ท่ามกลางกระแสการแย่งชิงพลังการประมวลผลของเทคโนโลยี AI แต่รู้หรือไม่ว่าหัวใจที่แท้จริงกลับเป็น “ข้อมูล” ผลวิจัยล่าสุดจาก IDC เผยว่ากว่า 94% ขององค์กรกำลังเผชิญกับปริมาณข้อมูลที่พุ่งสูงขึ้นอย่างมหาศาลจากการใช้งาน Generative AI
KEY POINTS
- การมาของ AI และ Generative AI ทำให้องค์กรสร้างข้อมูลมากขึ้น, จัดเก็บข้อมูลนานขึ้น, และนำข้อมูลในอดีตกลับมาใช้ประโยชน์มากขึ้น ก่อให้เกิด "วงจรข้อมูลที่เติบโตอย่างต่อเนื่อง"
- AI เพิ่มมูลค่าให้กับข้อมูล องค์กรเกือบ 95% ระบุว่ามูลค่าข้อมูลเพิ่มขึ้น และกว่า 74% จัดเก็บข้อมูลนานขึ้นเพื่อรองรับการใช้งาน AI
- เส้นแบ่งระหว่างข้อมูลที่ใช้งานอยู่ กับข้อมูลที่จัดเก็บถาวร กำลังเปลี่ยนไป ข้อมูลเก่าถูกนำกลับมาใช้งานในวงจร AI มากขึ้น ทำให้ต้องเรียกคืนได้รวดเร็วยิ่งขึ้น
- การออกแบบโครงสร้างพื้นฐาน AI ต้องเปลี่ยนจากการมุ่งเน้นแค่พลังการประมวลผล ไปสู่การสร้างสมดุลระหว่างประสิทธิภาพ, ความจุ, การเข้าถึง, และต้นทุนการจัดเก็บข้อมูล (TCO) ตลอดวงจรชีวิต
เมื่อ AI และ Generative AI ขยายการใช้งานในองค์กร ปริมาณข้อมูลไม่ได้เพิ่มขึ้นเฉพาะในช่วงการประมวลผล แต่ยังถูกจัดเก็บนานขึ้นและถูกนำกลับมาใช้ประโยชน์มากขึ้น ทำให้การออกแบบโครงสร้างพื้นฐาน AI ต้องพิจารณาทั้งความจุ การเข้าถึง และต้นทุนของข้อมูลตลอดวงจรการใช้งาน
ที่ผ่านมา การพูดถึงโครงสร้างพื้นฐาน AI มักให้น้ำหนักกับพลังการประมวลผล แต่รายงานไวท์เปเปอร์ของ “ไอดีซี” หัวข้อ Built for Scale: The Enduring Role of HDDs in the AI Era ซึ่งสนับสนุนโดย WD ชี้ว่า การขยายตัวของ AI กำลังทำให้ความต้องการด้านการจัดเก็บข้อมูลเพิ่มขึ้นในเชิงโครงสร้าง
ผลการศึกษาพบว่า องค์กรกำลังสร้างข้อมูลเพิ่มขึ้น สร้างมูลค่าจากข้อมูลมากขึ้น จัดเก็บข้อมูลไว้นานขึ้น และนำข้อมูลในอดีตกลับมาใช้มากขึ้น เพื่อรองรับเวิร์กโหลด AI รูปแบบใหม่
แนวโน้มดังกล่าวนำไปสู่ “วงจรข้อมูลที่เติบโตอย่างต่อเนื่อง” เพราะ AI จำเป็นต้องใช้ข้อมูล ขณะเดียวกันการใช้งาน AI ก็ทำให้เกิดข้อมูลชุดใหม่และเพิ่มศักยภาพในการนำข้อมูลเดิมกลับมาใช้ประโยชน์
ต่างจากความต้องการการประมวลผลที่อาจเปลี่ยนแปลงตามลักษณะการใช้งานและรอบการลงทุน ข้อมูลที่เกิดขึ้นจาก AI ยังคงถูกจัดเก็บและสะสมต่อเนื่อง ทำให้ความจุ ความสามารถในการเข้าถึง และต้นทุนการจัดเก็บมีความสำคัญต่อการออกแบบโครงสร้างพื้นฐานมากขึ้น
