Bukankah data lama hanyalah data besar dalam pakaian baru?
Inovasi AI mendorong pertumbuhan eksponensial dalam volume dan nilai data. Lebih khusus lagi, AI Generatif akhirnya mewujudkan apa yang dijanjikan oleh data besar – mengubah informasi menjadi kecerdasan yang dapat ditindaklanjuti.
Namun inilah perubahan sebenarnya, wawasan tersebut tidak hanya datang dari data kemarin. Mereka datang dari segala sesuatu yang pernah ditangkap oleh suatu organisasi. Setiap byte dapat menampung terobosan berikutnya.
Itu sebabnya perusahaan memikirkan kembali data sebagai aset strategis jangka panjang, bukan sesuatu yang harus dibuang. Data besar memberi Anda “saat ini”. Data historis memberi Anda “mengapa.” Bersama-sama, mereka mendorong kecerdasan.
Melyssa Banda adalah SVP Penyimpanan dan Layanan Edge di Seagate
Mengapa data lama begitu penting (AI, ML) dan di mana sebagian besar data tersebut berada? (pita? hard drive lama? kertas?)
AI tidak akan ada tanpa data, dan model yang paling kuat dibangun berdasarkan pola dalam jangka waktu tertentu. Data historis memberikan konteks AI, mengubah prediksi menjadi presisi dan ide menjadi inovasi.
Bayangkan saja, umat manusia selalu menyimpan informasi – mulai dari tablet tanah liat di Mesopotamia hingga kartu berlubang untuk Sensus AS. Perbedaannya saat ini adalah taruhannya lebih tinggi. AI berkembang pesat dalam hal volume dan keragaman. Lebih banyak data berarti hasil yang lebih baik, memberikan organisasi keunggulan kompetitif.
Mengenai lokasi data tersebut, sebagian besarnya, sekitar 87% dalam penerapan skala besar, disimpan di HDD. Beban kerja AI modern menuntut hard drive berkapasitas tinggi dan terukur yang dioptimalkan untuk menghasilkan throughput dan daya tahan yang berkelanjutan. Ini bukan lagi sekadar soal kecepatan, namun soal menangani volume besar, memastikan retensi jangka panjang, dan melakukannya dalam skala besar.
Mempertahankan data lama membutuhkan biaya. Apa yang bisa terjadi jika bisnis memutuskan untuk menghapus data lama sama sekali?
Menghapus data bukanlah penghematan biaya, melainkan menghapus nilai potensial. Setiap byte yang terhapus merupakan peluang yang terlewatkan untuk melatih model yang lebih baik dan membangun wawasan kepemilikan.
Dalam industri seperti keuangan, layanan kesehatan, dan manufaktur, data historis sangat penting untuk deteksi anomali, pemeliharaan prediktif, dan analisis tren. Tanpanya, AI menjadi kurang akurat, kurang transparan, dan kurang bisa dipercaya.
Ada juga aspek kepatuhan. Regulator semakin menuntut kemampuan audit dalam pengambilan keputusan AI. Jika Anda tidak dapat melacak data pelatihan Anda, Anda tidak dapat membuktikan akuntabilitas.
Menghapus data historis seperti menghapus memori institusional. Anda kehilangan bahan mentah untuk inovasi. Begitu hilang, nilainya pun hilang.
Bertahun-tahun yang lalu, pelanggan bertanya, “Mengapa kami menyimpan semua data ini?” Saat ini, mereka bertanya, “Mengapa kami menghapusnya? Bantu kami menyimpannya.”
Solusi apa yang dapat mengurangi OPEX penyimpanan data lama?
Tujuannya bukan hanya untuk menyimpan data dengan biaya murah, namun juga untuk menyimpannya dengan cerdas. Banyak organisasi beralih ke arsitektur penyimpanan berjenjang, di mana data yang sering diakses berada pada sistem berkinerja tinggi, sementara data lama atau yang jarang diakses berpindah ke tingkat yang hemat biaya.
Pendekatan ini memastikan bisnis tidak membayar untuk kinerja yang tidak mereka perlukan. Singkatnya, berbelanja dengan lebih cerdas, bukan hanya lebih murah.
Dalam pernyataannya, Anda/Seagate mengatakan organisasi harus memikirkan kembali manajemen siklus hidup data – namun dengan teknologi yang bergerak secepat saat ini, apakah hal tersebut benar-benar mungkin?
AI telah mendefinisikan ulang nilai data, yang berarti pengelolaan siklus hidup data tidak lagi berarti pengarsipan. Ini tentang membangun infrastruktur yang fleksibel dan terukur serta beradaptasi seiring berkembangnya beban kerja.
Model lama “simpan dan lupakan” tidak berfungsi lagi. Anggaplah data sebagai modal, data itu dinamis, begitu pula teknologi yang menggerakkannya. Organisasi yang memikirkan ulang manajemen siklus hidup saat ini tidak hanya mengikuti perkembangannya, namun juga membangun fondasi yang dapat disesuaikan dengan kebutuhan mereka.
