Dell, tek ad alanlı yapay zeka depolama mimarilerinin, kurumsal dağıtılmış veri çekimi gerçeklikleriyle çatıştığını ve GPU'ların, adreslenmemiş mimari sınırlamalar nedeniyle veri beklemeyi durdurmaya zorlandığını ileri sürüyor.
Özünde temel bir seçim yatıyor: Veriler bilgi işlem platformuna mı gitmeli yoksa platform, verilerin bulunduğu yere mi gitmeli? Dell'in Rekabet İstihbaratı Kıdemli Direktörü Jon Hyde, üç blog gönderisinde merkezi depolamayla entegre yığınlar üzerinden birleşik yapay zeka veri platformlarının önemini vurguluyor.
Hyde, ilk gönderisinde devasa veri kümelerinin, onları orijinal konumlarına (temel veri merkezleri, uç siteler, egemen uyumluluk bölgeleri, SaaS ortamları, veri ambarları ve iş biriminin sahip olduğu nesne depoları) kilitleyen doğal veri çekimi taşıdığını savunuyor. Kurumsal yapay zekanın en basit kuralı olarak adlandırılan tezi, verilerin geldiği yerde kalacağını ve çoğunun yerinin asla değişmeyeceğini belirtiyor.
Çok sayıda kurumsal BT sorunu, temiz birleştirilmiş veri mimarilerini engeller: düzenleme ve egemenlik kuralları, uygulama kilitlenmesi, rakip veri sahipliği, sözleşme ve maliyet engelleri, birleşme ve satın alma verilerinin parçalanması, uyumlulukla kilitlenmiş arşivler, kataloglanmamış bilinmeyen veriler ve dahili organizasyonel silolar.
Verileri üç farklı biçimde sınıflandırır:
- Ham veriler (ağır sıklet): Dosyalar, kayıtlar, görüntüler, video, telemetri, düzenlenmiş tablolar. Somut operasyonel nedenlerden dolayı yerinde kalan, hantal, yavaş ve taşınması maliyetli.
- Meta veriler (açıklayıcı katman): Etiketler, köken, şemalar, sınıflandırmalar, sahiplik işaretleri. Hafiftir ve çoğaltılması ucuzdur; fiziksel veri hareketi olmadan tüm varlıkların yapay zeka tarafından görülebilmesini sağlar.
- Vektörler (anlamsal gösterim): Yapay zeka tarafından oluşturulan matematiksel yerleştirmeler, yerelliğe duyarlı ve GPU uyumlu. Temel ham verileri aktarmadan bağlamsal anlamı ortamlar arasında iletirler.
Hyde, yapay zekanın ham veri hareketini gerektirmediğini, yalnızca erişilebilir meta veriler ve vektörler gerektirdiğini belirtiyor. Bir meta veri kataloğu, yapay zeka iş yükleri için tam sistemlerarası varlık görünürlüğü sağlarken, vektör dizinleri ortamlar arası anlamsal akıl yürütmeyi güçlendirir. Kısıtlı, sahip olunan, gecikmeye duyarlı ağır ham veriler, mevcut operasyonel ekipleri tarafından yönetilmeye devam eder. Vektörler yerellik hassasiyeti ve GPU yakınlığı özelliğine sahiptir: ya ham veriler vektörleştirme uç noktalarına taşınır ya da vektörler GPU'ya bitişik altyapıya geçmeden önce veriler yerel olarak gömülür. Bu çerçeve onun tüm argümanını desteklemektedir.
Doğası gereği dağıtılmış kurumsal veriler, yapay zeka veri katmanı tasarımını iki karşıt felsefeye ayırır:
- Depolamayla entegre yığınlar (VAST AI OS ile örneklenmiştir): Satıcı tarafından kontrol edilen birleştirilmiş bir ad alanı içinde büyük veri kümelerinin merkezileştirilmesi ve kolaylaştırılmış operasyonlar için gömülü AI hizmetlerinin sıkı bir şekilde birleştirilmesi üzerine oluşturulmuştur. Bu model, konsolidasyonu haklı çıkarmak için verilerin platforma taşınacağını varsayar ve yeşil alan yapay zeka dağıtımları için iyi çalışır.
