HPE introduceert nieuwe storage-opties binnen het Greenlake for File Storage-platform. Die moeten AI-workloads versnellen, maar tegelijkertijd ook energie-efficiënter maken.
HPE kondigt nieuwe verbeteringen voor GreenLake for File Storage aan. Deze updates omvatten de mogelijkheid om grootschalige AI- en data lake-workloads te ondersteunen en maken 100 procent high-density all-flash opties mogelijk. De verbeteringen zijn gericht op het bieden van hoge prestaties, gebruiksgemak en efficiëntie op het gebied van AI, waardoor organisaties hun ambities op het gebied van kunstmatige intelligentie kunnen realiseren.
Efficiëntie en prestaties
De nieuwe storage-opties bieden een vier keer grotere capaciteit en tot dubbele systeemprestaties per rack unit in vergelijking met de huidige versie van HPE GreenLake for File Storage. Dit resulteert in een driedubbele hogere doorvoer van data, maar ook een vermindering van het stroomverbruik tot 50 procent. Dankzij geavanceerde technologie, zoals controllers met dubbele rekenkracht en volledig NVMe storage-units, kunnen klanten hun workloads versnellen terwijl ze de kosten, het stroomverbruik, en de CO2-voetafdruk van datacenters verminderen.
Deze verbeteringen ondersteunen datawetenschappers, applicatiebeheerders en IT-medewerkers door het verbeteren van de productiviteit en het bieden van middelen om het stroomverbruik te verlagen. Met de nieuwste high-density storage racks verhoogt HPE GreenLake for File Storage zijn capaciteitsdichtheid.
Versnelling van AI-prestaties
De aanpassingen worden niet zomaar gemaakt. HPE wil het storageluik binnen GreenLake verder optimaliseren voor een trend die iedereen vandaag wil horen: AI. GreenLake for File Storage moet alle stadia van AI-workflows omvatten, van data-aggregatie en voorbereiding tot training, tuning en inferentie. De oplossing biedt langdurige, snelle prestaties die essentieel zijn voor de meest veeleisende AI-applicaties.
Bovendien maakt HPE GreenLake for File Storage gebruik van geavanceerde datareductietechnologieën om de efficiëntie te verhogen. Dit omvat opslagvriendelijke snapshots van bedrijfsgegevens, native replicatie en verbeterde datareductie. Deze technologieën stellen klanten in staat aanzienlijke besparingen te realiseren en AI-workloads te versnellen, wat leidt tot snellere modeltraining en -tuning.