رشد روزافزون کاربردهای هوش مصنوعی در عملیات‌های سازمانی، از بهبود مراقبت‌های بهداشتی با استفاده از تصویربرداری پزشکی پیشرفته گرفته تا ارتقاء مدل‌های پیچیده تشخیص تقلب و حتی کمک به حفاظت از حیات وحش، همواره با چالشی اساسی مواجه است: ذخیره‌سازی داده‌ها. در رویداد Transform 2025 که توسط VentureBeat برگزار شد، گریگ ماتسون، مدیر محصولات و بازاریابی Solidigm و راجر کامیونگ، مدیر عامل PEAK:AIO با مایکل استوارت، شریک مدیریت M12 درباره چگونگی نوآوری‌های فناوری ذخیره‌سازی که به کاربردهای هوش مصنوعی در حوزه بهداشت و درمان کمک می‌کند، به گفت‌وگو پرداختند.
فریم‌ورک MONAI نقطه عطفی در تصویربرداری پزشکی است که آن را سریع‌تر، ایمن‌تر و مطمئن‌تر می‌سازد. پیشرفت‌های فناوری ذخیره‌سازی به محققان این امکان را می‌دهد تا بر اساس این فریم‌ورک کار کنند و به سرعت نوآوری و تغییرات لازم را انجام دهند. PEAK:AIO با Solidigm همکاری کرده است تا ذخیره‌سازی‌های با کارایی بالا و ظرفیت بالا را ادغام کند، که به فریم‌ورک MONAI این امکان را می‌دهد تا بیشتر از دو میلیون اسکن CT کامل بدن را در یک گره واحد از محیط IT خود ذخیره کند.
ماتسون در این‌باره گفت: «با پیشرفت سریع زیرساخت‌های هوش مصنوعی سازمانی، سخت‌افزار ذخیره‌سازی به طور فزاینده‌ای نیاز به تنظیم متناسب با کاربردهای خاص دارد، بسته به اینکه آن‌ها در کجای خط لوله داده‌های هوش مصنوعی قرار دارند.» وی افزود: «نوع استفاده‌ای که ما با MONAI در مورد آن صحبت کردیم، یک کاربرد لبه‌ای است، به همراه تغذیه یک خوشه آموزشی، که به خوبی با راه‌حل‌های ذخیره‌سازی حالت جامد با ظرفیت بسیار بالا پاسخ می‌دهد. اما برای استنتاج و آموزش مدل‌ها، نیاز به چیزی متفاوت داریم. این نیاز به عملکرد بسیار بالا و نرخ I/O در ثانیه بالا از SSDها دارد.»
برای دستیابی به عملکرد بهینه در لبه، ضروری است که ذخیره‌سازی به یک گره واحد مقیاس داده شود تا استنتاج به داده‌ها نزدیک‌تر باشد. یکی از کلیدهای این فرآیند حذف گلوگاه‌های حافظه است. این کار می‌تواند با ادغام حافظه به عنوان بخشی از زیرساخت هوش مصنوعی انجام شود، تا آن را همگام با داده‌ها و فراداده‌ها مقیاس‌بندی کند. نزدیکی داده به محاسبات به طرز چشمگیری زمان به دست آوردن بینش را افزایش می‌دهد.
ماتسون ادامه داد: «شما می‌توانید تمام استقرارهای بزرگ و مراکز داده سبز برای هوش مصنوعی را ببینید که از طراحی‌های سخت‌افزاری خاصی استفاده می‌کنند تا داده‌ها را به نزدیک‌ترین نقطه به GPUها منتقل کنند. آن‌ها مراکز داده خود را با ذخیره‌سازی حالت جامد با ظرفیت بسیار بالا ساخته‌اند، تا بتوانند ذخیره‌سازی در سطح پتابایتی را با سرعت‌های بسیار بالا به GPUها ارائه دهند. اکنون، همان فناوری در مقیاس کوچک‌تر در لبه و در سازمان‌ها در حال وقوع است.»
برای خریداران سیستم‌های هوش مصنوعی، ضروری است که اطمینان حاصل کنند که از حداکثر عملکرد سیستم خود بهره‌برداری می‌کنند و این کار با استفاده از تمام حالت‌های جامد امکان‌پذیر است. این کار به آن‌ها این امکان را می‌دهد که مقادیر زیادی داده را مدیریت کرده و قدرت پردازشی فوق‌العاده‌ای را در یک سیستم کوچک در لبه فراهم کنند. کامیونگ نیز تاکید کرد: «ما باید راه‌حل‌هایی ارائه دهیم که باز، مقیاس‌پذیر و با سرعت حافظه باشند و از آخرین و بهترین فناوری‌ها برای این کار استفاده کنیم. این هدف ما به عنوان یک شرکت است.»
نیازهای سخت‌افزاری در پیوند داده‌های کلی آموزش و استنتاج و درون خود استنتاج به طور مداوم در حال افزایش است، چه این نیاز به SSDهای بسیار با سرعت بالا باشد و چه به راه‌حل‌هایی با ظرفیت بسیار بالا و کارایی انرژی. ماتی آموزان پیش‌بینی کرد که: «این روند به سمت قابلیت‌های بسیار بالا پیش خواهد رفت، خواه این یک SSD پتابایتی باشد که در چند سال آینده با توان بسیار کم کار می‌کند و بتواند چهار برابر هارد دیسک‌های فعلی را جایگزین کند یا محصولی با عملکرد بسیار بالا که به سرعت حافظه نزدیک باشد.».
در آینده نزدیک، بزرگان دنیای GPU در حال کاوش برای تعیین معماری‌های جدید ذخیره‌سازی هستند تا بتوانند به بهبود ساختار HBM در سیستم کمک کنند. «آنچه که قبلاً SSD عمومی در محاسبات ابری نامیده می‌شد، اکنون به دو دسته ظرفیت و عملکرد تقسیم شده است و ما این کار را در هر دو جهت برای ۵ تا ۱۰ سال آینده ادامه خواهیم داد.»