wo sein datengesteuert ist zu einem Zeichen der Glaubwürdigkeit geworden. Unternehmen sprechen stolz über die Dashboards, KI-Strategien, Vorhersagemodelle und Automatisierung, die sie investiert und von denen sie profitiert haben. Wie Sie im Web erfahren, erhöht nahezu jedes Fortune-1000-Unternehmen seine Investitionen in Daten und KI, um agil und wettbewerbsfähig zu bleiben. Doch trotz des beispiellosen Zugriffs auf die Qualität und Quantität der Daten gelangt die überwiegende Mehrheit der Analyse- und KI-Initiativen nicht in die Produktion oder kann keine nachhaltige Wirkung erzielen.

Es werden Datenmodelle erstellt, Erkenntnisse geteilt, Decks applaudiert und dann stillschweigend vergessen, nur um zu (wie ich es gerne nenne) Trashboards zu werden.

In der heutigen Zeit, in der Maschinen unsere Entscheidungsfähigkeiten übernehmen, ist das Drawback nicht ein Mangel an Daten, Talenten oder Werkzeugen – es ist das menschlich dass wir anfangen zu vergessen, mit ihnen zu reden.

Hier ist Menschenzentrierte Datenanalyse wird nicht nur related, sondern wesentlich.

Was ist ein menschenzentrierter Ansatz?

Daten sind nichts anderes als die digitalen Spuren menschlicher Interaktionen. Ein menschenzentrierter Ansatz kann die täglichen Entscheidungen von Datenwissenschaftlern verbessern, indem er den Prozess transparenter macht, Fragen stellt und den sozialen Kontext der Daten berücksichtigt.

Ein menschenzentrierter Ansatz stellt eine sehr einfache Frage:

Für wen ist das gedacht und wie soll es konkret genutzt werden?

Denken Sie jetzt so darüber nach—vom Fragen „Was können wir aus diesen Daten vorhersagen?“der menschenzentrierte Ansatz weckt in uns die Lust zu fragen „Was sollen wir den Menschen mit diesen Daten helfen, sie zu verstehen oder zu entscheiden?“

Unter Human-Centered Knowledge Analytics versteht man das Konzept, zu verstehen, wie Menschen interagieren und soziale Situationen verstehen. Dadurch können Menschen Erkenntnisse gewinnen und Datenmodelle unter Berücksichtigung des Endbenutzers (nicht nur des Unternehmens) entwerfen.

Im Kern bedeutet menschenzentrierte Datenanalyse, Modelle und Metriken unter Berücksichtigung des Endbenutzers zu entwerfen, nicht nur des Geschäfts-KPI. Es verlangt von uns, die alltäglichen Entscheidungen zu verbessern, die Datenexperten treffen: wie wir Probleme formulieren, welche Funktionen wir entwickeln, welche Metriken wir optimieren und wie wir die Lösungen für diese Probleme kommunizieren.

Warum menschenzentrierte Datenanalyse die Zukunft ist

Da die Welt technisch immer stabiler und geschäftsorientierter wird, erleben wir als Gesellschaft einen Niedergang soziale und verhaltensbezogene Relevanz. Organisationen, unabhängig von ihrer Branche, haben Menschen auf Gewinne und Wahrscheinlichkeiten reduziert. Wir vergessen, dass jeder Datensatz von jemandem stammt, der sich zum Kaufen, Klicken, Verschieben, Abstimmen oder Abmelden entscheidet, und behandeln diese Verhaltensweisen letztendlich als Sign und nicht als Geschichte.

Das Ignorieren dieses menschlichen Kontexts kann dazu führen, dass das Ergebnis völlig falsch optimiert wird. Der menschenzentrierte Ansatz führt eine neue Dimension ein und zwingt uns zu der Frage:

• Wer profitiert von diesem Modell?
• Wer könnte geschädigt werden?
• Welche Annahmen sind in den Daten verankert?

Wie können Sie menschenzentrierte Datenanalyse in Ihrer Arbeit praktizieren?

Meine Neigung zu einem menschenzentrierten Ansatz ist keine neu entdeckte Liebe.

