แล้วที่จัดเก็บข้อมูล และ การประมวลผล มาทำงานร่วมกันได้อย่างไรละ?

ภาพรวมของ Computational Storage

นักวิเคราะห์ประเมินว่าภายในปี 2568 ทั่วทั้งโลกจะมีการสร้าง ข้อมูลจำนวนกว่า 463 เอกซะไบต์ ในแต่ละวัน ในขณะเดียวกันก็มีการวิเคราะห์ข้อมูลแบบ Real-time และการประมวลผลข้อมูล (Data Processing) เกิดขึ้น เพื่อตอบสนองต่อความต้องการนี้ ธุรกิจองค์กรและผู้บริโภคกําลังมองหาวิธีการที่ไม่ซับซ้อนเพื่อผนวกเทคโนโลยีการจัดเก็บข้อมูลและความสามารถในการประมวลผล จึงเป็นที่มาของ Computational Storage

Computational Storage เป็นเทคโนโลยีที่พยายามนำการวิเคราะห์และประมวลผลข้อมูลมาไว้ในที่เดียวกัน ซึ่งโดยปกติจะอยู่ในอุปกรณ์จัดเก็บข้อมูลประเภท HDD หรือ SSD เป้าหมายคือการเร่งความเร็วในการประมวลผลข้อมูล และจํากัดการถ่ายโอนข้อมูลจากสถานที่หนึ่งไปยังอีกสถานที่หนึ่ง เพราะกินเวลานาน มีความซับซ้อน และค่าใช้จ่ายสูง

ในขณะที่แนวคิดมีวัตถุประสงค์และคําอธิบายที่เรียบง่าย Computational Storage ยังครอบคลุมถึงหลายสิ่งกว่านั้น การผสมผสานของเทคโนโลยีต่างๆในปัจจุบันล้วนพยายามแก้ไขปัญหาของการถ่ายโอนข้อมูลและเร่งสปีดการวิเคราะห์ข้อมูล จึงเป็นที่มาของการผนวกรวมทั้งสองอย่างของ Computation Storage

ตัวอย่างเช่นผลิตภัณฑ์อย่างฮาร์ดแวร์โซลูชัน และเครือข่ายที่ทันสมัยสําหรับองค์กรและผลิตภัณฑ์สำหรับผู้บริโภครายย่อยเช่น อุปกรณ์จัดเก็บข้อมูลที่เข้ารหัสได้ด้วยตนเอง

เพื่อให้เข้าใจถึงความสําคัญของเทคโนโลยีในปัจจุบันได้ดีขึ้น เรามีตัวอย่างของรูปแบบ Computational Storage ที่พบบ่อย เริ่มต้นด้วยโซลูชันสำหรับองค์กรจนถึงการใช้งานของผู้ใช้รายย่อย

การประมวลผลใกล้แหล่งกำเนิดข้อมูล (Edge Computing)

Edge Computing เป็นตัวอย่างที่เห็นได้ชัดของ Computational Storage หรือการนำเทคโนโลยีการประมวลผลและที่จัดเก็บข้อมูลมาไว้ด้วยกัน เป็นการนำความรู้จากหลายสาขามาผนวก คือการประมวลผล เชื่อมต่ออุปกรณ์หรือเครือข่าย (Network) และโซลูชันการจัดเก็บข้อมูล เพื่อปรับปรุงประสิทธิภาพการทำงานอย่างที่ไม่เคยมีมาก่อน Edge Computing พยายามแก้ปัญหาด้านความล่าช้าและค่าใช้จ่ายสูงโดย ตัดขั้นตอนการส่งข้อมูลไปยังดาต้าเซ็นเตอร์ส่วนกลาง แต่ข้อมูลจะถูกส่งไปยังดาต้าเซ็นเตอร์ต้นกำเนิดแทน เพื่อการบริการและการวิเคราะห์ที่รวดเร็วกว่า คำว่า “Edge” ในที่นี้หมายถึงตําแหน่งทางภูมิศาสตร์ของข้อมูลต้นกำเนิดและคลาวด์

ในขณะที่ Edge ผสานเทคโนโลยีมากมายเข้าด้วยกัน โดย วิม เดอ วิสเปแลร์ (Wim De Wispelaere) รองประธานฝ่ายการริเริ่มเชิงกลยุทธ์ขององค์กรที่เวสเทิร์น ดิจิตอล มองว่าเป็นตัวอย่างของ Computational Storage โดยมี “รูปแบบที่พบบ่อย” ที่ Edge, Computational Edge และอื่นๆ “อยู่ภายใต้หมวดหมู่การกระจายและประมวลผลข้อมูลประโยชน์ของ Edge Computing ยิ่งชัดเจนเมื่อเป็นความท้าทายของการย้ายข้อมูลปริมาณมหาศาล เนื่องด้วยขนาดของไฟล์ที่ใหญ่และข้อจํากัดในการเข้าถึงอินเทอร์เน็ตที่เสถียรในแต่ละพื้นที่ทั่วโลก บางธุรกิจองค์กรพบว่า การขนย้ายข้อมูลจากที่หนึ่งไปยังอีกที่หนึ่งด้วยมนุษย์เร็วกว่า แต่ด้วยพลังของ Edge Computing ผู้ใช้สามารถย่นระยะเวลาการเดินทางและการวิเคราะห์ข้อมูล สําหรับทีมที่ทําการวิจัยในพื้นที่ห่างไกล เอดจ์ช่วยให้การค้นพบ ทดสอบ และประเมินผลด้วยความเร็วที่ไม่สามารถทำได้ในอดีต