- Birleşik yapay zeka veri platformları (Dell'in çerçevesi): Kurumsal verilerin kalıcı olarak dağıtıldığı varsayımı etrafında tasarlanmıştır ve platformun, verilerin yerel konumlarıyla birlikte çalışmasını gerektirir. Dell'in Yapay Zeka Veri Platformu, dosya sistemleri, nesne depolama, depolar, SaaS araçları ve genel bulutlar genelindeki verilere erişmek ve bunları işlemek için PowerScale ve ObjectScale'i birleştirilmiş bir kontrol düzlemiyle birleştirir; zorunlu merkezi veri kopyalarına gerek yoktur. Ham verileri, meta verileri ve vektörleri ayrı birinci sınıf varlıklar olarak ele alır, üçünü de tutarlı bir şekilde yönetir ve ağır ham veriler yerinde kalırken değer sağlamak için hafif meta verilerden ve vektörlerden yararlanır.
Hyde'ın ikinci blogu, dağıtılmış kurumsal veri gerçeklerini göz ardı ettiği için VAST AI OS gibi depolamayla entegre mimarileri eleştiriyor. Bu yığınlar katı bir temel üzerinde çalışır: Tüm yapay zeka işlemleri yalnızca kendi özel ad alanlarına alınan veriler üzerinde çalışır ve harici verileri platform için görünmez hale getirir. Satıcılar, demolar sırasında geçiş araçları, operasyonel basitleştirici olarak pazar birleştirme ve parçalanmış gerçek dünya veri manzaralarını maskeleyen birleşik kullanıcı arayüzleri sağlıyor.
Ham verileri, meta verileri ve vektörleri tek bir yekpare kategoride toplayan mimariler, toplu veri geçişinin kusurlu zorunluluğunu varsayar. Üç katmanı farklılaştıran çerçeveler, düzenlenmiş ağır verileri yerel olarak yönetilmeye bırakır, meta verileri kuruluş çapında çoğaltır ve ortamlar arası yapay zeka muhakemesi için vektörleri kullanır. Birleşik bir ad alanı yalnızca ham verilerin dikkate alınan tek varlık olması durumunda çalışır; meta veriler ve vektörler bağımsız temel bileşenler olarak tanındığında etkisiz hale gelir.
Dell'in birleşik mimarisi üç temel ilkeye göre çalışır:
- Ham veriler mevcut yönetim ekipleri altında yerel konumunda kalır
- Meta veriler küresel olarak çoğaltılarak tüm AI iş yüklerine tam konumlar arası varlık görünürlüğü sağlar
- Vektörler, ortam genelinde anlamsal bağlam taşıyarak ham verinin yerini değiştirmeden yapay zeka muhakemesini mümkün kılar
Hyde'ın üçüncü gönderisi, Dell'in birleşik tasarımının, verileri GPU'lara besleme konusunda VAST'ın depolama entegre yığınından daha iyi performans gösterdiğini kanıtlıyor. Dell, dahili Dell karşılaştırmalarından ve genel VAST açıklamalarından yararlanarak, Qwen3-32B modelini kullanarak vektör KV önbellek boşaltma iş yükleri üzerinde Ekim 2025'te yan yana testler yayınladı:
- PowerScale: 0,82s İlk Token Süresi (TTFT)
- ObjectScale: 0,86s TTFT
- VAST: 1,5 sn TTFT
- KV önbellek boşaltması olmadan temel vLLM: 11,8 sn TTFT
Ham verileri yerçekimine bağlı ve taşınabilir anlamsal vektörleri taşınabilir katman olarak ele alan GPU dağıtımı etrafında oluşturulan mimarilerin, her çıkarım isteğinde Dell'in performans üstünlüğünü güçlendirdiğini belirtiyor. Ham verilerin özel bir ad alanına alınmasına dayalı tasarımlar, yapısal olarak doğal gecikmelere maruz kalır.