Zu Beginn meiner Karriere interessierte ich mich intensiv für die Mensch-Laptop-Interaktion (HCI) – ein Bereich, der untersucht, wie Menschen Technologie entwerfen, nutzen und mit ihr interagieren. Bei der Arbeit mit HCI entwickelte ich ohne große Erkenntnis die Einstellung, bei der Lösung eines Issues dem Verständnis der menschlichen Kognition, des Verhaltens und des sozialen Kontexts Vorrang einzuräumen.

Obwohl ich jetzt im Bereich Daten und KI tätig bin, ist mir die menschenzentrierte Einstellung zur zweiten Natur geworden. Im Laufe der Jahre, in denen ich als leitender Analytics-Berater gearbeitet habe, erforderte die Integration des menschzentrierten Ansatzes nur einige einfache, absichtliche Änderungen in meiner Arbeitsweise. Hier erfahren Sie, wie ich menschzentrierte Datenanalyse an meinem Arbeitsplatz praktiziere.

1. Beginnen Sie mit Menschen, nicht mit Kennzahlen

In den ersten Jahren meiner Karriere conflict meine Denkweise darauf fixiert, hübsche Dashboards zu entwerfen, weil das das greifbare Ergebnis conflict, das mir Sichtbarkeit verschaffen würde. Mit der Zeit, als ich mich als Datenprofi weiterentwickelte, wurde mir jedoch klar, dass Dashboards allein keinen Wert schaffen. Entscheidungen tun es.

Sie müssen Ihre Analyse auf der Grundlage der Entscheidungen gestalten, die Menschen anhand einer Analyse treffen können, und nicht auf bloßen Dashboards. Bevor Sie Schritte oder KPIs für Ihre Analyse oder Ihr Dashboard definieren, sollten Sie sich fragen:

• Wer würde diese Erkenntnisse nutzen und entsprechend handeln?
• Welche Entscheidung versuchen sie zu treffen?
• Mit welchen Einschränkungen sind sie konfrontiert?

Wenn ich diese Fragen im Voraus an die betroffenen Personen stelle, definiere ich normalerweise die nächsten Schritte, eliminiere Vermutungen und stelle sicher, dass die von mir geteilten Kennzahlen tatsächlich dem Drawback dienen, anstatt zu hoffen, dass die Kennzahlen, die ich habe, für das Drawback, das ich löse, zutreffen.

2. Fragen Sie den Ursprung des Issues ab

Jedes Drawback hat eine Geschichte.

Human-Centered Knowledge Analytics fordert uns auf, über für das Drawback relevante Fragen nachzudenken und eine kleine Pause einzulegen, bevor wir die notwendigen Daten sammeln, kratzen und manipulieren. Sie sollten Annahmen und bekannte Vorurteile dokumentieren, nicht nur als Fußnoten, sondern als Teil der Analyse. Stellen Sie Fragen wie:

• Woher kam das Drawback? Unter welchen Bedingungen?
• Welche Verhaltensweisen fehlen oder sind unterrepräsentiert?
• Welche Daten können dieses Drawback im gefragten Kontext beantworten?

Dies schafft Transparenz und setzt realistische Erwartungen an die Interpretation von Erkenntnissen.

3. Design für Verständnis, nicht nur für Genauigkeit

Ein Datenmodell mit einer Genauigkeit von etwa 94 %, das niemand versteht, liefert selten Wirkung.

Wenn Sie jedoch die Ausgabe desselben Datenmodells mit einer kurzen Beschreibung kombinieren, die erklärt, warum das Ergebnis existiert und nicht nur, was es ist, testen Sie selbst, welche Auswirkungen das hat. Menschenzentrierte Analysen drängen Sie dazu, technische Sprache in einfaches menschliches Verständnis zu übersetzen.

Sobald Ihr Datenmodell fertig ist, fragen Sie:

• Kann ein technisch nicht versierter Stakeholder Ihre Erkenntnisse erklären, nachdem er sie einmal gehört hat?
• Können Sie Funktionswichtigkeitsdiagramme durch entscheidungsorientierte visuelle Darstellungen ersetzen (z. B. „Wenn X zunimmt, ändert sich Folgendes“)?
• Können geringfügige Genauigkeitsgewinne gegen Klarheit eingetauscht werden?

Mit dem menschenzentrierten Ansatz können Sie Modelle entwerfen, die eine verbesserte Akzeptanz und Präzision bieten.

