સીગેટ અભ્યાસ દાવો કરે છે કે સુરક્ષા અને સંગ્રહ એઆઈ ઈન્ફ્રાસ્ટ્રક્ચર માટે એજન્ડામાં ટોચના છે એનર્જી એ દૂરની છેલ્લી છે, જે એલએલએમની સદ્ધરતા અને નિયમનોથી આગળ છે, જ્યાં સુધી સમાધાન ન થાય ત્યાં સુધી AI ઊર્જા વપરાશ અંગેની ચર્ચાઓ ચાલુ રહેશે
AI ઉર્જાનો વપરાશ વધુને વધુ ગરમ વિષય બની રહ્યો છે, જેમાં ઉદ્યોગના હિતધારકો અને વિવેચકો ટેક્નોલોજીની પર્યાવરણીય અસર અંગે ચિંતા વ્યક્ત કરે છે.
પરંતુ સીગેટના તાજેતરના સર્વેમાં આઇટી નેતાઓ માટે વધુ દબાવતી ચિંતાઓ તરફ નિર્દેશ કરવામાં આવ્યો છે, જેમાં દાવો કરવામાં આવ્યો છે કે નિયમનકારી વિચારણાઓ, એલએલએમની કાર્યક્ષમતા અને નેટવર્ક ક્ષમતા પાછળના એજન્ડામાં એનર્જીનો ઉપયોગ તળિયે છે.
નોંધનીય રીતે, સુરક્ષા અને સ્ટોરેજ આગળ જોઈ રહેલા બિઝનેસ લીડર્સ માટે મુખ્ય ફોકસ પોઈન્ટ્સમાંના હતા, લગભગ બે તૃતીયાંશ (61%) ઉત્તરદાતાઓ કે જેઓ મુખ્યત્વે AI વર્કલોડને હોસ્ટ કરવા માટે ક્લાઉડ સ્ટોરેજનો ઉપયોગ કરે છે તેઓએ જણાવ્યું હતું કે તેમના ક્લાઉડ-આધારિત સ્ટોરેજમાં 100% થી વધુનો વધારો થશે. આગામી ત્રણ વર્ષ.
ખર્ચ અસરકારક સંગ્રહ કી છે
AI અપનાવવા પરના આ તીક્ષ્ણ ધ્યાનથી ડેટા સ્ટોરેજની માંગમાં વધારો થવાની ધારણા છે, જેમાં હાર્ડ ડ્રાઈવો “સ્પષ્ટ વિજેતા” તરીકે ઉભરી રહી છે,” રેકોન એનાલિટિક્સનાં સ્થાપક અને મુખ્ય વિશ્લેષક, રોજર એન્ટનરે જણાવ્યું હતું, જેણે સર્વેક્ષણ હાથ ધર્યું હતું.
“સર્વેક્ષણ પરિણામો સામાન્ય રીતે ડેટા સ્ટોરેજની માંગમાં આવતા ઉછાળા તરફ નિર્દેશ કરે છે,” તેમણે કહ્યું. “જ્યારે તમે ધ્યાનમાં લો કે અમે જે બિઝનેસ લીડર્સનું સર્વેક્ષણ કર્યું છે તેઓ ક્લાઉડમાં આ AI-સંચાલિત ડેટાનો વધુને વધુ સંગ્રહ કરવાનો ઇરાદો ધરાવે છે, ત્યારે એવું લાગે છે કે ક્લાઉડ સેવાઓ બીજી વૃદ્ધિ તરંગ પર સવારી કરવા માટે સારી સ્થિતિમાં છે.”
આ દબાણમાં મુખ્ય પરિબળ એ હાર્ડ ડ્રાઈવોની કિંમત કાર્યક્ષમતા છે, અભ્યાસમાં જાણવા મળ્યું છે, જે વધુ સારી માપનીયતા પ્રદાન કરે છે અને પ્રતિ-ડોલર-દીઠ-ટેરાબાઈટ ખર્ચમાં સુધારો કરે છે.
હાર્ડ ડ્રાઈવની અપીલમાં અન્ય ફાળો આપનાર પરિબળ ડેટા રીટેન્શન છે, સર્વેમાં જાણવા મળ્યું છે. AIને અપનાવતી સંસ્થાઓ સામાન્ય રીતે AI મોડલ્સને તાલીમ આપવા અને ઑપ્ટિમાઇઝ કરવા માટે લાંબા સમય સુધી ડેટા રાખે છે.
આ લાંબી ડેટા રીટેન્શન પ્રેક્ટિસ મોડલને તાલીમ આપતી વખતે ચોકસાઈને સુનિશ્ચિત કરવામાં મહત્ત્વની ભૂમિકા ભજવે છે, જેમાં 90% ઉત્તરદાતાઓ પહેલેથી જ AI નો ઉપયોગ કરે છે એવું માને છે કે ડેટાને લાંબા સમય સુધી પકડી રાખવાથી પરિણામો સુધારવામાં મદદ મળે છે.
“મોટા ભાગના સર્વેક્ષણના ઉત્તરદાતાઓએ કહ્યું કે તેઓને AI ના ગુણવત્તા પરિણામો સુધારવા માટે લાંબા સમય સુધી ડેટા સંગ્રહિત કરવાની જરૂર છે, અમે અમારી HAMR-આધારિત હાર્ડ ડ્રાઇવ્સમાં દરેક પ્લેટર માટે સ્ટોરેજ ક્ષમતા વધારવા માટે જરૂરી વાસ્તવિક ઘનતાની નવીનતા પર ધ્યાન કેન્દ્રિત કર્યું છે. “એન્ટનરે કહ્યું.
“અમારી પાસે આગામી થોડા વર્ષોમાં પ્રતિ-પ્લેટર સ્ટોરેજ ક્ષમતા બમણા કરતાં વધુનો સ્પષ્ટ માર્ગ છે.”
