Νέα λύση AI της Quantum για διαχείριση δεδομένων και μείωση του κόστους αποθήκευσης

Η Quantum Autonomous Data Management (ADM) έρχεται σε μια περίοδο κατά την οποία ο όγκος των δεδομένων αυξάνεται με ταχύτατους ρυθμούς, λόγω της τεχνητής νοημοσύνης, των analytics και του ψηφιακού μετασχηματισμού. Παράλληλα, οι επιχειρήσεις καλούνται να διατηρούν και να προστατεύουν περισσότερα δεδομένα για μεγαλύτερο χρονικό διάστημα, τόσο για τη βελτίωση μελλοντικών μοντέλων AI όσο και για λόγους κανονιστικής συμμόρφωσης.

Το πρόβλημα, σύμφωνα με την Quantum, είναι ότι πολλές επιχειρήσεις δεν έχουν επαρκή ορατότητα ως προς το ποια δεδομένα διαθέτουν, πώς χρησιμοποιούνται, πόσο συχνά προσπελαύνονται, τι κινδύνους δημιουργούν και πόσο κοστίζει η αποθήκευση και προστασία τους.

Η ADM επιχειρεί να γεφυρώσει το κενό ανάμεσα στην ανάλυση των δεδομένων και την πραγματική λήψη αποφάσεων. Συνδυάζοντας data insights με αυτοματοποίηση, η λύση εντοπίζει πλεονάζουσα χωρητικότητα, ανενεργά ή παρωχημένα δεδομένα και κινδύνους, ενώ παράλληλα βελτιστοποιεί συνεχώς την τοποθέτηση των δεδομένων στα κατάλληλα επίπεδα αποθήκευσης.

Από την αξιολόγηση στην αυτοματοποίηση

Η λειτουργία της Quantum ADM βασίζεται σε τρία στάδια: Assess, Automate, Optimize. Αρχικά, η λύση αναλύει το σύνολο του data estate μιας επιχείρησης, εντοπίζοντας ανενεργά, διπλότυπα, παρωχημένα, «ορφανά» ή ευαίσθητα δεδομένα. Με βάση αυτά τα στοιχεία, οι οργανισμοί μπορούν να αποφασίσουν ποια δεδομένα πρέπει να παραμείνουν σε primary storage, ποια μπορούν να αρχειοθετηθούν ή να διαγραφούν και ποια απαιτούν πρόσθετη προστασία.

Η διαδικασία αυτή μπορεί να απελευθερώσει πολύτιμη χωρητικότητα, μειώνοντας παράλληλα το κόστος storage, backup και υποδομών, αλλά και την κατανάλωση ενέργειας.

Στη συνέχεια, η ADM μπορεί να λειτουργεί συνεχώς στο παρασκήνιο, εφαρμόζοντας αυτοματοποιημένες πολιτικές για τη διαχείριση και μετακίνηση των δεδομένων ανάλογα με τις επιχειρησιακές, κανονιστικές και απαιτήσεις ασφάλειας.

Στο επίκεντρο η τεχνητή νοημοσύνη

Η αυξανόμενη χρήση της AI αποτελεί έναν από τους βασικούς παράγοντες που ενισχύουν την ανάγκη για αποτελεσματικότερη διαχείριση δεδομένων. Τα μοντέλα τεχνητής νοημοσύνης απαιτούν μεγάλες ποσότητες δεδομένων για εκπαίδευση, επανεκπαίδευση και ανάλυση, δημιουργώντας παράλληλα αυξημένες απαιτήσεις για αποθήκευση και προστασία.

Η Quantum υποστηρίζει ότι η σωστή διαχείριση του data infrastructure μπορεί να επιτρέψει στις επιχειρήσεις να προετοιμάσουν καλύτερα τα δεδομένα τους για εφαρμογές AI και analytics, διατηρώντας παράλληλα τον έλεγχο του κόστους και της ασφάλειας.

«Οι πελάτες αναζητούν τρόπους να διαχειριστούν τους περιορισμούς στους προϋπολογισμούς, να μειώσουν το ρίσκο και να αντιμετωπίσουν τις αυξανόμενες απαιτήσεις αποθήκευσης που δημιουργούν η AI και τα analytics», δήλωσε ο CEO της Quantum, Hugues Meyrath.

Όπως ανέφερε, η δυνατότητα να γνωρίζει ένας οργανισμός ποια δεδομένα διαθέτει, πού πρέπει να βρίσκονται και πώς πρέπει να διαχειρίζονται μπορεί να δημιουργήσει οφέλη σε κόστος, ασφάλεια, λειτουργική αποδοτικότητα και ετοιμότητα για την τεχνητή νοημοσύνη.

Από το data insight στη μείωση κόστους

Η νέα πλατφόρμα επιχειρεί ουσιαστικά να μετατρέψει την ορατότητα των δεδομένων σε αυτοματοποιημένες ενέργειες. Οι επιχειρήσεις μπορούν να εντοπίζουν δεδομένα που δημιουργούν κόστος ή αυξημένο κίνδυνο και να τα μεταφέρουν στο κατάλληλο storage tier, ανάλογα με τη συχνότητα πρόσβασης, τη σημασία τους και τις απαιτήσεις προστασίας.

Η προσέγγιση αυτή αποκτά μεγαλύτερη σημασία καθώς η αύξηση των δεδομένων συμπίπτει με τις πιέσεις για περιορισμό των επενδυτικών και λειτουργικών δαπανών στις υποδομές IT.

Ο Marc Staimer, πρόεδρος της Dragon Slayer Consulting, σημείωσε ότι η εκρηκτική αύξηση των δεδομένων και οι επίμονες ελλείψεις σε χωρητικότητα αποθήκευσης έχουν αναδείξει ένα σημαντικό πρόβλημα στη διαχείριση δεδομένων. Όπως υποστήριξε, η Quantum ADM, σε συνδυασμό με λύσεις όπως το Quantum ActiveScale Cold Storage, μπορεί να συμβάλει στη σημαντική μείωση του κόστους του ακριβότερου primary storage.

Για τις επιχειρήσεις, επομένως, η διαχείριση των δεδομένων εξελίσσεται από μια τεχνική λειτουργία σε κρίσιμο παράγοντα οικονομικής αποδοτικότητας. Καθώς η AI αυξάνει διαρκώς τις απαιτήσεις για δεδομένα, το ζητούμενο δεν είναι πλέον μόνο πόσα δεδομένα μπορεί να αποθηκεύσει ένας οργανισμός, αλλά ποια δεδομένα αξίζει να διατηρεί, πού πρέπει να βρίσκονται και πόσο κοστίζει η διαχείρισή τους.