da noi intervistati intendono archiviare sempre più dati basati sull'intelligenza artificiale nel cloud, i servizi cloud sono ben posizionati per cavalcare una seconda ondata di crescita".

Roger Entner, fondatore e analista capo di Recon, descrive così la conclusione principale:

Per ottenere il massimo valore dall'IA, le aziende devono prepararsi con sistemi di memorizzazione dei dati scalabili ed efficienti. Sia direttamente che tramite servizi cloud, la dipendenza dell’IA dai dati dipende dai dischi rigidi, che offrono capacità, efficienza dei costi e sostenibilità senza pari, in quanto spina dorsale di un’IA affidabile.

I dischi rigidi offrono vantaggi ineguagliabili in termini di costo per TB per l'archiviazione AI su larga scala. Gli hard disk ad alta capacità offrono l'equilibrio ottimale tra scalabilità, efficienza energetica e sostenibilità, consentendo alle aziende di espandere lo spazio di archiviazione senza superare i limiti di budget o di consumo energetico.