4. Berücksichtigen Sie, was die Daten nicht sehen können

Ich kann nicht genug betonen, wie sehr ich mich dadurch beruflich weiterentwickeln konnte! Die Unzulänglichkeiten eines Datensatzes erkennen zu können, Fragen zu diesen Lücken vorherzusehen und sich darauf vorzubereiten, diese Lücke zu schließen, conflict ein wichtiger Faktor für meinen Aufstieg auf der Leiter.

Aber hey, es gibt keinen Grund zu raten, woher das kommt – der menschenzentrierte Ansatz bei der Arbeit mit Daten!

Ein menschenzentrierter Ansatz ermöglicht es Ihnen, blinde Flecken explizit anzuerkennen. Wenn Sie sich mit einem Datensatz vertraut machen, beginnen Sie damit, die bekannten Datenlücken und Verhaltensmuster des Datensatzes zu dokumentieren und Annahmen während Präsentationen hervorzuheben, anstatt sie implizit bleiben zu lassen. Sie könnten fragen:

• Was zeigen diese Daten nicht?
• Welche Gruppe oder welches Verhalten ist unterrepräsentiert?
• Kann das Urteil der Entscheidungsträger aus diesen Datenerkenntnissen Bestand haben, wenn die Lücken erheblich sind?

4. Design für ethische Auswirkungen, nicht nur für Leistung

Bei der Arbeit mit sensiblen Daten ist Ethik unumgänglich. Aber dank des menschenzentrierten Ansatzes können wir Ethik als Designbeschränkung und nicht als Compliance-Kontrollkästchen behandeln. Stellen Sie frühzeitig ethische Fragen und planen Sie dies, und denken Sie nicht erst nach dem Einsatz nach, wie zum Beispiel:

• Was passiert, wenn dieses Datenmodell nicht optimum passt?
• Wer trägt die Kosten von Fehlern?
• Wie wird Suggestions eingearbeitet?

Indem ich diese Szenarien im Voraus airplane, kann ich Lösungen entwickeln, die nicht nur effektiv, sondern auch verantwortungsvoll und nachhaltiger sind.

5. Bauen Sie Rückkopplungsschleifen in das System ein

Als Teil der Belegschaft wissen wir alle, wie wichtig Suggestions und die Integration dieses Feedbacks in unsere Arbeit ist, und zwar nicht nur aus Datenperspektive, sondern ganzheitlich. Der menschenzentrierte Ansatz drängt mich dazu, Lösungen als sich entwickelnde Systeme und nicht als einmalige Ergebnisse zu behandeln.

Gemäß dem menschenzentrierten Ansatz besteht Ihre Struktur zum Hinzufügen von Feedbackschleifen in Ihre Systeme aus einem dreistufigen Prozess:

1. Definieren Sie Erfolgskennzahlen über die Einführung hinaus (z. B. Akzeptanz, Überschreibungen und Vertrauen der Stakeholder).
2. Planen Sie wiederkehrende Examine-ins mit Benutzern und Stakeholdern, um zu verstehen, wie Erkenntnisse genutzt oder ignoriert werden
3. Integrieren Sie qualitatives Suggestions in zukünftige Iterationen, nicht nur quantitative Leistungsmetriken.

Die Ergebnisse aus Schritt 2 oben zur Artwork und Weise, wie Erkenntnisse genutzt oder ignoriert werden, entsprechen möglicherweise nicht immer Ihren Wünschen. Ich höre oft „Oh, wir benutzen dieses Werkzeug nicht mehr“ für Werkzeuge, die ich in der Vergangenheit gebaut habe. Um dies zu vermeiden und den menschenzentrierten Ansatz im Hinterkopf zu behalten, stellen Sie vor und nach der Erstellung der Instruments Fragen:

• Wie wird diese Analyse ausgewertet und genutzt, sobald sie im Einsatz ist?
• Sollte es sich um eine einmalige Lieferung oder ein robustes Device handeln?
• Wie viele Benutzer haben das Device bereits nach mehreren Anwendungen nicht mehr verwendet? Was hat sich geändert?

Schlussgedanken

Daten sind mächtig, weil Menschen es sind.

Bei der Zukunft der Analytik geht es nicht um mehr Daten, größere Modelle oder schnellere Pipelines – es geht um Weisheit!

