Data · 4 oktober 2026
Nieuwe architectuur voor opslag in AI-fabrieken gepresenteerd
NetApp heeft een nieuwe architectuur voor opslag gepresenteerd, genaamd NetApp Novus, die is ontworpen om infrastructuurbeperkingen in grote GPU-omgevingen en AI-fabrieken te overwinnen. De traditionele opslagarchitecturen zijn niet in staat om de vereiste prestaties en capaciteit te leveren die nodig zijn voor de verwerking van AI-toepassingen op grote schaal.
De presentatie vond plaats tijdens het NetApp Insight evenement in Las Vegas, waar het bedrijf verschillende technologische innovaties toonde. De nieuwe architectuur scheidt de metadata van de gegevensstromen, waardoor prestaties, capaciteit en concurrentie onafhankelijk kunnen schalen binnen een enkele namespace die is gebaseerd op het standaardprotocol NFS.
Volgens de schattingen van Gartner zal tegen het einde van dit jaar veertig procent van de enterprise-applicaties gespecialiseerde AI-agenten integreren. Dit is een aanzienlijke stijging ten opzichte van minder dan vijf procent in 2025, en verwachte autonome besluitvorming voor vijftien procent van de dagelijkse bedrijfsbeslissingen tegen 2028.
Echter, de huidige opslagoplossingen zijn vaak niet in staat om de snelheid en kwaliteit van gegevenslevering te waarborgen, wat leidt tot een verschijnsel dat bekend staat als GPU starvation, waarbij de daadwerkelijke GPU-gebruik vaak onder de dertig procent zakt.
NetApp benadrukt dat het noodzakelijk is om de investeringen in opslag en rekenkracht in evenwicht te brengen. Bedrijven moeten ervoor zorgen dat hun opslag in staat is om de benodigde doorvoersnelheid te leveren om GPU starvation te voorkomen, en moeten traditionele ETL-pijplijnen vermijden door een zero-copy model te omarmen. Dit stelt AI-agenten in staat om direct toegang te krijgen tot en gegevens te activeren aan de bron.
Daarnaast moeten bedrijven kiezen voor flexibele en schaalbare architecturen die metadata scheiden van gegevensstromen en gebruik maken van analytische engines om onnodige gegevens te identificeren, wat kan leiden tot een significante kostenefficiëntie en verbeterde datasetkwaliteit.