Hyde, VAST'ın güncellenmiş KV önbellek boşaltma sonuçlarını yayınladığını kabul ediyor; en önemlisi, yeniden hesaplamaya kıyasla ~20 kat daha hızlı TTFT ve %90 daha yüksek GPU verimliliğine atıfta bulunan Nvidia Dynamo ve CoreWeave ile yapılan Aralık 2025 karşılaştırmaları. Bununla birlikte, bu testler farklı iş yükleri ve temel çizgiler kullanıyor; eşleşen hiçbir Qwen3-32B, yayınlanan 1,5 saniyelik VAST TTFT rakamını bire bir geçemiyor.
İşletmeleri GPU hedefli veri mimarilerini seçerek kritik bir soruyu sormaya teşvik ediyor: "Bu platform, düzenlenmiş, egemen ve uygulama kilitli kaynaklar dahil karışık veri kümelerine karşı KV önbellek boşaltma ile gerçekçi çıkarım iş yüklerinde hangi GPU kullanımını sağlayacak?"
Bu sorgu, satıcıları temel yapısal ödünleşimleri ele almaya, veriler kendi ad alanlarına alınamadığında performans sınırlamalarını açıklamaya, tam metodolojiyle modern açık kaynak modellerinde tekrarlanabilir TTFT, saniye başına jeton ve önbellek isabet oranı ölçümlerini yayınlamaya ve temel mali kaygıya dürüstçe yanıt vermeye zorlar: Bu mimari ne kadar GPU boşta kalma süresi yaratıyor?
Yorum
Vektörleştirilmiş veri kümeleri, kaynak ham verilerini büyük ölçüde aşıyor. Gömmeler genellikle orijinal kaynak hacmini kayıt başına 3-20 kat veya daha fazla çarpar; metin yığını boyutuna, gömme boyutuna ve depolama formatlarına göre değişir. Kaynak veri kümeleri, üstün alma doğruluğu için önceden yerleştirilmiş ayrı parçalara (paragraflar, sabit belirteç pencereleri) bölünür. 250-500 kelimelik standart bir metin yığını kabaca 0,5-2 KB ham metne eşittir ve karşılık gelen vektörü genellikle 3-10 kat daha büyüktür.
Çözülmemiş temel soru: Vektörleştirme nerede gerçekleşir ve büyük boyutlu vektör veri kümeleri GPU'lardan uzakta oluşturulduysa yeniden konumlandırılır mı? Önemli hacimleri kendi veri çekimini yaratıyor. Ekipler ya ham verileri yerleşik altyapıya kaydırıyor ya da tam vektör kümelerini yapay zeka hesaplamasına taşıyarak her iki senaryoda da veri çekimiyle mücadele ediyor. Bu çelişkiyi daha fazla açıklama için Jon Hyde'a ilettik.
Pekin Qianxing Jietong Technology Co., Ltd.
Sandy Yang/Küresel Strateji Direktörü
WhatsApp / WeChat: +86 13426366826
E-posta: yangyd@qianxingdata.com
Web sitesi: www.qianxingdata.com/www.storagesserver.com
İş Odağı:
BİT Ürün Dağıtımı/Sistem Entegrasyonu ve Hizmetleri/Altyapı Çözümleri
20 yılı aşkın BT dağıtım deneyimimizle, güvenilir ürünler ve profesyonel hizmetler sunmak için önde gelen küresel markalarla ortaklık yapıyoruz.
“Akıllı Bir Dünya İnşa Etmek İçin Teknolojiyi Kullanmak”Güvenilir BİT Ürün Servis Sağlayıcınız!
Mesajınız 20-3.000 karakter arasında olmalıdır!
Turkish
