Umożliwia naszym sprzedawcom typu VAR, integratorom, pośrednikom sprzedaży i innym partnerom dostęp do szkoleń z zakresu produktów, zasobów sprzedażowych i marketingowych, rejestrację okazji sprzedażowych i nie tylko.
Udostępnia bezpośrednim klientom samoobsługowe narzędzia B2B, takie jak narzędzia do wyceny, programy, możliwość składania zamówień, realizacji zwrotów i wystawiania rachunków.
Sztuczna inteligencja nie odniesie sukcesu bez ogromnej ilości danych.
Poza tym nie ma dużych zbiorów danych bez pojemnej i wydajnej pamięci masowej.
Dane wspierają sztuczną inteligencję, a pojemne dyski twarde wspierają dane.
Te spostrzeżenia zostały wyraźnie uwidocznione w badaniu przeprowadzonym w 2025 roku przez firmę badawczą Recon Analytics.
W globalnym badaniu zleconym przez Seagate wzięło udział 1062 respondentów. Są to nabywcy pamięci masowych zajmujący się IT oraz osoby decyzyjne, które pracują na stanowiskach odpowiadających za infrastrukturę pamięci masowej w firmach, które odnotowują roczne przychody na poziomie ponad 10 mln USD, wykorzystują obecnie ponad 50 terabajtów pamięci, przyjęły sztuczną inteligencję lub planują ją wdrożyć w ciągu najbliższych trzech lat i są zlokalizowane w Stanach Zjednoczonych, Chinach, Wielkiej Brytanii, Korei Południowej, Singapurze, Francji, Indiach, Japonii, Tajwanie i Niemczech.
Badanie skupiało się na skutkach wdrożenia sztucznej inteligencji w zakresie priorytetów infrastrukturalnych, przechowywania danych oraz zarządzania danymi. Wyniki rzucają światło na to, jak sztuczna inteligencja wpłynie na potrzeby infrastrukturalne w ciągu najbliższych trzech lat.
Najważniejsze wnioski z badania
Przede wszystkim badanie wykazało, że przyjęcie sztucznej inteligencji będzie wspierać wykładniczy wzrost popytu na pamięć masową do 2028 roku.
Aż 61% respondentów z firm, które głównie korzystają z pamięci masowej w chmurze, stwierdziło, że wykorzystywana przez ich firmy pamięć masowa w chmurze musiałaby wzrosnąć o ponad 100%, co oznacza, że musiałaby się podwoić – a wszystko to w ciągu następnych trzech lat.
Rysunek 1. 61% respondentów, których firmy wykorzystują głównie pamięć masową w chmurze do zarządzania danymi AI, spodziewa się zwiększenia swoich wymagań w zakresie pamięci masowej o 100% lub więcej.
W miarę jak zastosowania AI przyczyniają się do niespotykanego wcześniej tworzenia danych, im więcej danych organizacje zapisują, tym większą mają pewność, że sztuczna inteligencja działa zgodnie z oczekiwaniami. Dostęp do danych behawioralnych, takich jak zbiory danych treningowych, punkty kontrolne modelu, monity i odpowiedzi, pozwala firmom analizować algorytmy i lepiej zrozumieć oraz ulepszać procesy decyzyjne związane ze sztuczną inteligencją. Bez skali i wydajności centrów danych potencjał sztucznej inteligencji byłby ograniczony, ponieważ możliwość przechowania i udostępniania ogromnych zbiorów danych ma kluczowe znaczenie dla właściwego działania sztucznej inteligencji.
O sukcesie sztucznej inteligencji decyduje nie tylko ilość pamięci masowej. Czas przechowywania danych również ma znaczenie.
Wśród respondentów wybranych przez firmy, które wdrożyły technologię AI, 90% uważa, że dłuższe przechowywanie danych poprawia jakość wyników w zakresie sztucznej inteligencji.
Rysunek 2. 90% procent firm, które obecnie korzystają ze sztucznej inteligencji, uważa, że zachowanie większej ilości danych historycznych poprawia dokładność modeli.
To odkrycie wskazuje na korelację między przechowywaniem danych przez dłuższe okresy a bardziej niezawodnymi informacjami uzyskiwanymi na podstawie sztucznej inteligencji. Może to wynikać z kilku czynników. Po pierwsze, stałe iteracyjne przetwarzanie danych jest nieodłączną częścią działania algorytmów AI. Treści wyjściowe są przesyłane z powrotem do modelu, co poprawia jego dokładność i umożliwia tworzenie nowych modeli. Surowe zbiory danych i wyniki stają się źródłem dla dalszego rozwoju i nowych przepływów roboczych.
Jednak przechowywanie zestawów danych przez dłuższy czas służy również innym funkcjom o znaczeniu krytycznym dla przedsiębiorstwa: ochronie własności intelektualnej firmy. Przechowuje „pokwitowania” oryginalnych zestawów danych i procesów modelu, zapewniając w razie potrzeby wyjaśnienie wyników (np. w ramach procesu prawnego). Te „pokwitowania” ustalają pochodzenie danych, zapewniając przejrzysty zapis drogi, jaką podróżują dane od punktu wejścia do wyjścia. Pochodzenie danych pozwala organizacjom weryfikować skąd biorą się i jak są wykorzystywane zestawy danych, dzięki czemu modele AI opierają się na dokładnych danych. Umożliwia to pełną kontrolę systemów AI i wspiera zarówno ścisłą zgodność z przepisami, jak i wewnętrzną odpowiedzialność.
