Hitachi Vantara רוצה להעביר AI מפיילוט לייצור
Hitachi Vantara שדרגה את פלטפורמת VSP One Object עם שיפור של פי 5.5 בביצועים של אובייקטים קטנים ותמיכה בשאילתות ישירות על Apache Iceberg ו-Parquet. המטרה: לעזור לארגונים להעביר פרויקטי AI מפיילוט לייצור. 71% ממקבלי ההחלטות מדווחים שאינטגרציה בין אחסון ל-AI היא אתגר מרכזי.
כולם מדברים על ההסתערות על GPUs ועל מחירי מודלים, אבל כשמגיעים לשטח ומנסים להרים פרויקט AI אמיתי מהפיילוט לייצור — מתברר שהצוואר הבקבוק האמיתי הוא בכלל לא המחשוב. אלה הנתונים.
Hitachi Vantara בונה על זה שאחסון חכם יותר יכול לשנות את המשחק, והיא הודיעה לאחרונה על שדרוג משמעותי של פלטפורמת VSP One Object שלה. אם אתם עובדים בארגון שמנסה להזיז פרויקטי AI מעבר לשלב הפיילוט, הסיפור הזה רלוונטי אליכם.
מה בעצם שינו?
שלושה עדכונים מרכזיים, כל אחד מהם מטפל בצד אחר של אותו כאב:
ביצועים לנתונים קטנים — שיפור של עד פי 5.5 בביצועים של אובייקטים קטנים. למה זה משנה? כי בעולם האמיתי, הרבה מהמידע שהמודלים צריכים לגשת אליו הוא לא קבצים גדולים ויפים — אלא מיליוני רשומות קטנות, מטא-דאטה ולוגים. הארכיטקטורה המסורתית של object storage לא הותאמה לגישה מהירה ואקראית לסוג כזה של מידע, וזה בדיוק מה ש-Hitachi Vantara מנסה לפתור.
שאילתות ישירות על פורמטים פתוחים — תמיכה ב-Apache Iceberg, Parquet, JSON ו-CSV ישירות מתוך הפלטפורמה, בלי צורך ב-ETL נפרד. בפועל זה אומר שמדען נתונים יכול, למשל, לשאול את כל ה-CT scans מהשנה האחרונה ישר מהאחסון, בלי להעביר את המידע לבסיס נתונים נפרד. פחות צינורות, פחות סיבוכים, פחות זמן המתנה.
שכפול משופר — יכולות שכפול בין אתרים ובאזורים גאוגרפיים, קריטיות לארגונים שפועלים במספר אתרים או צריכים לעמוד בדרישות רגולטוריות לפי מיקום גאוגרפי.
מעבר לזה, הפלטפורמה קיבלה גם יכולות data lakehouse חדשות ושירות שמזהה קבצים שמכילים מידע אישי רגיש — למשל מספרי ביטוח לאומי. המידע הזה יכול להיות מסומן ומנוהל: מדעני נתונים יכולים למנוע ממידע כזה להיכנס למודלים מסוימים או לחסום את השכפול שלו למדינה אחרת.
למה storage פתאום הפך לנושא חם?
Arun Prasad Raman, סגן נשיא לתשתיות ענן היברידי ו-AI ב-Hitachi Vantara, הסביר את זה בפשטות בריאיון: ״אחסון כבר לא נראה רק כמקום שמאחסן את הנתונים. צריך להביא אינטליגנציה באופן נייטיבי, במקום להעביר את הנתונים לשכפול נוסף ולהחזיר אותם לאינדוקס.״
Jeff Lundberg, מנהל מוצר ב-Hitachi Vantara, הוסיף שהפרויקטים נתקעים לא בגלל שהארכיטקטורה לא ברורה — רוב הארגונים כבר יודעים מה הם רוצים לבנות — אלא כי הנתונים מפוזרים בין מערכות on-prem, אפליקציות SaaS וענן. ואם זה לא מספיק, גם בקרת גישה, גוברננס ורגולציות משתנות מוסיפים חיכוך.
הנתונים לא משקרים
מחקר של Omdia (חטיבת המחקר של Informa TechTarget) מראה את גודל הבעיה:
- 71% ממקבלי ההחלטות בתחום ה-IT מסכימים שאינטגרציה אפקטיבית בין אחסון לצינורות נתונים ותהליכי AI היא אתגר מרכזי.
- 70% מסכימים שאתגרים הקשורים לאחסון הם מחסום משמעותי להצלחת AI.
- 83% מהארגונים צפויים לשדרג את סביבת האחסון שלהם ב-24 החודשים הקרובים כדי לעמוד בדרישות ה-AI.
83% זה נתון מרשים — כמעט כל מי שמשקיע ב-AI כרגע מבין שהאחסון הקיים שלו לא מספיק.
מה קורה כשה-agents נכנסים לתמונה?
כאן הסיפור נהיה מעניין יותר. בעולם ה-Agentic AI — שבו מודלים לא רק עונים על שאלות אלא מבצעים פעולות, ניגשים למקורות מידע ומקבלים החלטות בעצמם — הגישה לנתונים הופכת לתכופה יותר ויותר, ולעיתים גם לבלתי צפויה. זה דורש ביצועים טובים יותר בכל סוגי האחסון: block, file ו-object כאחד.
Hitachi Vantara ממקמת את עצמה עם פתרונות ספציפיים לתעשיות, המבוססים על ה-stack של Hitachi iQ ונשענים על ניסיון שמגיע מחברות האחיות שלה בתחומי הרכבות והאנרגיה.
מה זה אומר עלינו?
אם אתם עובדים בארגון שמנסה להרים פרויקט AI רציני, אתם כנראה מכירים את התחושה: ה-GPU רץ, המודל מוכן, הפיילוט עבד יפה — ואז כשמנסים להעלות לייצור, הכול נתקע על נתונים. Hitachi Vantara מנסה למכור את הטענה שאחסון חכם יותר יכול לפתור חלק גדול מהבעיה הזו.
בין אם אתם קונים את החזון שלהם או לא, הכיוון ברור: בעולם שבו ה-AI הופך מרכזי יותר, האחסון מפסיק להיות צנרת שקופה והופך לשחקן פעיל. מי שיתעלם מזה, יגלה את זה בחשבון הג׳י-פי-יו הבא.