Forrester и Redis Labs опросили IT-менеджеров и ЛПР, ответственных за AI/ML-стратегию, о том, хватает ли им имеющихся систем хранения для машинного обучения в реальном времени. Оказалось, что нет и облаками проблему не решить.

41% ЛПР считают, что используемые ими системы хранения устарели

Некоторые ИИ-приложения требуют предоставления обучающих данных в режиме реального времени. Объем этих данных стремительно растет. Исследование показало: почти половина компаний накладывают свои модели ИИ на унаследованные архитектуры, основанные на внешних системах хранения.

Они не соответствуют требованиям к обучению ИИ и развертыванию механизмов логического вывода. Модели ИИ полагаются на полуструктурированные данные, которые сложно обрабатывать и анализировать с использованием устаревших систем хранения.

Главные проблемы с ИИ в компаниях

Облачные системы хранения удобны, но при работе с данными в реальном времени они дают задержку. Проблему с задержкой поможет решить обработка данных в достаточной внутренней памяти оборудования компании.

Исследование также показало, что обеспечение точности модели с течением времени (57%) и борьба с задержкой запуска модели (51%) возглавляют список проблем в механизме логического вывода ИИ.

Также, согласно исследованию, главные проблемы в механизме логического вывода ИИ — это обеспечение точности модели с течением времени (57%) и борьба с задержкой запуска модели (51%).

Модернизация: поводы и ожидания

Респонденты считают, что переход к хранилищам данных в памяти позволит IT-командам повысить эффективность подготовки (49%), аналитики (46%) и защиты (46%) данных. Есть хороший повод для модернизации. Многие планируют использовать периферийные устройства для запуска своих моделей и ИИ как услугу (AIaaS).