評估您的AI時代
儲存佈局

第一部分：資料引力

您如何掌握資料在AI系統中產生與使用位置？

大多數資料被搬移到主要雲端或以運算為核心的新型雲端。 部分資料類型會考量位置，但AI/ML活動通常仍集中處理。 儲存與運算會根據資料產生的位置、資料價值，以及跨環境的存取時間來進行調整。

資料引力如何影響您的基礎架構決策？

基礎架構決策主要由標準化、成本或過往模式驅動。 在部分專案中有納入考量，但尚未一致地納入架構決策。 資料引力是核心設計原則，主導我們如何規劃儲存、運算與資料管道。

您的策略能隨著資料引力的增加而擴展嗎？

隨著資料量增加，我們的策略變得越來越難以擴展。 我們可以在受控環境中擴展，但邊緣與分散式資料來源帶來了阻力。 我們的策略設計能隨資料引力擴展，可支援分散式、大量資料，同時不犧牲靈活性或成效。

第二部分：資料可用性

您如何為AI與智慧決策排定資料可用性的優先順序？

資料可用性主要以降低保存成本為優先。 成本與可用性在重點工作負載中取得平衡，但跨資料集的存取尚未一致優化。 資料取得時間是關鍵考量，確保能快速存取即時與長期的脈絡資料。

您的儲存分層方式如何因應AI工作來進行？

傳統熱資料/冷資料分層，以降低保存成本為主。 超越基本分層，針對活躍資料集進行選擇性優化。 具備「代理人感知分層」，優先考量資料檢索、連續性與長期脈絡保存。

您能在不影響AI效能的前提下，將資料放在最具效益的儲存層嗎？

架構限制迫使我們將大部分AI資料放在昂貴的高效能儲存層。 部分資料會放在容量優化的儲存層，但資料搬移與存取限制，影響它們在活躍工作負載中的使用。 我們的架構支援跨層的高吞吐量、並行資料搬移，且不犧牲效能或擴展性。

第三部分：基礎設施組合與密度

您如何擴充儲存容量？

透過增加機櫃、硬體或設施空間。 結合空間擴增與逐步提升密度。 以密度為優先設計，在既有電力與空間預算內提升容量。

您如何優化儲存的投資報酬率？

依據基本指標，如儲存容量與使用率。 加入容量指標，也納入不同工作負載與環境下每TB的成本與效能。 採用進階指標，包括成本效率、電力效率，以及AI/ML驅動的業務績效提升。

您如何看待儲存密度？

主要是工程或硬體層面的優化。 對於效率很重要，但不是主要的規劃因素。 是直接影響AI創造價值與長期經濟效益的策略規劃槓桿。

第四部分：容量規劃期程

您會提前多久規劃儲存容量？

依每季度或年度預算進行規劃。 做12–24個月預測，並大致連結至業務計畫。 進行3年以上的規劃，並與AI發展、資料成長與商業策略緊密結合。

通常是什麼情況觸發儲存設備的採購？

系統接近容量上限，或出現突發性的容量短缺。 受近期使用率預測的成長需求。 針對高價值資料集、資料擴張與AI工作負載建立需求模型。

您對AI儲存需求的預測有多準確？

AI工作負載難以預測，且未納入容量規劃中。 部分AI工作負載有納入，但預測不一致或偏短期。 AI工作負載成長已納入多年期容量規劃模型。