Human-Centered Knowledge Analytics erinnert uns daran, dass Daten nicht deshalb so wirkungsvoll sind, weil sie objektiv sind, sondern weil sie das menschliche Leben in seiner ganzen Komplexität widerspiegeln. Wenn wir Analysen mit Einfühlungsvermögen, Kontext und Verantwortung entwerfen, bauen wir nicht nur bessere Modelle, sondern auch bessere Systeme!

Und das ist wichtiger denn je.

---

TDas conflict’s von meiner Seite zu diesem Blogbeitrag. Vielen Dank fürs Lesen! Ich hoffe, Sie fanden die Lektüre interessant und haben im neuen Jahr viel Spaß beim Erzählen von Geschichten mit Daten!

Rashi ist ein Datenexperte aus Chicago, der es liebt, Daten zu analysieren und Datengeschichten zu erstellen, um Erkenntnisse zu vermitteln. Sie ist hauptberuflich als leitende Beraterin für Gesundheitsanalytik tätig und schreibt gerne am Wochenende bei einer Tasse Kaffee Blogs über Daten.

Modellkontextprotokoll (MCP) Oft als „USB-C für AI-Agenten“ bezeichnet, ist der De-facto-Customary für die Verbindung von Assistenten (Langual Language Mannequin) mit Instruments und Daten von Drittanbietern. Es ermöglicht den AI -Agenten, verschiedene Dienste anzuschließen, Befehle auszuführen und den Kontext nahtlos zu teilen. Es ist jedoch standardmäßig nicht sicher. Wenn Sie Ihren KI -Agenten wahllos an willkürliche MCP -Server einbezogen haben, haben Sie möglicherweise unbeabsichtigt „Öffnete einen Seitenkanal in Ihre Hülle, Geheimnisse oder Infrastruktur“. In diesem Artikel werden wir die Sicherheitsrisiken bei MCP sowie die Ausbeutung der Risikoniveaus, Auswirkungen und Minderungsstrategien untersuchen. Wir werden auch Parallelen zu klassischen Sicherheitsproblemen in Software program und KI ziehen, um diese Risiken in Kontext zu setzen.

Jüngste Erkenntnisse

A Jüngste Studie Von Leidos durchgeführt, zeigt erhebliche Sicherheitsrisiken bei der Verwendung von Modellkontextprotokoll (MCP). Die Forscher zeigen, dass Angreifer MCP ausnutzen können, um böswilligen Code auszuführen, nicht autorisierte Distant -Zugriff zu erhalten und Anmeldeinformationen zu stehlen, indem sie LLMs manipulieren können Claude und Lama. Sowohl Claude als auch Lama-3,3-70B-Instruktur sind anfällig für die drei in der Zeitung beschriebenen Angriffe. Um diese Bedrohungen anzugehen, stellten sie a ein Werkzeug Das verwendet AI-Brokers, um Schwachstellen auf MCP-Servern zu identifizieren und Mittel vorzuschlagen. Ihre Arbeit unterstreicht die Notwendigkeit proaktiver Sicherheitsmaßnahmen in AI -Agenten -Workflows.

1. Befehlsinjektion

KI -Agenten Mit MCP -Instruments verbundene Instruments können dazu gebracht werden, schädliche Befehle auszuführen, indem die Eingabeaufforderung manipuliert wird. Wenn das Modell die Benutzereingabe direkt in Shell -Befehle, SQL -Abfragen oder Systemfunktionen übergibt und Sie eine Distant -Codeausführung erhalten. Diese Sicherheitsanfälligkeit erinnert an traditionelle Injektionsangriffe, wird jedoch in AI -Kontexten aufgrund der dynamischen Natur der schnellen Verarbeitung verschärft. Zu den Minderungsstrategien gehören eine strenge Eingabe von Eingaben, die Verwendung parametrisierter Abfragen und die Implementierung strenger Ausführungsgrenzen, um sicherzustellen, dass die Eingänge von Benutzern die beabsichtigte Befehlsstruktur nicht ändern können.

Auswirkungen: Distant -Code -Ausführung, Datenlecks.

Minderung: Bereinigen Sie Inputs, führen Sie niemals rohe Zeichenfolgen aus, setzen Sie die Ausführungsgrenzen durch.

