Det funkar inte längre med olika lagringslösningar för olika typer av dataanalys.
För att dra nytta av de analysmöjligheter som finns i dag krävs en enhetlig lagringsarkitektur som hanterar alla olika lösningar, skriver Fredrik Arveskär, Nordenchef på Infinidat.
Dataanalys, eller beslutsstöd och rapportering som det i praktiken oftast handlat om, har i de flesta fall byggt på satsvis bearbetning (batch). Det har påverkat hur arkitekturer för datalagring utformats. Det har inneburit avgränsade och specialiserade lösningar för specifika analysändamål, avsedda för lagring av specifika typer av data.
Den här strategin fungerar helt enkelt inte för företag och organisationer som vill dra nytta av moderna lösningar för dataanalys, maskininlärning och andra metoder för att få ut värde av data. Det krävs en lagringsarkitektur som klarar av olika typer av data, och som ger åtkomst till data på alla tänkbara sätt, från satsvis bearbetning, till strömmande data. Och det måste gå att blanda olika typer av data och åtkomstmetoder på flexibla sätt.
Det här låter kanske abstrakt. Vad handlar det om, mer konkret? Bland annat följande saker:
- En arkitektur som kontinuerligt kan tillhandahålla fördröjningar (latency) som ligger under en millisekund. Och det ska göras för konsoliderade datamängder på flera petabyte som används för AI och maskininlärning.
- Arkitekturen ska vara stabil och stryktålig och bjuda på redundans och återläsning av data i bakgrunden.
- Det krävs snabba anslutningar, som fiberoptiska och NVMe over Fabrics, så att inte goda prestanda för datahantering tillintetgörs i sega nätverk.
- Det som tidigare varit olika lösningar för att tillhandahålla olika nivåer av prestanda och varierad snabbhet för åtkomst (allt från arkiv till online) behöver sammanföras i en enda plattform på ett kostnadseffektivt sätt.
- Alla lagrade data måste kunna nås via alla knytpunkter, läs servrar, i arkitekturen, utan att det behövs åtkomst till externa lagringslösningar. Och det behövs redundans för knytpunkterna.
Det är inga små krav. För ett företag som har en traditionell lagringsarkitektur innebär det stora förändringar för att uppfylla kraven. Är det värt det? Vad får man för besväret?
Ur ett tekniskt perspektiv får man möjligheten att dra nytta av moderna lösningar för dataanalys. Ur ett affärsperspektiv får man goda möjligheter att få ut värde av data, både för existerande och nya affärsmodeller. Ur ett ledningsperspektiv får man bättre beslutsunderlag, snabbare.
Fredrik Arveskär, Nordenchef, Infinidat
Kanske allra mest intressant är det mer luddiga ”innovationsperspektivet”. När tekniklösningar inte längre utgör hinder för att tänka ut nya analysmodeller är chansen stor att kreativiteten exploderar vad gäller dataanalys. Om analytiker slipper börja med att begränsa sina idéer på grund av brister i arkitekturer för att hantera data kommer idéerna att flöda snabbare och friare.
Teknik är inget självändamål. Men flexibla tekniklösningar eliminerar bromsklossarna vad gäller dataanalys.
Till sist, vad utmärker en modern lagringsarkitektur för dataanalys ur ett tekniskt perspektiv? Det finns så klart olika ansatser, men det finns tre fundament som inte går att komma runt:
- Arkitekturen behöver vara mjukvarudefinierad i högsta möjliga grad.
- Maskininlärning, AI och automatisering behövs för den interna funktionaliteten.
- Det gäller att använda rätt hårdvara, som mekaniska hårddiskar och flashdiskar, på rätt ställen i arkitekturen.
Om lagringslösningen på ett företag inte uppfyller de här kraven kommer det att bli besvärligt att skapa bästa möjliga lösningar för dataanalys.
/ Fredrik Arveskär, Nordenchef, Infinidat
