AlienCat - stock.adobe.com

Künstliche Intelligenz im Storage-Management wird Realität

KI für Storage taucht überall auf, obwohl vieles von dem, was wir sehen, die Automatisierung von Routineaufgaben ist. Erfahren Sie, was Anbieter tun, um die KI kreativer zu nutzen.

Bereits Ende letzten Jahres zeichnete sich ab, dass fast jeder Anbieter eine Art von Komponente in seinen Produkten ankündigte, die künstliche Intelligenz (KI) für das Speichermanagement verwendet.

Storage-Array-Anbieter geben an, dass sie über eine in ihre Array-Controller integrierte Funktionalität für maschinelles Lernen, kognitives Rechnen oder KI verfügen, das heißt die Array-Controller als Anwendungen auf dem Server ausführen, die ihre Flash- oder Festplattenmedien steuern, die tatsächlich ein Array bilden können oder nicht. Das Gleiche gilt für die meisten Disaster-Recovery- und Storage-Management-Produkte.

Im Jahr 2019 wird die KI vom Lexikon der Begriffe mit tatsächlicher technischer Bedeutung in den Bereich der bedeutungslosen Marketingsprache übergehen. Das ist bedauerlich, denn wir nähern uns einer Zeit, in der die maschinelle Intelligenz für die Verwaltung der Speicherinfrastruktur und der darin gespeicherten Daten entscheidend wird.

Mehr als die Automatisierung von Routineaufgaben

Viele der Merkmale, die in Produkten als KI beschrieben werden, sind wahrscheinlich überhaupt keine KI. Ein Algorithmus, der sich das Datum der letzten Änderung von Metadaten-Tags in Dateien ansieht und dann diejenigen mit einem bestimmten Maß an Inaktivität von einem Teil einer Speicherinfrastruktur in einen anderen verschiebt, sollte wahrscheinlich nicht als künstliche Intelligenz eingestuft werden. Ja, es erfüllt eine Aufgabe, die menschliche Intelligenz erfordert, aber es trifft keine Entscheidungen mit unabhängiger Argumentation oder Logik. Wie jedes Programm oder jede Richtlinie wendet es routinemäßig vordefinierte Logik auf jeden Fall an.

Das oben genannte Beispiel ist exemplarisch für die Überlegenheit der sogenannten KI für die Speicherung: Maschinenfunktionalität, die menschliche Logik oder Argumentation als Modell und nicht als Endziel des Systemdesigns verwendet. Die Automatisierung von Routineaufgaben, die klar definierte Parameter und vorhersehbare Ergebnisse haben, ist das am wenigsten hochgesteckte Ziel, das die KI bedient.

Seit John McCarthy 1956 das Konzept der KI einführte, wurde angenommen, dass echte KI den Bau von Maschinen bedeutet, die wie Menschen denken und lernen – die so genannte starke KI. Oder es wurde angenommen, dass es sich um Maschinen handelt, die funktionieren, ohne notwendigerweise das gesamte Spektrum der menschlichen Denkprozesse nachzubilden – die so genannte schwache KI.

Die dritte Kategorie, die oben veranschaulicht wurde, zielt darauf ab, Aufgaben zu automatisieren, die einst von Menschen ausgeführt wurden. Je routinierter die Aufgabe, desto weniger Intelligenz benötigt sie und desto offener ist sie für die Automatisierung.

KI für die Speicherverwaltung

Die KI erinnert an viele Bilder, von HAL 9000 bis C-3PO bis Skynet, alles, was Science Fiction ausmacht.

In der realen Welt konzentriert sich Amazon auf maschinelles Lernen, Mustererkennung und Problemlösung, um die Kundenzufriedenheit zu verbessern und die Geschwindigkeit und Qualität der Auftragsabwicklung und Produktlieferung zu optimieren. Amazon hat sich Apple, DeepMind, Google, IBM und Microsoft angeschlossen, um die Partnerschaft für KI zu gründen. Der Schwerpunkt dieser Zusammenarbeit scheint eher auf erweiterter Intelligenz als auf künstlicher Intelligenz zu liegen – weniger Nachahmung des menschlichen Gehirns und mehr Ausführung von Routineaufgaben in großem Maßstab.

Im Bereich der Speicherung, wo KI ein Schlagwort ist, das meist zur Vermarktung des neuesten Kits oder der neuesten Software verwendet wird, verwenden Anbieter ihre proprietären Algorithmen, Protokolle und Modelle, um mit den coolen Kindern Schritt zu halten.

