AIストレージとは

AIのイノベーションは急速に加速しており、AIプロジェクトには、拡大するデータに対応しつつ、AI駆動型ワークロードが求めるパフォーマンス、スケーラビリティ、低遅延アクセスを実現できるストレージアーキテクチャーが必要です。

Precedence Researchによると、世界のAI搭載ストレージ市場は、2025年の35.95億米ドルから2034年までに約255.24億米ドルに成長すると推定されています。推定複合年間成長率（CAGR）は24.42％です。¹AIとMLの統合の加速と、業界全体でのAIストレージのユースケースの増加が市場の成長を後押ししています。

企業は、AI、ML、高度な分析のビジネスの可能性を活用するために、データ・ストレージ・インフラストラクチャーをモダナイズしています。しかし、データやワークロードが複数の地域に分散していること、AIのトレーニングやワークロードの推論に必要な時間が増えていることなどが課題となっています。これらの問題に加え、グラフィックス処理ユニット（GPU）などのオンデマンド参考情報のコストと希少性も加わります。

IBMビジネスバリュー研究所（IBV）の調査によると、経営者の62%が3年以内に組織全体でAIを活用すると予想しています。しかし、ITインフラがすべてのAIニーズを満たしていると答えたのはわずか8%でした。

将来を見据えて、このインフラが高度なAIモデルのデータ量と計算需要を管理できると考えているのは、調査済み対象者のわずか42%に過ぎません。同様に、大規模なリアルタイム推論のサポートを期待しているのはわずか46％です。

AIワークロードには、モデルのトレーニング、微調整、推論を遅らせるデータ処理のボトルネックを軽減できるシステムが必要です。また、増え続けるデータセット、特に生成AIや大規模言語モデル（LLM）ワークロードに関連するデータセットを処理するためのスケーラブルなストレージシステムも必要です。

こうした要求に応えるため、AIストレージは、アプリケーションプログラミングインターフェイス（API）を通じて、オープンソースおよび独自仕様のMLおよびディープラーニングフレームワークとシームレスに統合できます。この機能により、LLMトレーニング、モデル開発が加速され、AIシステム全体の全体的な性能が向上します。

詳細は「AIのためのインフラストラクチャー : ストレージが重要な理由」をご覧ください。

従来のデータ・ストレージは一般的なビジネスアプリケーションに使用されますが、AIストレージは複雑でデータ集約型のAIモデルを効率的かつ費用対効果の高い方法でトレーニングおよび実行するための基盤となります。

従来のストレージは構造化データと非構造化データの両方を扱いますが、分散システム上でモデルをトレーニングしたり大規模に推論を実行したりするためではなく、予測可能なパターンを持つ一般的なビジネス ワークロード向けに設計されています。

AIストレージとは、データレイク、クラウドストレージ、データベースを含む、AIインフラシステムのトレーニングや実行に必要なデータを保存・管理するためのシステムを指し、大量の非構造化デー（画像、音声、ビデオ、センサーデータなど）を処理します。

これらのタイプのデータには、特にモデルのトレーニングと推論中に、高いIOPS（1秒あたりの入力/出力操作）と超低遅延を実現するストレージ・システムが必要です。

まとめると、従来のストレージとAIストレージの主な違いは、ワークロードの仕様に集約されます。従来のストレージは一貫性があり予測可能なオペレーションのために構築されましたが、AIワークロードはライフサイクル全体にわたって独自の厳しい要件があります。

AIシステムのライフサイクルの各段階—データ取り込み、トレーニング、推論、モデルの更新—には独自のストレージ・ニーズがあり、ペタバイト単位のストレージ容量と高速メモリが求められます。

AIストレージは、データ・パイプラインを使用して、収集から前処理、モデルの使用まで、継続的なデータ・フローを促進します。オブジェクトストレージやパラレルファイルシステムなど、複数のストレージノードで並列にデータを処理するスケーラブルなアーキテクチャを採用しています。この機能により、AIアプリケーションは必要な高速でリアルタイム・データを処理できるようになります。

コストとパフォーマンスのバランスを取るために、AIストレージには通常、ストレージ層が含まれます。頻繁にアクセスされるデータ（ホット層）は高速キャッシュとフラッシュ・ストレージに保存され、クリティカルでないデータ（ウォームまたはコールド）は長期保存のために費用対効果が高く低速のストレージに保管されます。

• フラッシュベースのストレージ：AIストレージはソリッドステート・ドライブ（SSD）に依存します。これらのSSDは半導体ベースのストレージデバイスで、通常はNANDフラッシュメモリを使用して高パフォーマンス、低遅延、高スループットを実現し、トレーニングや推論のためのデータ・セット処理に使われます。

• 単層設計：ほとんどのAIストレージソリューションは単層アーキテクチャを使用し、頻繁にアクセスされるデータに統合された統一環境を提供します。このタイプのアーキテクチャーでは、フラッシュまたはSSDストレージをサポートし、低遅延と高I/Oパフォーマンスを実現します。

