{"id":160659,"date":"2025-03-11T05:54:00","date_gmt":"2025-03-11T12:54:00","guid":{"rendered":"https:\/\/blog.everpuredata.com\/?p=160659"},"modified":"2025-04-03T13:53:22","modified_gmt":"2025-04-03T20:53:22","slug":"flashblade-exa-for-large-ai-workloads","status":"publish","type":"post","link":"https:\/\/blog.everpuredata.com\/es\/products\/flashblade-exa-for-large-ai-workloads\/","title":{"rendered":"FlashBlade\/\/EXA ha llegado \u2013 La plataforma de almacenamiento de datos para transformar la IA y la HPC a gran escala"},"content":{"rendered":"\n
\n
\n
\n

Resumen<\/h3>\n\n\n\n

FlashBlade\/\/EXA is the newest member of the FlashBlade family. Optimized for AI workloads, this ultra-scale data storage platform provides massive storage throughput and operates at extreme levels of performance and scale.<\/p>\n<\/div>\n\n\n\n

\"image_pdf\"<\/a>\"image_print\"<\/a><\/div>\n<\/div>\n\n\n\n
\n

\u00a1Corredores, arranquen sus motores! Pure Storage se complace en anunciar FlashBlade\/\/EXA\u2122, una plataforma de almacenamiento de datos a gran escala optimizada para las cargas de trabajo de la IA, que proporciona un caudal de almacenamiento enorme y funciona a unos niveles extremos de rendimiento y escalabilidad.<\/p>\n\n\n\n

\u00bfQu\u00e9 tienen en com\u00fan los fabricantes de autom\u00f3viles de alto rendimiento y Pure Storage? Al igual que los fabricantes de autom\u00f3viles de primer nivel dise\u00f1an modelos de coches de carreras de vanguardia que superan los l\u00edmites de velocidad y eficiencia, FlashBlade\/\/EXA se ha creado para proporcionar un rendimiento de nivel superior para las cargas de trabajo de IA y HPC. FlashBlade\/\/EXA es similar a esos ejemplos, ya que es un sistema FlashBlade<\/a>\u00ae con Purity\/\/FB altamente optimizado para proporcionar un rendimiento de siguiente nivel para las cargas de trabajo de IA m\u00e1s exigentes. Complementa los modelos de alto rendimiento FlashBlade\/\/S<\/a>\u2122 y FlashBlade\/\/E<\/a>\u2122 de alta densidad que han sido probados en el mercado empresarial y reconocidos en el Cuadrante M\u00e1gico\u2122 de Gartner\u00ae para Plataformas de Almacenamiento de Archivos y Objetos<\/a> como l\u00edderes durante cuatro a\u00f1os seguidos.<\/p>\n\n\n\n

El reto empresarial de los avances r\u00e1pidos en la IA <\/strong><\/h2>\n\n\n\n

A medida que la innovaci\u00f3n en IA se ampl\u00eda, muchas empresas descubren r\u00e1pidamente el valor de aumentar o revolucionar sus operaciones existentes con entrenamiento e inferencia de modelos. Este crecimiento acelerado ha aumentado la adopci\u00f3n de los flujos de trabajo de IA en el preprocesamiento, el entrenamiento, las pruebas, el ajuste fino y la implementaci\u00f3n \u2014cada uno de ellos se beneficia de unas GPU m\u00e1s potentes y de unos conjuntos de datos multimodales m\u00e1s grandes\u2014.\u00a0<\/p>\n\n\n\n

Esta expansi\u00f3n tambi\u00e9n ha introducido nuevos retos en la infraestructura. La escalabilidad del almacenamiento tradicional, el checkpointing, la gesti\u00f3n y las limitaciones de rendimiento de los metadatos a escala est\u00e1n creando cuellos de botella y obstaculizando el uso completo de las costosas infraestructuras orientadas a la GPU y ralentizando el progreso y la innovaci\u00f3n. Esto afecta en gran medida a las presiones financieras agresivas del ROI de la IA \u2014cualquier infraestructura dedicada a ella tiene que funcionar con el m\u00e1ximo rendimiento para garantizar el tiempo de obtenci\u00f3n de valor m\u00e1s r\u00e1pido posible para el entrenamiento y la inferencia de modelos. La p\u00e9rdida de tiempo es la p\u00e9rdida de dinero.<\/strong><\/p>\n\n\n\n

