AI 專案停滯不前的原因

根據 Hitachi Vantara 的一份報告，隨著企業競相採用 AI，薄弱的資料基礎導致美加等地區有超過半數 (58%) 的組織無法實現價值，每年造成的全球 AI 投資浪費估計高達 1,080 億美元。原因很少是因爲模型不佳，或是缺乏雄心壯志。

AI 模型的運作極度仰賴互聯且持續穩定的資料流。然而，許多企業目前仍受限於各自獨立的系統、不一致的中繼資料標準以及老舊的基礎架構。即便持續在生成式 AI、機器學習和進階分析上投入龐大資金，多數組織依舊難以將 AI 試點項目轉化為可擴充的業務成果，核心原因在於底層的資料基礎還未升級完備，不足以支撐企業級規模的應用需求。

對於儲存管理員、雲端架構師來說，這個情境非常普遍：團隊被要求在分散碎片化的環境中導入、執行 AI，但這類環境最初並並非為了滿足 AI 等級的資料傳輸、治理或工作負載配置需求而設計。

各項研究皆證實了這項挑戰的嚴峻性。麥肯錫的資料顯示，只有少數組織能成功在企業內部全面擴充 AI 應用，而資料品質、治理和基礎架構依舊是導入時的主要障礙。Bain & Company 的研究也呼應相同觀點，強調 AI 的成效完全取決於可信、易於存取的資料，以及強大的資料策略。如未遵循此方針的組織，通常會面臨部署停滯、AI 輸出成果不可靠、營運複雜度攀升以及投資浪費等困境。

在仰賴區塊儲存空間的效能敏感型對績效要求較高的交易，與依賴檔案和物件儲存空間的 AI 生成資料管道兩者交會之處，應用程式現代化、AI 就緒將能發揮關鍵作用。

機會就在於：建立資料基礎，更能讓所有區塊、檔案和物件有效協作。

阻礙 AI 發展的六大資料現代化難題

1. 企業內部存在資料孤島，導致存取受限

AI 仰賴廣泛存取可信資料，但大多數組織仍在跨地端、雲端和邊緣的破碎環境中運作。現代化的難題在於：如何在不強制進行破壞性移轉或產生新孤島的情況下，連結孤立的區塊、檔案與物件環境。

透過資料互聯，AI 應用程式得以跨越舊有平台、雲端、應用程式和業務部門存取資訊，以便達成以下目標：

• 打破資料孤島。 具備 AI 就緒能力的組織，能夠連結地端 ERP、CRM、營運系統、分析平台、雲端儲存庫和邊緣環境的資料。
• 現代化資料管線。會透過 ETL、ELT、串流與即時資料管線，能有效進行資料的搬移和轉換，為 AI 和機器學習工作流程做好準備。
• 在混合環境中使用 API。透過 API 支援的整合，能有效連結跨地端系統、公有雲、SaaS 平台和分散式應用程式的資料。
• 建立統一資料層。透過資料網格、資料平台或統一資料層，有助於團隊一致地存取受治理的資料，無需手動串接斷線的來源。

2. 效能需求已有所改變

具備高擴充性的基礎架構，能為 AI 工作負載提供必要的儲存空間、運算、效能和彈性，以期滿足大規模處理企業資料的需求。若舊版基礎架構無法支援巨量資料、高吞吐量管道、混合雲營運，或是 GPU 加速工作負載，便可能阻礙 AI 就緒的進展。

AI 工作負載需要更高的吞吐量、更低的延遲，以及處理持續成長的非結構化資料能力。

有別於傳統的企業應用程式，AI 管道通常整合跨許多環境的訓練資料、推論、分析和檢索。儘管針對區塊架構交易資料庫優化的工作負載對應用程式至關重要，但 AI 管道通常更仰賴檔案和物件儲存空間，藉此處理非結構化資料、訓練集、模型檢查點、檢索工作流程和大規模分析。

面臨的挑戰不僅止於擴充更多儲存空間，更在於如何根據效能、經濟效益和營運需求，精準評估各種工作負載和資料類型最合適的執行環境。因此，企業組織應確保資料基礎具備以下能力：

3. 資料治理和主權會延宕部署速度

資料治理泛指規範企業資料管理和運用的政策、所有權標準、存取控制及法遵實踐。隨著組織全面導入 AI，資料治理將變得更加困難，也日益重要。

在碎片化的環境中，攸關資料血緣（Data Lineage）、主權、安全性、存取控制與法務遵循的議題變得越來越棘手。對許多企業組織而言，核心問題已不再是「我們能否存取這些資料？」，而是「這些資料真的應該移轉嗎？」。完善的治理機制能讓企業跨系統、跨團隊和混合環境擴充對可信資料的安全存取，使得企業資料得以對接 AI 應用。此外，架構現代化有助於提高資料來源、資料駐留地、存取控制及監管義務的一致性，讓團隊能在確保符合法遵的前提下，更有信心地加快推動速度。

為避免部署障礙，組織應確保：

• 分類並編目企業資料。.透過資料目錄、詮釋資料管理與分類政策，能協助使用者清楚掌握現有的資料資產、其儲存位置以及具體的使用方式。
• 透過可稽核性落實政策執行。AI 就緒的資料治理需要結合政策執行、資料血緣追蹤和稽核軌跡，以利企業組織能隨時舉證資料的存取和應用流程。