• 高帯域幅メモリ（HBM）：データセンターのGPU、CPU、アクセラレーターおよび一部のSSDは、HBMを使用して、従来のメモリ・アーキテクチャーであるダイナミック・ランダム・アクセス・メモリ （DRAM）よりも低い消費電力で高性能なデータ転送を実現します。

• NVMe（nonvolatile memory express）テクノロジー： NVMe、高度な並列データ転送用に設計されたプロトコルである、AIストレージで重要な役割を果たします。NVMe SSDとネットワーク・ストレージ（NVMe-oF）は、AIワークロードの大規模な並列処理をサポートするために必要な速度、プログラマビリティー、容量を備えています。

• データ・リポジトリー： AIストレージは、データプラットフォームやデータサービス（データレイク、ウェアハウス、レイクハウスなど）を利用して、生データや非構造化データの一元化環境を構築します。このプロセスによりサイロが解消され、システム間でデータを移動する必要がなくなります。

• データ削減テクノロジー：データの重複排除、圧縮、階層化といった手法により、AIワークロードに必要な高性能のアクセスを維持しながら、組織のストレージのフットプリントとコストを最小限に抑えます。

• スケーラブルな環境：AIストレージは、ハイブリッドクラウド、オンプレミス、ハイパースケールデータセンター、エッジ環境などの高性能かつスケールアウト型のインフラモデルを用いて展開されます。

AIストレージは、AIワークフローとインフラストラクチャーのパフォーマンスを最適化する次のような重要なメリットを提供します。

• GPU加速パフォーマンス：GPUアクセラレーションによるアプリケーションとワークロードをサポートし、AIのトレーニングと推論に必要なスループットを実現します。

• 統合データアクセス：従来のストレージ、クラウド、エッジ環境など、さまざまなデータソースにわたってファイル、ボリューム、オブジェクトにアクセスできるため、システム間でデータを移動する必要がなくなります。

• 移動なしのデータアクセス：データを物理的に移動せずに複数のプラットフォームや場所にわたってデータにアクセスできるため、重複とネットワークコストが削減されます。

• 自動データ保護：ポリシーと暗号化などの保護方法を使用してデータを環境全体にプロビジョニングし、AIデータセットがライフサイクル全体にわたって確実に保護されるようにします。

• ハイブリッドクラウド統合：データセンターからパブリッククラウドリソースへのデータ接続を行い、アプリケーションの協働を向上させ、AIワークロードの機動性を高めます。

• ストレージ管理の簡素化：組み込みの拡張性、オートメーション、簡素化された操作を提供し、AIイニシアチブの複雑さを軽減します。

• コストの最適化はデータサイロと重複を排除し、コンピュート・リソースとストレージ・リソースを統合することで、AIのパフォーマンスを損なうことなくインフラコストを削減します。

AIストレージは、多様なデータ集約型AI、ML、高性能コンピューティング（HPC）ワークフローにおいて重要な役割を果たします。さらに、業種特有のユースケースもいくつかあります。

• 小売

• ヘルスケア

• 財務

• エンターテイメント

• 製造業

• 保険

小売業者はAIストレージを使用して、販売取引、顧客とのやり取り、ソーシャルメディア、IoT（モノのインターネット）デバイスによって生成される大量のデータとメタデータを管理します。このプロセスにより、リアルタイムのインベントリー最適化、パーソナライズされた推奨事項、需要予測が可能になります。

ヘルスケアでは、 AIストレージが創薬を加速し、AI（NVIDIA BioNeMo、 IBM watsonx®など）を通じて臨床意思決定のサポートをサポートしながら、膨大なゲノム・データ・セット、医療画像ファイル、電子医療記録を処理します。

銀行やその他の金融機関は、スケーラブルなAIストレージを利用して、取引量からの大量のデータを管理しています。これにより、機械学習で何百万ものトランザクションのパターンや異常をリアルタイムで検知し、不正アクセス検知やパーソナライズされたバンキング・サービスをサポートします。

NetflixやAmazonなどのストリーミング・サービスは、AIデータ・ストレージを使用して視聴履歴データを大規模に処理し、パーソナライズされたコンテンツを配信するリアルタイムのレコメンデーション・エンジンを実現しています。

AIストレージは、工場フロア全体のセンサーと機械のデータ管理を提供します。このインフラは、予知保全を可能にし、サプライチェーンを最適化し、リアルタイムで品質管理を自動化します。

AIストレージは、文書、写真、非構造化データへの迅速なアクセスを可能にすることで、自動化された引受および請求処理をサポートします。このアプローチにより、自然言語処理（NLP）と画像認識モデルにより、リスクのアセスメントが加速され、保険金請求の処理が迅速化されます。