Hitachi Vantara: אחסון AI מהיר פי 5.5
Hitachi Vantara מכריזה על עדכונים ל-VSP One ול-Hitachi iQ, כולל אחסון מהיר פי 5.5 ל-AI ו-data lakehouse מובנה. המהלך נועד לעזור לארגונים להתמודד עם העובדה שרק 44% מצליחים להרחיב את השימוש ב-AI מעבר לניסויים, על פי נתוני McKinsey.
"למעלה מ-90% מהארגונים מדווחים על שימוש שוטף ב-AI, אבל רק 44% מצליחים להרחיב אותו בארגון." זה לא נתון תיאורטי — זה הפער בין הבטחת ה-AI לבין המציאות התפעולית. היום Hitachi Vantara, חברת בת של Hitachi המתמחה באחסון נתונים ובתשתיות ענן היברידי, מכריזה על עדכונים לפלטפורמת הנתונים שלה, VSP One, ולפורטפוליו Hitachi iQ, במטרה לעזור לארגונים לגשר על הפער.
אז מה בעצם קרה כאן?
Hitachi Vantara מרחיבה את היכולות של VSP One Object, מנוע האחסון האובייקטי שלה. הגרסה החדשה מספקת מסלול פשוט יותר להתחלת עבודה עם אחסון מותאם ל-AI: קונפיגורציה התחלתית של ארבעה נודים ופריסה מפושטת. בפועל, זה אומר שצוותי DevOps ומהנדסי נתונים בארגונים יכולים להקים במהירות סביבת אחסון ל-AI, בלי להקים מפלצת תשתיות מסורבלת.
אבל החדשות האמיתיות הן בביצועים. השיפורים האחרונים מאפשרים גישה לנתונים במהירות גבוהה פי 5.5 עבור משימות AI, אנליטיקה ועומסי עבודה של S3. במונחים של עולם ה-AI שלכם, זה אומר פחות שיהוי בזמן אמת — מודלים יכולים לגשת למידע מהר יותר, מה שמאפשר קבלת החלטות מהירה יותר ואפליקציות AI יציבות יותר.
אנליטיקה במקום, בלי להעתיק נתונים
VSP One Object מרחיב את יכולותיו גם לתחום ה-data lakehouse. בפועל: תוכלו לבצע שאילתות אנליטיות ישירות על הנתונים בפורמטים פתוחים — Iceberg, Parquet, JSON ו-CSV — מבלי להעביר אותם למערכת אנליטיקה נפרדת. לפי Hitachi Vantara, הדבר מביא לשיפור של פי 5 בביצועי השאילתות, עם 80% פחות מעבדים. המשמעות עבורכם? צמצום של data pipelines כפולים, צמצום של datasets מיותרים ופחות תחזוקת תשתיות. פחות "זבל" ב-stack, יותר ביצועים.
בנוסף, החברה מרחיבה את יכולות השכפול בין אתרים ואת היכולות האזוריות, כדי להבטיח זמינות ועמידות בפני הפרעות — דרישה קריטית כשעוברים מניסוי ב-AI לפרודקשן.
Hitachi iQ Studio: שליטה ב-Agents
החלק השני של העדכון נוגע ל-Hitachi iQ Studio, הפלטפורמה לבנייה, לפריסה ולניהול של יישומי AI ושל agents. הגרסה החדשה מרחיבה את הגישה לנתונים מובנים ולא מובנים עבור Retrieval-Augmented Generation (RAG), כולל מקורות NFS חדשים. הדבר מאפשר תגובות AI מדויקות יותר ומודעות להקשר, בלי להעביר קודם את כל הנתונים.
עוד תוספת היא Model Gateway, שמאפשר גישה מפוקחת למודלים מקומיים וחיצוניים, וכן תמיכה ב-Model Context Protocol (MCP) וב-ServiceNow, עם בקרת גישה מבוססת תפקידים, יכולות ניטור וניהול מחזור חיים. בקיצור: כלים שנועדו לעזור ל-CTOs ולמנהלי AI בארגונים לשלוט ב-bots שלהם — למי יש גישה לאיזה מודל, עם איזה מידע ומתי.
רקע: למה זה חשוב עכשיו?
זה לא במקרה. Hitachi Vantara מתבססת על נתונים מתעשיית ה-consulting. סקר של McKinsey מ-2026 מראה ש-90% מהארגונים משתמשים ב-AI, אבל רק 44% מצליחים להרחיב את השימוש בו מעבר לניסויים. מחקר של IDC מוסיף ש-89% מהארגונים מדווחים על בעיית איכות נתונים כלשהי. הפער הזה — בין אימוץ נרחב לבין סקיילביליות אמיתית — הוא מה ש-Hitachi Vantara רוצה לפתור.
אוקטביאן טנאסה, מנהל המוצר הראשי של Hitachi Vantara, אומר: "אסטרטגיית AI כיום היא בלתי נפרדת מאסטרטגיית נתונים. כשה-AI הופך לחלק מעומסי עבודה עסקיים קריטיים, התשתית שמתחתיו חייבת להקל על השימוש בנתונים ארגוניים. עם VSP One, אנו נותנים ללקוחות דרך מעשית לבנות את הבסיס ל-AI, לקרב אנליטיקה לנתונים שלהם ולהתרחב בביטחון כשהביקוש גדל." במילים פשוטות: הם מציעים חבילה שמחברת אחסון, אנליטיקה ותוכנת AI תחת קורת גג אחת.
מה הלאה?
Hitachi Vantara משלבת את הטכנולוגיות האלה עם המומחיות של Hitachi, כדי לעזור ללקוחות להתמודד עם אתגרים תפעוליים אמיתיים. המטרה: לעבור מ-"AI experimentation" ל-"production AI" עם שליטה, אמינות וביצועים. עבור מי מכם שעובדים על פרויקטי AI בארגונים גדולים, זה נשמע מוכר — הצורך לבנות תשתית נתונים יציבה לפני שמתחילים לחבר agents.
עדכונים כאלה מדגישים את המגמה: שוק ה-AI לא מתקדם רק בזכות מודלים גדולים יותר, אלא גם בזכות תשתיות נתונים חכמות יותר. ככל שה-AI נכנס לעומסי עבודה קריטיים יותר, הלחץ על אחסון וניהול נתונים רק יגבר. אז אולי זה הזמן לבדוק אם ה-stack שלכם מוכן.