Ponadto firmy mogą zdecydować się na przechowywanie większej ilości danych przez dłuższy czas, ponieważ zdają sobie sprawę, że nie wiedzą, jakie nowe, wartościowe informacje algorytmy przyszłości mogą odkryć na podstawie wczorajszych danych. Dłuższe przechowywanie danych umożliwia przetwarzanie starych danych przez nierozwinięte jeszcze modele AI. Z tych powodów dłuższe przechowywanie danych zwiększa wartość biznesową, jaką może zapewnić sztuczna inteligencja.
W ramach podobnych wniosków decydenci w zakresie infrastruktury postrzegają dłuższe okresy przechowywania danych jako niezbędne do budowania zaufania, kluczowego fundamentu, bez którego informacje uzyskiwane na podstawie sztucznej inteligencji mają niewielką wartość.
88% respondentów, których firmy korzystają obecnie ze sztucznej inteligencji, uważa, że wdrożenie godnej zaufania sztucznej inteligencji zwiększa potrzebę przechowywania większej ilości danych przez dłuższe okresy.
Seagate definiuje godną zaufania sztuczną inteligencję jako przepływy pracy i modele wykorzystujące dane AI, które korzystają z niezawodnych danych wejściowych i generują wiarygodne informacje. Godna zaufania sztuczna inteligencja bazuje na danych, które spełniają następujące kryteria:
wysoka jakość i dokładność
jasna informacja na temat legalności, przynależności i pochodzenia
bezpieczne przechowywanie i ochrona
transformacje algorytmiczne, które można objaśnić i prześledzić
spójne i niezawodne wyniki przetwarzania danych
Rysunek 3. 88% procent respondentów, których firmy korzystają obecnie ze sztucznej inteligencji, stwierdziło, że wdrożenie godnej zaufania sztucznej inteligencji wiąże się z potrzebą przechowywania większej ilości danych przez dłuższe okresy.
Godna zaufania sztuczna inteligencja opiera się na skalowalnej infrastrukturze pamięci masowej, ponieważ pomaga ona w odpowiednim zarządzaniu, przechowywaniu i zabezpieczaniu dużych ilości danych wykorzystywanych przez systemy AI.
W ramach budowania godnej zaufania sztucznej inteligencji 80% respondentów podkreśliło znaczenie punktów kontrolnych.
Tworzenie punktów kontrolnych to proces zapisywania stanu modelu AI w określonych, krótkich odstępach czasu podczas jego trenowania. Modele AI są trenowane na dużych zbiorach danych w iteracyjnych procesach, które mogą trwać od kilku minut do miesięcy. Czas trwania trenowania modelu zależy od złożoności modelu, rozmiaru zestawu danych oraz dostępnej mocy obliczeniowej. W tym czasie modele są zasilane danymi, parametry są dostosowywane, a system uczy się, jak przewidywać wyniki na podstawie przetwarzanych informacji.
Punkty kontrolne działają jak migawki obecnego stanu modelu – jego danych, parametrów i ustawień – w wielu punktach podczas trenowania. Zapisywane na urządzeniach pamięci masowej migawki co minutę lub co kilka minut pozwalają programistom zachować rejestr postępów modelu i uniknąć utraty cennej pracy z powodu nieoczekiwanych zakłóceń.
Według badania firmy korzystające z ponad 100 PB pamięci masowej zapisują i tworzą kopie zapasowe punktów kontrolnych codziennie lub co tydzień, przy czym 87% z nich przechowuje je w chmurze lub w ramach rozwiązania łączącego dyski HDD i SDD.
Pamięć masowa: Kluczowy czynnik sukcesu AI
Przetwarzanie danych i energia to popularne tematy w dyskusjach na temat wdrażania sztucznej inteligencji. Jednak badanie Recon Analytics podkreśla, że pamięć masowa jest kluczowym czynnikiem.
Z perspektywy nabywców infrastruktury pamięć masowa danych zajmuje drugą pozycję w rankingu infrastruktury AI, zaraz po bezpieczeństwie. Za bezpieczeństwem i pamięcią masową uplasowały się kolejno zarządzanie danymi, pojemność sieci, przetwarzanie danych, regulacje, wykorzystanie LLM oraz energia.
Dwie trzecie (66%) respondentów umieściło pamięć masową na drugim miejscu wśród czterech najważniejszych elementów umożliwiających wykorzystanie sztucznej inteligencji i jako czwartą najważniejszą barierę utrudniającą jej wdrożenie.
Rysunek 4. 66% procent osób podejmujących decyzje w zakresie infrastruktury uznało pamięć masową za drugi najważniejszy element wśród czterech głównych czynników, które umożliwiają wykorzystanie sztucznej inteligencji. Stwierdzili również, że pamięć masowa jest czwartą najważniejszą barierą we wdrażaniu sztucznej inteligencji.
Założyciel i główny analityk firmy Recon, Roger Entner, opisuje wnioski:
„Zasadniczo wyniki badania wskazują na nadchodzący wzrost popytu na pamięć masową danych, przy czym dyski twarde wyłaniają się jako zdecydowany zwycięzca tej sytuacji. Kiedy weźmiemy pod uwagę, że liderzy biznesowi, z którymi rozmawialiśmy, zamierzają przechowywać coraz więcej tych opartych na sztucznej inteligencji danych w chmurze, okazuje się, że usługi w chmurze są odpowiednie, aby stawić czoła drugiej fali wzrostu”.
Aby maksymalnie wykorzystać sztuczną inteligencję, przedsiębiorstwa muszą przygotować skalowalną i wydajną pamięć masową danych. Sztuczna inteligencja opiera się na dyskach twardych bezpośrednio lub za pośrednictwem usług w chmurze – dyski twarde oferują niezrównaną pojemność, efektywność kosztową i zrównoważony rozwój, ponieważ stanowią podstawę niezawodnej sztucznej inteligencji.