ข้อมูลเพิ่ม ภาระเพิ่มรอบด้าน
งานวิจัยของ ไอดีซี พบว่า 94.7% ขององค์กรที่เข้าร่วมการสำรวจมีปริมาณข้อมูลเพิ่มขึ้นในช่วง 12 เดือนที่ผ่านมา อันเป็นผลจากการนำ AI และ Generative AI มาใช้งาน
ขณะที่ 61% ขององค์กรมีปริมาณข้อมูลเพิ่มขึ้นอย่างน้อย 25% ในช่วงปีที่ผ่านมาเนื่องจากการใช้งาน AI และ 74% คาดว่าปริมาณข้อมูลจะเพิ่มขึ้นอย่างน้อย 25% ในช่วงสามปีข้างหน้า
ในส่วนของ Data Lake ซึ่งเป็นแหล่งเก็บข้อมูลขนาดใหญ่ 85.4% ขององค์กรระบุว่าปริมาณข้อมูลที่จัดเก็บเพิ่มขึ้นในช่วง 12 เดือนที่ผ่านมา โดย 59.4% ระบุว่าข้อมูลที่สร้างขึ้นจาก AI เป็นปัจจัยหลักที่ทำให้ Data Lake มีขนาดใหญ่ขึ้น
ข้อมูลดังกล่าวรวมถึงข้อมูลสังเคราะห์ (Synthetic Data) ผลลัพธ์จากการประมวลผลของโมเดล (Inference Outputs) และบันทึกการทำงานของโมเดล (Model Logs)
นอกจากปริมาณข้อมูลที่เพิ่มขึ้นแล้ว ระยะเวลาการจัดเก็บก็ยาวนานขึ้นด้วย โดยเกือบ 95% ขององค์กรระบุว่ามูลค่าของข้อมูลเพิ่มขึ้นจากการนำ AI และ Generative AI มาใช้งาน และ 74.3% ระบุว่าการใช้งาน AI และ Generative AI ทำให้องค์กรจัดเก็บข้อมูลนานขึ้น
ขณะเดียวกัน 75.9% ขององค์กรระบุว่า มีการนำข้อมูลที่จัดเก็บระยะยาวและไม่ค่อยถูกเรียกใช้งาน หรือ Cold-tier Data กลับมาออนไลน์ในปริมาณที่เพิ่มขึ้น เพื่อรองรับการใช้งาน AI
ข้อมูลเก่ากลับเข้าสู่วงจร AI
ผลการวิจัยชี้ว่า เส้นแบ่งระหว่างข้อมูลที่มีการใช้งานอยู่กับข้อมูลที่จัดเก็บถาวรกำลังเปลี่ยนแปลง เนื่องจากข้อมูลในอดีตกำลังถูกนำกลับมาใช้ประโยชน์มากขึ้นในงาน AI
ข้อมูลที่เคยจัดเก็บไว้และแทบไม่ได้ถูกเรียกใช้งานจึงสามารถกลับเข้าสู่วงจรการใช้งานอีกครั้ง ทำให้องค์กรต้องปรับแนวทางจัดเก็บ บริหารจัดการ และเตรียมข้อมูลให้พร้อมสำหรับการเข้าถึงเมื่อต้องการ
ในมุมของการใช้งาน AI 96% ขององค์กรคาดว่าจะต้องสามารถเรียกคืนข้อมูลจากระบบจัดเก็บถาวรได้รวดเร็วยิ่งขึ้น เพื่อรองรับการประมวลผลของ AI (AI Inference) และการใช้งานแบบ Retrieval-Augmented Generation (RAG)
การเปลี่ยนแปลงของวงจรข้อมูลทำให้การออกแบบโครงสร้างพื้นฐาน AI ไม่ได้จำกัดอยู่ที่การเลือกพื้นที่จัดเก็บเพียงระดับเดียว แต่ต้องรองรับข้อมูลที่มีความถี่ในการเข้าถึงแตกต่างกัน
