در دنیای امروز، پرسش اصلی این نیست که آیا باید از زیرساخت ابری یا محلی استفاده کرد؟ بلکه سوال اساسیتر این است: چگونه میتوان کنترل را بدون قربانی کردن هزینه، مقیاسپذیری و نوآوری به دست آورد؟ شرکتهایی که در حال پیشرفت هستند، متوجه شدهاند که تا پنج برابر بازگشت سرمایه (ROI) کسب میکنند؛ چراکه آنها زیرساختهای حاکمتی و آماده هوش مصنوعی را ایجاد کردهاند که دادهها، مدیریت و کنترل عملیاتی را یکپارچه میسازند. جالب اینجاست که ۴۲ درصد از این شرکتهای پیشرو از ترکیبی از زیرساختهای ابری و محلی استفاده میکنند.
در نگاه نخست، اقتصاد مصرفی ابر به منظور دموکراتیکسازی تحلیل دادهها طراحی شده بود. اما در عمل، صنایع جدیدی را برای مدیریت متر نویسی ایجاد کرده است. با پلتفرمهای داده مبتنی بر SaaS، هر پرس و جو، افزایش ناگهانی بار کاری و آموزش مدل به یک ردیف هزینه تبدیل میشود. این یک تناقض آشکار است: در عصری که کنجکاوی باید به مزیت رقابتی منجر شود، تحلیل دادهها مانند قبض آب و برق رفتار میکند.
به همین دلیل، شرکتهای پیشرو در حال انتقال به مدلهای مبتنی بر ظرفیت هستند؛ جایی که هزینه با قدرت محاسباتی موجود مرتبط است و نه تعداد دفعات استفاده از آن. این رویکرد، تحلیل عمیقتر را تشویق میکند، آموزش هوش مصنوعی و بررسی ویژگیها را پشتیبانی کرده و مالیاتِ پرسیدن بیشتر از دادهها را کاهش میدهد.
معمولاً این بدان معناست که باید به پلتفرمهای باز و مقیاسپذیر افقی (horizontally scalable) روی آورد که با استفاده از موازیسازی، عملکرد را ارائه میدهند و نه قیمتگذاری مبتنی بر پرس و جو. جذب داده در زمان واقعی و ذخیرهسازی ترکیبی (hybrid storage) همچنین نیاز به مدیریت پرهزینهی خطوط لولهی ETL (استخراج، تبدیل، بارگیری) و ذخیره دادههای تکراری را کاهش میدهد.
EDB Postgres® AI (EDB PG AI)، با رویکرد اولویتبندی ظرفیت خود و محیط انبارهای دادهی باز WarehousePG، به خوبی از این موضوع پیروی میکند. WarehousePG با مقیاسپذیری MPP، ذخیرهسازی ترکیبی از طریق PXF و قیمتگذاری قابل پیشبینی بر اساس هسته، به تیمها آزادی عمل برای کشف و تکرار بدون نگرانی در مورد هزینههای مبتنی بر مصرف را میدهد.
نکته مهم اینجاست که با گسترش هوش مصنوعی، محدودیتهای معماریهای پراکنده آشکار میشوند. سیستم BI (هوش تجاری) در یک مکان، ML (یادگیری ماشین) در جای دیگر، جستجوی برداری در مکانی دیگر و دادههای بیدرنگ در خط لولهی جداگانه قرار میگیرند. هر انتقال هزینه و تأخیر را به همراه دارد – شرکتها برای جابهجایی داده بیشتر از آنچه که یاد میگیرند، پول خرج میکنند. و از آنجا که ساخت خطوط لوله زمانبر است و نیاز به افراد (یا عاملان) برای مدیریت دارند، مدلها و داشبوردها اغلب بر اساس سیگنالهای قدیمی عمل کرده و زمان رسیدن هوش مصنوعی به ارزش را کاهش میدهند.
به عنوان مثال، Kyobo Book Center، بزرگترین زنجیره کتابفروشی در کره جنوبی، به دنبال راهی برای فرار از هزینههای محاسباتی غیرقابل پیشبینی و رو به افزایش در انبارهای داده ابری خود با حجم ۵۰ ترابایت بود. آنها WarehousePG را برای ایجاد کنترل بر هزینه، دستیابی به عملکرد بهتر و رعایت الزامات سختگیرانه اقامت داده (data residency) پذیرفتند.
«ما همواره از هزینههای سرکش برای پرسوجو در انبارهای داده ابری خود با حجم ۵۰ ترابایت رنج بردهایم. EDB Postgres AI for WarehousePG به ما راهی را نشان میدهد تا هزینهها را تحت کنترل قرار دهیم و عملکردی عالی داشته باشیم – و این کار را با حاکمیت کامل داده انجام میدهیم.»
هزار روز آینده تعیینکنندهی انتخاب بین ابر یا محلی نخواهد بود؛ بلکه به دنبال چگونگی ایجاد معماریهایی خواهیم بود که انعطافپذیر باشند تا هر بار کاری را در بهترین مکان، با کمترین هزینه و با بیشترین انطباق اجرا کنند.
یک استراتژی حاکمیت داده، انبارهای شما را جایگزین نمیکند؛ بلکه آنها را آزاد میکند. و پلتفرمهایی مانند EDB Postgres AI for WarehousePG منعکسکنندهی الگویی هستند که در حال ظهور در میان شرکتهای با عملکرد بالا مشاهده میشود: بازگرداندن انعطافپذیری، کاهش وابستگی و اجرای هوش مصنوعی در هر جایی که گرانشی – و حاکمیت – تقاضا میکند.
📌 توجه: این مطلب از منابع بینالمللی ترجمه و بازنویسی شده است.