Los retos empresariales se amplifican con flujos de trabajo de IA a gran escala<\/strong><\/h2>\n\n\n\n

Este reto empresarial de las GPU inactivas, que equivale a la p\u00e9rdida de tiempo y dinero, se amplifica exponencialmente a escala, por ejemplo, los proveedores de nube de GPU y los laboratorios de IA, por dos razones. En primer lugar, la eficiencia operativa masiva a escala es fundamental para su rentabilidad y va mucho m\u00e1s all\u00e1 de lo que la mayor\u00eda de las operaciones locales\/internas de los centros de datos gestionan. Un blog que publicamos el a\u00f1o pasado<\/a> nos ofreci\u00f3 informaci\u00f3n sobre c\u00f3mo piensan los proveedores de servicios y c\u00f3mo la automatizaci\u00f3n y la estandarizaci\u00f3n brutal son cr\u00edticas para sus operaciones. En segundo lugar, los proveedores de servicios se suscriben al principio fundamental de evitar cualquier<\/em> recurso que funcione inactivo. Para ellos, las GPU inactivas en cualquier modelo de IA son una oportunidad de p\u00e9rdida de ingresos: las ineficiencias de almacenamiento en su nivel de funcionamiento pueden ser perjudiciales.<\/p>\n\n\n\n

Las arquitecturas de almacenamiento tradicionales de alto rendimiento se han desarrollado sobre sistemas de archivos paralelos y se han dise\u00f1ado y optimizado para entornos inform\u00e1ticos de alto rendimiento (HPC) tradicionales y dedicados. Las cargas de trabajo de HPC son previsibles, por lo que los sistemas de almacenamiento paralelos pueden optimizarse para un escalamiento espec\u00edfico del rendimiento. Los flujos de trabajo y los modelos a gran escala basados en la IA son diferentes de los de la HPC tradicional, porque son m\u00e1s complejos e implican muchos m\u00e1s par\u00e1metros que tambi\u00e9n son multimodales, ya que incluyen archivos de texto, im\u00e1genes, v\u00eddeos y otros \u2014todo ello tiene que ser procesado simult\u00e1neamente por decenas de miles de GPU\u2014. Estas nuevas din\u00e1micas est\u00e1n demostrando r\u00e1pidamente el modo en que los enfoques tradicionales del almacenamiento basados en la HPC tienen dificultades para funcionar a gran escala. M\u00e1s concretamente, el rendimiento de los sistemas de almacenamiento paralelo tradicionales se vuelve pol\u00e9mico al dar servicio a los metadatos y los datos asociados desde el mismo plano del controlador de almacenamiento.<\/p>\n\n\n\n

Este cuello de botella emergente exige una nueva manera de pensar en la gesti\u00f3n de los metadatos y las optimizaciones del acceso a los datos para gestionar de manera eficiente diversos tipos de datos y una gran concurrencia de las cargas de trabajo de IA a escala de proveedor de servicios.<\/p>\n\n\n\n

Requisitos extremos de escalamiento del almacenamiento con la evoluci\u00f3n de la carga de trabajo de la IA <\/strong><\/h2>\n\n\n\n

A medida que los vol\u00famenes de datos aumentan, la gesti\u00f3n de metadatos se convierte en un cuello de botella cr\u00edtico. El almacenamiento tradicional tiene dificultades para escalar los metadatos de manera eficiente, lo que provoca latencia y degradaci\u00f3n del rendimiento, especialmente para las cargas de trabajo de IA y HPC que exigen un paralelismo extremo. Las arquitecturas tradicionales, creadas para el acceso secuencial, no pueden seguir el ritmo. A menudo sufren rigidez y complejidad, lo que limita la escalabilidad. Para superar estos retos se necesita una arquitectura que priorice los metadatos y que se escale sin problemas, admita el paralelismo masivo y elimine los cuellos de botella. A medida que la oportunidad de IA y HPC evoluciona, los retos solo se agravan.<\/p>\n\n\n\n

\"Evolución<\/figure>\n\n\n\n

El n\u00facleo de metadatos probado disponible en FlashBlade\/\/S ha ayudado a los clientes empresariales a abordar los exigentes requisitos de formaci\u00f3n, ajuste e inferencia de la IA al superar los retos de los metadatos, como:<\/p>\n\n\n\n