MCP -Instruments sind nicht immer das, was sie scheinen. Ein vergiftetes Device kann irreführende Dokumentation oder verstecktes Code beinhalten, der subtil verändert, wie sich der Agent verhält. Weil Llms Behandeln Sie Toolbeschreibungen als ehrlich, ein bösartiger Dokument kann geheime Anweisungen einbetten, z. B. das Senden von privaten Schlüssel oder undichte Dateien. Diese Ausbeutung nutzt die Vertrauens -AI -Agenten in Werkzeugbeschreibungen. Um dem entgegenzuwirken, ist es wichtig, Toolquellen akribisch zu überprüfen, den Benutzern die vollständigen Metadaten auf Transparenz und die Ausführung von Sandbox -Instruments zur Isolierung und Überwachung ihres Verhaltens in kontrollierten Umgebungen vorzusetzen.

Auswirkungen: Agenten können Geheimnisse austreten oder nicht autorisierte Aufgaben ausführen.

Minderung: Tierarztquellen, zeigen Benutzern vollständige Device -Metadaten, Sandbox -Instruments.

3. Drawback des Server-Despatched-Ereignisses

SSE- oder Server-Despatched-Ereignisse hält Device-Verbindungen für Reside-Daten offen, aber dieser immer-on-Hyperlink ist ein saftiger Angriffsvektor. Ein entführter Stream oder ein zeitlicher Fehler kann zu Dateneinspritzung, Wiederholungsangriffen oder Sitzungsblutungen führen. In schnelllebigen Agenten-Workflows ist das eine enorme Haftung. Minderungsmaßnahmen umfassen die Durchsetzung Https Protokolle, die den Ursprung eingehender Verbindungen validieren und strenge Zeitüberschreitungen implementieren, um das Fenster der Möglichkeiten für potenzielle Angriffe zu minimieren.

Auswirkungen: Datenleckage, Sitzungsbeherrschung, dos.

Minderung: Verwenden Sie HTTPS, validieren Sie die Ursprünge, erzwingen Sie Zeitüberschreitungen.

4. Privileg eskalation

Ein Rogue -Device kann einen anderen außer Kraft setzen oder sich ausgeben und schließlich einen unbeabsichtigten Zugriff erhalten. Zum Beispiel kann ein gefälschtes Plugin Ihre nachahmen Locker Integration und Trick des Agenten in undichte Nachrichten. Wenn Zugangsbereiche nicht eng erzwungen werden, kann ein Dienst mit niedriger Belief auf Administrator-Privilegien eskalieren. Um dies zu verhindern, ist es entscheidend, Werkzeugberechtigungen zu isolieren, die Identitäten der Werkzeuge streng zu validieren und Authentifizierungsprotokolle für jede Inter-Device-Kommunikation durchzusetzen, um sicherzustellen, dass jede Komponente innerhalb ihres benannten Zugangsbereichs arbeitet.

Auswirkungen: Systemweiter Zugriff, Datenbeschädigung.

Minderung: Isolieren Sie die Berechtigungen, validieren Sie die Identität der Instruments und setzen Sie die Authentifizierung bei jedem Anruf durch.

5. anhaltender Kontext

MCP -Sitzungen speichern häufig frühere Eingänge und Toolergebnisse, die länger als beabsichtigt bleiben können. Das ist ein Drawback, wenn smart Informationen über nicht verwandte Sitzungen wiederverwendet werden oder wenn Angreifer den Kontext im Laufe der Zeit vergiften, um die Ergebnisse zu manipulieren. Bei der Minderung wird die Implementierung von Mechanismen zur regelmäßigen Löschung von Sitzungsdaten, die Begrenzung der Aufbewahrungszeit von Kontextinformationen und das Isolieren von Benutzersitzungen zur Verhinderung der Kontamination von Daten eingeschränkt.

Auswirkungen: Kontextverletzung, vergifteter Gedächtnis, Cross-Consumer-Exposition.

Minderung: Sitzungsdaten löschen, die Aufbewahrung begrenzen, Benutzerinteraktionen isolieren.

