כשארגון מתחיל לדבר על AI, השיחה בדרך כלל קופצת מהר למודלים, כלים, Use Cases ופלטפורמות. אלה נושאים חשובים, אבל הם לא תמיד צוואר הבקבוק הראשון.
בלא מעט מקרים, הבעיה מופיעה נמוך יותר: בשכבת הדאטה. איפה המידע נמצא, באיזה קצב אפשר לגשת אליו, איך מנהלים קיבולת, כמה מורכבת הסביבה, ומה קורה כשכמה עומסי עבודה כבדים רצים במקביל.
AI לא עובד באוויר. גם אנליטיקה, בסיסי נתונים, אפליקציות עסקיות וסביבות פיתוח נשענים על תשתית מידע. אם השכבה הזו איטית, מפוצלת או קשה לניהול, גם יוזמה מתקדמת מאוד תיתקל בתקרה תשתיתית.
אני רואה את זה בארגונים שרוצים להתקדם מהר. יש רצון להפיק יותר ערך מהמידע, להוסיף יכולות AI, לחבר תהליכים ולתת לצוותים יותר עצמאות. ואז מסתכלים על התשתית ומגלים מערכות שונות, עומסי עבודה מגוונים, נפחי מידע שגדלים מהר וצוותי IT שנדרשים לתמוך בהכול עם אותם משאבים.
במצב כזה, אחסון ארגוני הוא פחות שאלה של נפח ויותר של מוכנות: האם התשתית יכולה לתמוך בעומסים משתנים, בגידול מהיר בדאטה, בדרישות Latency נמוך, בסביבות Hybrid ובצורך לנהל הכול בלי להוסיף מורכבות בכל שכבה.
IBM FlashSystem רלוונטי בדיוק לדיון הזה. לא רק כמערך All Flash, אלא כבסיס לתשתית מידע שמשרתת עומסים שונים ומאפשרת לארגון לעבוד עם דאטה בצורה יציבה וגמישה יותר.
בעבר, תשתיות אחסון תוכננו סביב דפוסים צפויים יחסית: מערכת ליבה, בסיס נתונים, סביבה וירטואלית, גידול שנתי ידוע. היום התמונה פחות יציבה. פרויקט AI יכול להקפיץ צריכת דאטה. מערכת Analytics יכולה להפוך לכלי קריטי. סביבת On Prem עדיין צריכה לעבוד לצד ענן. הכול צריך לזוז בלי לשבור את הייצור.
לכן מה שמשנה זה לא רק כמה קיבולת מוסיפים. אלא איך מוסיפים קיבולת בלי להכפיל מורכבות. הרבה ארגונים פותרים גידול בדאטה באמצעות עוד מערך, עוד כלי ועוד סביבת ניהול. בטווח הקצר זה עובד. בטווח הארוך זה יוצר פיצול, עלויות תפעוליות וקושי להבין מה באמת קורה.
כאן נכנס הערך של קונסולידציה, Storage Virtualization וניהול חכם. כשאפשר לאחד עומסים, לראות מגמות קיבולת וביצועים, ולנהל את הסביבה בצורה עקבית יותר, צוותי התשתיות מקבלים יותר שליטה ופחות רעש תפעולי.
גם השילוב של AI בניהול האחסון עצמו משנה את הדינמיקה. לא במובן של “האחסון מנהל את עצמו”, אלא במובן של מערכת שמספקת יותר הקשר: מה קורה עכשיו, מה עלול להפוך לבעיה, איזו מגמה מתפתחת, ומה כדאי לבדוק לפני שמקבלים החלטה.
עבור צוותי תשתיות, זה משמעותי. חלק גדול מהעבודה היומיומית הוא לא רק להקים מערך, אלא לנהל חריגות, עומסים, קיבולת, התראות, תחזוקה ושינויים. אם המערכת יכולה לעזור לסנן רעש ולהצביע על מה שדורש תשומת לב מקצועית, היא משחררת זמן לדברים החשובים באמת: תכנון, ביצועים, זמינות וארכיטקטורה.
בארגונים ישראליים רבים זה מורגש במיוחד. הדרישות העסקיות מהירות, צוותי התשתיות עמוסים, ויש צורך לתמוך גם במערכות Legacy וגם ביוזמות חדשות. תשתית דאטה שלא תוכננה לצמיחה הופכת מהר מאוד למגבלה עסקית.
לכן אני מעדיף להסתכל על FlashSystem דרך שאלות תפעוליות: האם אפשר לתמוך במערכות קיימות וביוזמות חדשות על אותה תשתית? האם יש נראות טובה מספיק על ביצועים וקיבולת? האם הצוות יכול לזהות צווארי בקבוק לפני שהמשתמשים מרגישים אותם? האם אפשר לגדול בלי שכל פרויקט חדש ידרוש ארכיטקטורה נפרדת?
FlashSystem לא הופך ארגון למוכן ל-AI ביום אחד. הוא גם לא מחליף Data Governance, אסטרטגיית מידע או תכנון אפליקטיבי. אבל הוא יכול להיות שכבת בסיס חשובה בארגונים שבהם הדאטה הקריטי עדיין יושב בליבה התפעולית, בסביבות On Prem או Hybrid, וצריך לקבל ביצועים, זמינות וניהול ברמה גבוהה.
לפני שמדברים על AI Readiness, כדאי לבדוק את Data Infrastructure Readiness. כי בסוף, המודלים יכולים להיות מתקדמים וה-Use Case יכול להיות נכון, אבל אם שכבת הדאטה לא עומדת בקצב, החדשנות תיעצר במקום הכי פחות נוח: בתשתית.