Nachhaltige Datenspeicherung: einfacher gesagt als getan
Viele Unternehmen suchen nach Möglichkeiten, ihre Daten nachhaltiger zu speichern. Doch das ist einfacher gesagt als getan, denn die nachhaltige Datenspeicherung ist äußerst komplex. Der Hauptgrund dieser Komplexität ist die fast unvorstellbare Menge neu generierter Daten. Der größte Anteil daran, rund 90 Prozent, sind unstrukturierte Daten. Darüber hinaus haben Unternehmen so gut wie jedes Bit ihrer jemals entstanden Daten gespeichert und ihre Speicherinfrastruktur dafür kontinuierlich angepasst. Entsprechend ist die Speicherinfrastruktur in den meisten Unternehmen ein wahrer Flickenteppich verschiedenster Speichergenerationen, Hardwareanbieter und Speichertechnologien, der immer vernetzter und komplexer geworden ist.
Das Management unstrukturierter Daten hat viele Variablen
Viele dieser heterogenen Speicherinfrastrukturen sind über Jahrzehnte gewachsen. Zu den oft zahlreichen physischen Speichern im Rechenzentrum kommen oft mehrere Datenspeicher für zahlreiche Anwendungsfälle in unterschiedlichen Clouds. Solche Speicherumgebungen sind weit verbreitet und die betreibenden Organisationen stehen kontinuierlich vor der Aufgabe, die ideale Mischung ihres Speicherbedarfs zu finden. Dabei spielte Nachhaltigkeit bisher oft eine untergeordnete Rolle. Vielmehr kam es in den meisten Organisationen darauf an, den Nutzern der Daten die richtigen Daten, am richtigen Ort, zur richtigen Zeit verfügbar zu machen. Und das gilt auch weiterhin. Nachhaltigkeit ist nun jedoch eine weitere wichtige Variable, die in die Gleichung dieses „Sweet Spot“ einbezogen werden muss.
Datenverfügbarkeit wird immer wichtiger
Viele dieser Daten sind heute in einer Vielzahl von Anwendungsfällen geschäftskritisch, etwa beim Training von KI-Modellen. Das bedeutet, dass die Daten nicht einfach wie früher in ein günstiges Archiv verschoben werden können, sondern nutzbar bleiben müssen. Infolgedessen hat sich ein neues Paradigma herausgebildet, bei dem Daten kontinuierlich zwischen Systemen ausgetauscht werden müssen, um den Geschäftsbetrieb aufrechtzuerhalten. So können beispielsweise die Trainingsdaten eines KI-Modells nicht wie früher einfach tief in ein Langzeit-Archiv verschoben werden, von wo es lange Zeit dauert, die Daten wieder auf einen aktiven Primärspeicher zu verschieben. Entwickler verlangen, dass die Daten im Prinzip immer verfügbar sein müssen, um das Modell weiter zu trainieren, zu verbessern und mit neuen Funktionen zu versehen. Diese neuen Herausforderungen verlangen ein deutlich dynamischeres Management unstrukturierter Daten, als es bisher der Fall war.