6. Serverdatenübernahme

Im Worst-Case-Szenario führt ein gefährdetes Device zu einem Domino-Effekt für alle verbundenen Systeme. Wenn ein böswilliger Server den Agenten in Rohrleitungsdaten aus anderen Instruments eindringen kann (wie WhatsApp, Begriff oder AWS), es wird ein Drehpunkt für den Gesamtkompromiss. Zu den vorbeugenden Maßnahmen gehört die Einführung einer Null-Belief-Architektur, die Verwendung von Scoped-Token zur Begrenzung von Zugangsberechtigungen und die Festlegung von Notfall-Widerrufprotokollen, um kompromittierte Komponenten schnell zu deaktivieren und die Ausbreitung des Angriffs zu stoppen.

Auswirkungen: Multi-System-Verstoß, Diebstahl von Anmeldeinformationen, Gesamtkompromiss.

Minderung: Zero Belief Structure, Scoped Tokens, Notrufprotokolle.

Risikobewertung

Abschluss

MCP ist eine Brücke zwischen LLMs und der realen Welt. Aber im Second ist es eher ein Sicherheitsminenfeld als eine Autobahn. Wenn KI -Agenten fähiger werden, werden diese Schwachstellen nur gefährlicher. Entwickler müssen sichere Standardeinstellungen einsetzen, jedes Device prüfen und MCP-Server wie Code von Drittanbietern behandeln, denn genau das sind sie. Die Einführung sicherer Protokolle sollte eingesetzt werden, um eine sichere Infrastruktur für die MCP -Integration für die Zukunft zu schaffen.

Häufig gestellte Fragen

Stellen Sie sich vor, Sie sind ein Bauer mit zwei Apfelplantagen. Eines Tages beschließen Sie, die Äpfel in jeder der Plantagen zu zählen. In Plantagen A stehen 1.000 Äpfel, in Plantagen B nur 500. Auf den ersten Blick scheint Plantagen A der klare Gewinner zu sein. Aber was wäre, wenn ich Ihnen sagen würde, dass Plantagen A ten.000 Bäume haben, in Plantagen B aber nur 500? Plötzlich sieht Plantagen B gar nicht mehr so ​​schlecht aus, oder?

Das ist die Macht der Proportionen. In der Wirtschaft wie auch in der Landwirtschaft können nackte Zahlen täuschen. Um wirklich zu verstehen, wie intestine Ihr Unternehmen dasteht, müssen Sie sich die Proportionen ansehen.

Sie sehen sich wahrscheinlich jeden Tag absolute Zahlen an. Beispielsweise hat Ihr Unternehmen diese Woche einen Umsatz von 10.000 US-Greenback erzielt. Heute haben 250 Kunden Bestellungen aufgegeben, gestern waren es 200 und letzte Woche am selben Tag 100 usw.

Proportionen hingegen sind wie das Kleingedruckte. Sie fallen vielleicht nicht so sofort ins Auge wie absolute Zahlen, vermitteln aber ein genaueres Bild der Gesundheit Ihres Unternehmens.

Nehmen wir zum Beispiel die Gewinnspanne. Das ist ein Verhältnis, das Ihren Gewinn mit Ihrem Umsatz vergleicht. Eine hohe Gewinnspanne deutet darauf hin, dass …

In einer Zeit, in der Cloud und das Aufkommen von KI-Anwendungsfällen den Wert riesiger Datensätze in die Höhe getrieben haben, sind Festplatten für Rechenzentrumsbetreiber wichtiger denn je. Festplatten speichern den Großteil der weltweiten Exabyte (EB) und Branchenanalysten gehen davon aus, dass Festplatten der Hauptnutznießer des anhaltenden EB-Wachstums sein werden. Dies wird insbesondere in Unternehmen und großen Cloud-Rechenzentren der Fall sein, in denen die meisten Datensätze der Welt gespeichert sind.

Befürworter der reinen Flash-Technologie behaupten seit Jahren, dass „Festplatten bald der Vergangenheit angehören“ und „das Rechenzentrum der Zukunft ausschließlich auf Flash basiert“. Diese Aussagen sind nicht intestine überholt. Ohne Frage sind Stable-State-Laufwerke (SSDs) eine wichtige Technologie und eignen sich intestine zur Unterstützung von Anwendungen, die Datenübertragung in Echtzeit erfordern. Festplatten werden jedoch weiterhin das Hauptziel für Exabyte in Rechenzentren bleiben.