Das Gute an der Partnerschaft für KI ist, dass es ein Versuch ist, Ansätze zu standardisieren und Best Practices für die gesamte Branche zu definieren. Es gilt jedoch hauptsächlich für KI-Anwendungen für Unternehmen; ich sehe keine vergleichbaren Anstrengungen in der Speicherindustrie.

Im Bereich der Speicherung, wo KI ein Schlagwort ist, das meist zur Vermarktung des neuesten Kits oder der neuesten Software verwendet wird, verwenden Anbieter ihre proprietären Algorithmen, Protokolle und Modelle, um mit den coolen Kindern Schritt zu halten.

IBM hat kürzlich seine Watson-Technologie eingesetzt, um seine Storage-Verwaltungssoftware zu verbessern und seinen Cloud-Speicher elastisch bereitzustellen. Mit diesen Bemühungen hat IBM einen gewissen Goldstandard gesetzt. Aber Hewlett Packard Enterprise (HPE), mit seiner Deep Learning Initiative, und Hitachi, mit seiner H-Technologie, beginnen die Vorteile ihrer Forschung zu nutzen. Andere Anbieter setzen KI für Speicherverwaltungstechnologien ein, von denen sie hoffen, dass sie Alternativen zu den großen Firmen sein werden, die über große finanzielle Mittel für Forschung und Entwicklung oder Akquisitionen verfügen.

Eine Reihe von proprietären Produkten

Das andere Ziel der KI-Entwicklung für Storage ist es, proprietäre Funktionen zu schaffen, die es den Kunden ermöglichen, die Produkte eines bestimmten Anbieters ausschließlich zur Wertschöpfung zu nutzen. Dell EMC PowerMax verfügt beispielsweise über eine integrierte maschinelle Lernmaschine, die laut Hersteller darauf ausgelegt ist, die Leistung zu optimieren, indem sie 40 Millionen Datensätze pro Tag analysiert und 6 Milliarden Entscheidungen pro Anordnung trifft. Diese Funktionalität erstreckt sich jedoch nicht auf Nicht-Dell-EMC-Arrays oder auf ein Dell-EMC-Kit, das nicht Teil der PowerMax-Familie ist.

HPE verfolgt einen ähnlichen Ansatz mit seinem 3PAR-Array, das die KI-Plattform von HPE InfoSight nutzt, um Leistung, Verfügbarkeit und Effizienz auf Systemebene zu steigern. Wie der PowerMax von Dell EMC ist auch der HPE InfoSight proprietär und funktioniert nur mit HPE-Hardware, einschließlich der Nimble-Produktfamilie.

Weitere Produkte, die KI-Unterstützung auf Array-Ebene bieten, sind IBM mit seiner KI-basierten Storage Insights-Management-Software und Infinidat mit einer sogenannten neuronalen Caching-Architektur. Pure Storage verfügt über die AIRI-Technologie (AI-Ready Infrastructure). Quantum bietet das KI-fähige Xcellis Scale-out NAS an. Und Vexata hat seine VelocityAI, die die Referenzarchitektur von Nvidia für KI-Workloads verwendet. Unabhängig davon, wie sie die Leistung auf Systemebene verbessern, bietet keines dieser Tools Unterstützung für heterogene Infrastrukturen.

Eine noch zu beantwortende Frage ist, ob eine dieser KI für Speicherverwaltungstechnologien das Speichermanagement auf der Ebene der gesamten Infrastruktur behindern wird. So wie Innovationen in den frühen 2000er Jahren, wie Thin Provisioning und Deduplizierung, das effiziente Management der Speicherinfrastruktur beeinträchtigt haben, indem sie Arrays voneinander getrennt haben, befürchte ich, dass die plötzliche Explosion der KI ähnliche Probleme verursachen wird.

Das ist ein weiteres Problem für IT-Planer, die sich mit der Integration von Multi-Cloud- und lokalen Infrastrukturen herumschlagen müssen.

Nächste Schritte

So gehen Sie mit den Risiken der Künstlichen Intelligenz richtig um

So integriert Microsoft KI in Azure

Das müssen Sie beim Einsatz von Künstlicher Intelligenz beachten

Artikel wurde zuletzt im Mai 2019 aktualisiert

Erfahren Sie mehr über Storage Management

- GOOGLE-ANZEIGEN

ComputerWeekly.de

Close