4. 營運複雜性衍生內部摩擦

過多的管理工具、脫節的工作流程與繁瑣的手動程序，都會拖慢團隊的步調。基礎架構團隊在引進 AI 的同時，需要更多時間專注於推動創新，而非耗費精力在維持複雜的系統運作。隨著 AI 計畫在混合環境中逐步擴展，營運的複雜度往往會隨行動數據流量的成長而同步激增。這導致 IT 團隊必須花費寶貴的時間，在各個孤立的工具之間進行協調、排解故障並處理日常雜務，因而無法全心投入能增加營收的創新專案。若能簡化營運流程並提升跨環境的可視性，將有助於減少多餘的摩擦，進而釋放資源，進行更高價值的核心作業。

5. 成本模型需要具備更高的彈性

AI 的現代化並不意味著必須將更多資料移轉至雲端。在許多情境中，成功的關鍵在於根據成本、治理和效能需求，彈性調配資料的存放位置、工作負載的執行環境。

高效能 AI 訓練或許值得搭載頂級基礎架構，但對於次要資料集、備份儲存庫或優先順序較低的分析工作負載，則可能更適合部署在其他環境。核心目標在於展現彈性，而非採用一體適用的通用模型。

6. 工作負載部署的挑戰

許多關於現代化的討論都聚焦在資料移轉。然而，為 AI 做好準備的現代化並非盲目移轉所有資產，而是要刻意部署工作負載。

儲存空間、雲端團隊正面臨日益嚴苛的挑戰難以取捨：

• 哪些工作負載基於效能，或是資料主權考量，應保留在地端部署？
• 可以將哪些資料移轉到雲端環境？
• 應在哪裡執行推論？
• 團隊該如何平衡成本、治理和彈性復原力？

AI 現代化需要在效能、治理、資料主權、經濟效益和營運簡便性之間取得平衡，通常會在過去從未設計來協作的環境中，執行這類作業。

基礎架構團隊的 AI 現代化風險矩陣

如果現代化聽起來充滿風險，那是因為確時如此。

儲存空間、雲端團隊將負責處理關鍵任務系統，任何停機、治理漏洞或效能問題，都將帶來實質的嚴重後果。然而，若因規避風險而抗拒現代化，同樣會產生新的危機，特別是當 AI 工作負載對基礎架構提出全新需求時更是如此。

最成功的企業會以務實的態度推動現代化，在移轉開始前，提早識別風險、化解阻礙。

現代化目標並非在第一天就近乎完美，而是想排除阻礙，建立一個能支援未來工作負載，包含 AI 在內的資料環境。

建構 AI 就緒的藍圖和資料基礎

建構 AI 就緒的資料基礎，並非只是單純勾選一系列的步驟清單，而是要強化一組相輔相成的核心能力。企業與其試圖一次解決所有挑戰，不如專注於那些能讓 AI 在組織內可靠擴充發展的基礎架構：

• 基礎穩定性：健全的資料基礎取決於跨系統的資料品質、治理和營運能見度。強化此能力表示會減少不一致性、建立受信任的所有權標準，可將中繼資料標準化，建構擴大企業級 AI 治理框架規模。投入以上基礎資料實踐的企業，在推廣 AI 計畫時，更能有效避免不可靠的 AI 輸出、法遵風險和分散式採用的亂象。
• 基礎架構彈性：AI 工作負載需要一個能隨之靈活調整的基礎架構層。此能力的核心在於混合雲環境的跨界整合、現代化舊有儲存系統、實現可擴展的資料存取，以及採用更具彈性的基礎架構消費模型。現代 AI 工作負載通常需要高效能儲存、加速運算，以及能支援大規模分散式資料處理的混合雲架構。技術合作夥伴關係，包括 Hitachi Vantara 與 NVIDIA 之間的合作，將有助於企業建構起專為支援 GPU 加速 AI 工作負載、分析、企業級資料營運而設計的基礎架構環境。
• 企業級營運：在各業務職能中實現 AI 營運化，表示可持續提高效能、治理、韌性和效率，而不單純只支援孤立的試點專案。這項能力會體現在對生產環境中 AI 工作負載的持續監控、優化、自動化和生命週期管理。隨著業務需求、資料環境不斷演進，若想維持大規模的營運，需要持續投資資料品質、治理、基礎架構現代化和營運一致性。

創新技術界功能最強大的人工智慧資料引擎

AI 的成功不只需要更好的模型，更取決於具備韌性、受治理的基礎架構，以便支援不斷演進的工作負載、效能需求和法遵要求。因此，AI 現代化的定義將不再取決於企業移轉多少資料，而在於在各環境中部署工作負載時的深思熟慮程度。

換句話說，若缺少強大的資料基礎，這兩者都無法實現。

透過 Hitachi Vantara 平台，包含涵蓋區塊、檔案、物件和軟體定義儲存空間的 VSP One 功能在內，企業可以實現資料基礎現代化，同時提升彈性、韌性、治理能力和營運簡便性。

深入了解 Hitachi Vantara 平台，以值得信賴的現代化資料為基礎，為您的 AI 未來注入動力。