{"id":160662,"date":"2025-03-11T05:54:00","date_gmt":"2025-03-11T12:54:00","guid":{"rendered":"https:\/\/blog.everpuredata.com\/?p=160662"},"modified":"2025-04-03T13:53:26","modified_gmt":"2025-04-03T20:53:26","slug":"flashblade-exa-for-large-ai-workloads","status":"publish","type":"post","link":"https:\/\/blog.everpuredata.com\/le\/products\/flashblade-exa-for-large-ai-workloads\/","title":{"rendered":"FlashBlade\/\/EXA ha llegado: la plataforma de almacenamiento de datos para transformar la AI y 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

Los corredores pueden arrancar sus motores. Pure Storage se complace en anunciar FlashBlade\/\/EXA\u2122, una plataforma de almacenamiento de datos a gran escala optimizada para cargas de trabajo de AI al proporcionar un rendimiento de almacenamiento masivo y operar a 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 autom\u00f3viles de carrera de vanguardia que superan los l\u00edmites de velocidad y eficiencia, FlashBlade\/\/EXA est\u00e1 dise\u00f1ado para ofrecer un rendimiento del siguiente nivel para cargas de trabajo de AI y HPC. FlashBlade\/\/EXA es similar a esos ejemplos en 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 AI m\u00e1s exigentes. Complementa los modelos FlashBlade\/\/S<\/a>\u2122 de alto rendimiento y FlashBlade\/\/E<\/a>\u2122 de alta densidad que han sido probados en el mercado empresarial y reconocidos en el Cuadrante M\u00e1gico de Gartner\u00ae\u2122 por las plataformas de almacenamiento de objetos y archivos<\/a> como l\u00edderes por cuatro a\u00f1os consecutivos.<\/p>\n\n\n\n

El desaf\u00edo comercial de los r\u00e1pidos avances en AI <\/strong><\/h2>\n\n\n\n

A medida que la innovaci\u00f3n de AI se expande, muchas empresas est\u00e1n descubriendo r\u00e1pidamente valor en aumentar o revolucionar sus operaciones existentes con capacitaci\u00f3n e inferencia de modelos. Este crecimiento acelerado ha aumentado la adopci\u00f3n de flujos de trabajo de AI en el procesamiento previo, la capacitaci\u00f3n, las pruebas, el ajuste y la implementaci\u00f3n, cada uno de los cuales se beneficia de GPU m\u00e1s potentes y conjuntos de datos multimodales m\u00e1s grandes.\u00a0<\/p>\n\n\n\n

Esta expansi\u00f3n tambi\u00e9n introdujo nuevos desaf\u00edos de infraestructura. La escalabilidad del almacenamiento heredado, el control, la administraci\u00f3n y las limitaciones de rendimiento de metadatos a escala est\u00e1n creando cuellos de botella y dificultando la utilizaci\u00f3n total de infraestructuras costosas orientadas a GPU y ralentizando el progreso y la innovaci\u00f3n. Esto afecta en gran medida las presiones financieras agresivas del ROI de la AI: cualquier infraestructura dedicada a ella debe ejecutarse 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. El tiempo perdido es dinero perdido.<\/strong><\/p>\n\n\n\n

Los desaf\u00edos comerciales se amplifican con flujos de trabajo de AI a gran escala<\/strong><\/h2>\n\n\n\n

Este desaf\u00edo comercial de las GPU inactivas que equivale a tiempo y dinero perdidos se amplifica exponencialmente a escala, por ejemplo, proveedores de nube de GPU y laboratorios de AI, 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 administran la mayor\u00eda de las operaciones de centros de datos en las instalaciones\/internas. Un blog que publicamos el a\u00f1o pasado<\/a> ofreci\u00f3 informaci\u00f3n sobre c\u00f3mo piensan los proveedores de servicios y c\u00f3mo la automatizaci\u00f3n y la estandarizaci\u00f3n brutal son fundamentales para sus operaciones. En segundo lugar, los proveedores de servicios se suscriben al principio central de evitar que los<\/em> recursos funcionen inactivos. Para ellos, las GPU inactivas en cualquier modelo de AI son una oportunidad de p\u00e9rdida de ingresos; las ineficiencias de almacenamiento en su nivel de operaciones pueden ser perjudiciales.<\/p>\n\n\n\n

Las arquitecturas de almacenamiento tradicionales de alto rendimiento se han construido en sistemas de archivos paralelos y se dise\u00f1aron y optimizaron para entornos tradicionales de computaci\u00f3n de alto rendimiento (HPC, High Performance Computing). Las cargas de trabajo de HPC son predecibles, por lo que los sistemas de almacenamiento paralelos podr\u00edan optimizarse para escalar el rendimiento espec\u00edfico. Los flujos de trabajo y modelos basados en AI a gran escala son diferentes de los HPC tradicionales porque son m\u00e1s complejos, e implican muchos m\u00e1s par\u00e1metros que tambi\u00e9n son multimodales, incluidos archivos de texto, im\u00e1genes, videos y m\u00e1s, todos los cuales deben ser procesados simult\u00e1neamente por decenas de miles de GPU. Estas nuevas din\u00e1micas est\u00e1n demostrando r\u00e1pidamente c\u00f3mo los enfoques de almacenamiento tradicionales basados en HPC tienen dificultades para desempe\u00f1arse a mayor escala. M\u00e1s espec\u00edficamente, el rendimiento de los sistemas de almacenamiento paralelo tradicionales se vuelve contencioso con el servicio de metadatos y datos asociados desde el mismo plano del controlador de almacenamiento.<\/p>\n\n\n\n

Este cuello de botella emergente requiere un nuevo pensamiento para la administraci\u00f3n de metadatos y las optimizaciones del acceso a datos para administrar de manera eficiente diversos tipos de datos y una alta concurrencia de cargas de trabajo de AI a escala del proveedor de servicios.<\/p>\n\n\n\n

Requisitos de escalabilidad de almacenamiento extremo con la evoluci\u00f3n de la carga de trabajo de AI <\/strong><\/h2>\n\n\n\n

A medida que aumentan los vol\u00famenes de datos, la administraci\u00f3n de metadatos se convierte en un cuello de botella cr\u00edtico. El almacenamiento heredado tiene dificultades para escalar los metadatos de manera eficiente, lo que lleva a la latencia y la degradaci\u00f3n del rendimiento, especialmente para las cargas de trabajo de AI y HPC que exigen un paralelismo extremo. Las arquitecturas tradicionales, dise\u00f1adas para el acceso secuencial, no pueden seguir el ritmo. A menudo sufren de rigidez y complejidad, lo que limita la escalabilidad. Superar estos desaf\u00edos requiere 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 evoluciona la oportunidad de AI y HPC, los desaf\u00edos solo se agravan.<\/p>\n\n\n\n

\"Evolución<\/figure>\n\n\n\n

El n\u00facleo de metadatos comprobado disponible en FlashBlade\/\/S ha ayudado a los clientes empresariales a abordar los exigentes requisitos de capacitaci\u00f3n, calibraci\u00f3n e inferencia de AI al superar los desaf\u00edos de los metadatos, como los siguientes:<\/p>\n\n\n\n