ทั้งนี้ 74.6% ขององค์กรที่เข้าร่วมการสำรวจระบุว่า ข้อมูลองค์กรถูกจัดเก็บอยู่ในระดับ Warm, Cool และ Cold ซึ่งเป็นระดับการจัดเก็บที่มีความถี่ในการเข้าถึงแตกต่างกัน
ขณะที่มากกว่า 60% ของปริมาณข้อมูลใน Data Lake เป็นข้อมูลระดับ Cold หรือข้อมูลที่ไม่ค่อยถูกเรียกใช้งาน
ด้านต้นทุน 98.2% ขององค์กรระบุว่า ต้นทุนรวมในการเป็นเจ้าของต่อเทราไบต์ (TCO per terabyte) มีความสำคัญหรือสำคัญอย่างยิ่งต่อการตัดสินใจเลือกซื้อระบบจัดเก็บข้อมูล
ข้อมูลเป็นฐานสำคัญของ AI
เออร์วิง แทน ประธานเจ้าหน้าที่บริหารของ WD กล่าวว่า หลายปีที่ผ่านมา การพูดถึงโครงสร้างพื้นฐาน AI มักมุ่งเน้นไปที่พลังการประมวลผลเป็นหลัก แต่แท้จริงแล้ว AI ขับเคลื่อนด้วยข้อมูล
เขากล่าวว่า องค์กรกำลังสร้างข้อมูลมากขึ้น จัดเก็บข้อมูลไว้นานขึ้น และค้นหาแนวทางใหม่ในการสร้างมูลค่าจากข้อมูลที่มีอยู่ ขณะที่ความต้องการด้านการประมวลผลเปลี่ยนแปลงไปตามเวลา แต่ความต้องการจัดเก็บ บริหารจัดการ และเข้าถึงข้อมูลปริมาณมหาศาลมีแนวโน้มเพิ่มขึ้นต่อเนื่อง
การใช้งาน AI ก่อให้เกิดข้อมูลตลอดวงจร ตั้งแต่ชุดข้อมูลที่ใช้ฝึกโมเดลและข้อมูลบันทึกสถานะของโมเดล (Model Checkpoints) ไปจนถึงผลลัพธ์จากการประมวลผลของโมเดล (Inference Outputs) บันทึกการทำงาน (Logs) และข้อมูลสังเคราะห์ (Synthetic Data)
ข้อมูลเหล่านี้ส่วนใหญ่ยังคงถูกจัดเก็บไว้แม้การประมวลผลจะเสร็จสิ้นแล้ว และสามารถนำกลับมาใช้เป็นข้อมูลตั้งต้นสำหรับการใช้งาน AI ในอนาคตได้
ผลการศึกษาจึงชี้ถึงความต้องการจัดเก็บข้อมูลที่เพิ่มขึ้นในเชิงโครงสร้าง จากทั้งปริมาณข้อมูลที่มากขึ้น ระยะเวลาจัดเก็บที่ยาวนานขึ้น และการนำข้อมูลเดิมกลับมาใช้ประโยชน์
‘สตอเรจ’ โจทย์เศรษฐศาสตร์ของ AI
เมื่อปริมาณข้อมูลเพิ่มขึ้นและข้อมูลในอดีตถูกนำกลับมาใช้งาน องค์กรต้องสร้างสมดุลระหว่างประสิทธิภาพ ความจุ ความสามารถในการเข้าถึง และความคุ้มค่าทางเศรษฐศาสตร์ให้เหมาะกับการใช้งานแต่ละประเภท
การขยาย AI ในระดับใหญ่จึงทำให้คำถามว่าข้อมูลควรถูกจัดเก็บไว้ที่ใด รวมถึงต้นทุนในการจัดเก็บและเข้าถึงข้อมูล มีความสำคัญต่อการออกแบบสถาปัตยกรรมโครงสร้างพื้นฐานมากขึ้น
ความสามารถในการบริหารจัดการข้อมูลปริมาณมหาศาลอย่างคุ้มค่าจึงเป็นหนึ่งในปัจจัยสำคัญที่ต้องพิจารณาควบคู่กับการประมวลผล เมื่อองค์กรขยายการใช้งาน AI ในระยะยาว