Ein Mythos, der immer wieder kursiert, ist, dass nur Flash-Technologie die Leistungsanforderungen moderner Unternehmens-Workloads erfüllen kann. Darauf folgt oft die dringende Aufforderung, das Risiko des Abstiegs zu vermeiden, indem man „vereinfacht“ und „zukunftssicher“ auf reine Flash-Systeme umsteigt. In Wirklichkeit erfordert die Speicherarchitektur von Unternehmen einen Combine aus Medientypen, um die Kosten-, Kapazitäts- und Leistungsanforderungen bestimmter Workloads zu optimieren. Eine reine Flash-Nullsummenlogik schlägt aus drei Gründen fehl:

1. Die meisten modernen Workloads erfordern den Leistungsvorteil von Flash nicht.

Die meisten Daten der Welt befinden sich in der Cloud und in großen Rechenzentren. In diesen Umgebungen folgen die Workloads einer Pareto-Regel: Nur ein kleiner Prozentsatz der Workloads erfordert einen erheblichen Prozentsatz der Leistung. In den letzten fünf Jahren machten Festplatten quick 90 % der installierten Speicherbasis bei Cloud-Service-Providern und Hyperscale-Rechenzentren aus.

2. Unternehmen müssen Kapazität und Kosten sowie Leistung in Einklang bringen.

TCO-Überlegungen sind bei den meisten Entscheidungen zur Infrastruktur von Rechenzentren von zentraler Bedeutung. Dies erfordert eine Abwägung zwischen Kosten, Kapazität und Leistung. Optimale TCO werden erreicht, indem das kostengünstigste Medium – Festplatte, Flash oder Band – an die Arbeitslastanforderungen angepasst wird. Festplatten bleiben für die meisten Unternehmensaufgaben die kostengünstigste Choice. Sie haben einen Kostenvorteil von 6:1 professional Terabyte gegenüber SSDs, was Festplattenmedien zum unbestreitbaren Eckpfeiler der Speicherinfrastruktur von Rechenzentren macht.

3. Die angebliche Einfachheit einer einstufigen Speicherarchitektur ist eine Lösung auf der Suche nach einem Drawback.

Viele hybride Speichersysteme verwenden eine bewährte und fein abgestimmte softwaredefinierte Architektur, die die Stärken verschiedener Medientypen nahtlos in einzelne Einheiten integriert und nutzt. In Scale-Out-Rechenzentrumsarchitekturen für personal oder öffentliche Clouds werden Dateisysteme oder softwaredefinierter Speicher verwendet, um die Datenspeicher-Workloads über Rechenzentrumsstandorte und Regionen hinweg zu verwalten. Sie bieten mehr als ausreichende Flexibilität, sodass Unternehmen ihre Speicherzusammensetzung an sich ständig ändernde Anforderungen anpassen können.

Zusammenfassend lässt sich sagen, dass Cloud-, Hyperscale- und große Enterprise-Speicherarchitekturen Speicher auswählen, die Kosten, Kapazität und Leistung optimieren. Festplatten bedienen Workloads, die Flash nicht bedienen sollte. Flash bedient Workloads, die Festplatten nicht bedienen sollten. Beide Speichermedien werden im Rechenzentrum koexistieren, wobei Festplatten in absehbarer Zukunft in Bezug auf die gespeicherten Exabyte weiterhin dominieren werden.

_____________

⁽¹⁾ IDC, Multi-Consumer-Studie, Cloud Infrastructure Index 2023: Rechenleistungs- und Speicherverbrauch von 100 ServiceprovidernNovember 2023

Über den Autor

Jason Feist ist Seagate‘s Senior Vice President of Merchandise and Markets. Zu seinen früheren Positionen gehören Vice President of {Hardware} Engineering und Senior Director des Workplace of the CTO von Seagate. Feist hat 7 Patente erworben und 9 angemeldet und hat komplexe technische Lösungen in {Hardware}, Software program und Systemen implementiert. Er hat einen Abschluss in Elektrotechnik von der College of Minnesota.

Melden Sie sich für den kostenlosen insideBIGDATA-Publication an Publication.

Folgen Sie uns auf Twitter: https://twitter.com/InsideBigData1

Folgen Sie uns auf LinkedIn: https://www.linkedin.com/firm/insidebigdata/

Folge uns auf Fb: https://www.fb.com/insideBIGDATANOW