ผลักดันคอมพิวเตอร์และที่เก็บข้อมูลให้ใกล้กันมากขึ้น

ตัวอย่างต่อไปของ “Computational Storage” เกี่ยวข้องกับการวางตำแหน่งที่ที่ใช้ประมวลผลและที่จัดเก็บข้อมูลในดาต้าเซ็นเตอร์ทไว้ใกล้กัน บางครั้งอาจหมายถึง “Near Memory Computing” แนวคิดคือการลดเวลาการเดินทางของข้อมูล ลดต้นทุน และปรับปรุงผลลัพธ์ สิ่งนี้สำเร็จได้ด้วยสถาปัตยกรรมที่ จัดเรียงใหม่และให้ความสำคัญของการประมวลผลและการจัดเก็บข้อมูลที่ใกล้แหล่งกำเนิดข้อมูล เชื่อมโยงทั้งสองโดยตรงหรือผ่านการใช้การกำหนดโปรแกรมปฏิบัติงานและโค้ดเพื่อช่วยระบบการจัดการภาระงาน

แม้ว่าการออกแบบเหล่านี้จะช่วยประหยัดเวลา แต่ข้อดีที่แท้จริงของมันคือประสิทธิภาพด้านการลดการทำงานแต่เพิ่มประสิทธิภาพการทำงาน ตามที่ มาร์ค สแตมเมอร์ (Marc Staimer) ประธานบริษัทและนักวิเคราะห์ของ Dragon Slayer Consulting กล่าวใน การให้สัมภาษณ์ ว่า “ความท้าทายอยู่ที่การลดเวลาและพลังงานในการเข้าถึงและรับข้อมูล”

กรณีการใช้งานที่เกี่ยวข้องมากที่สุดสำหรับNear Memory Computing อยู่ในการนำ AI และ Machine Learningมาใช้ แม้ว่างานของอัลกอริธึม จาก Machine Learning จะมีรูปแบบที่ซ้ำ ไม่ใช่งานที่ใช้ความพยายามมาก แต่เกิดขึ้นบ่อย เป็นผลให้การนำทั้งสองมาอยู่ด้วยกันช่วยประหยัดค่าใช้จ่าย และประสิทธิภาพคือจุดประสงค์ของ Machine Learning การแก้ปัญหาความล่าช้าในการเข้าถึงและค่าใช้จ่าย ผลลัพธ์คือประสิทธิภาพที่ดีขึ้น และเกิดการพัฒนาใหม่ๆ ในออโตเมชั่น การวิจัย และบริการ

ไดรฟ์ที่มีโปรเซสเซอร์ในตัว

ตัวอย่างสุดท้ายเป็นการตีความที่ถูกต้องที่สุดของ Computational Storage นั่นคือ อุปกรณ์จัดเก็บข้อมูลที่มีโปรเซสเซอร์ในตัว การนำสองแง่มุมของการประมวลผลให้ใกล้ชิดกันมากที่สุด ส่งผลให้แทบจะลดขั้นตอนการโอนถ่ายข้อมูลและทำให้ระบบเริ่มทำงานได้ทันที แทนที่จะรอการเรียกดูจำนวนข้อมูลขนาดใหญ่จาก อุปกรณ์ Computational Storage แต่จะร้องขอการดำเนินการ เฉพาะข้อมูลที่เข้าถึงได้ โซลูชันนี้จะจัดการปัญหาค่าใช้จ่ายที่สูงและเพิ่มสปีด เมื่อข้อมูลและการประมวลผลอยู่ในอุปกรณ์เดียวกัน อุปกรณ์สามารถประมวลผลข้อมูลและตอบสนองอย่างที่ไม่เคยมีมาก่อน

ไดรฟ์ที่มีหน่วยประมวลผลในตัวช่วยแก้ปัญหาการขาดแคลนหน่วยความจำที่มีให้สำหรับการประมวลผลในอุปกรณ์หรือระบบที่มีภารกิจอื่นๆ ที่ต้องจัดการ แทนที่จะต้องบีบอัดปริมาณงานด้วยโปรเซสเซอร์หลัก Computational Drive เข้าถึงข้อมูลอย่างรวดเร็วโดย สร้างชุดย่อยของข้อมูล ซึ่งทำให้ AI ตีความ และเคลื่อนย้ายข้อมูลไปยังดาต้าเซ็นเตอร์ส่วนกลางได้เร็วขึ้นสำหรับการวิเคราะห์เพิ่มเติม

รถยนต์เป็นหนึ่งในที่ได้ประโยชน์หลักของการดำเนินการนี้ ยานพาหนะมีเซ็นเซอร์และอุปกรณ์จับภาพจำนวนมากที่ฝังอยู่ในตัวรถ ซึ่งเรายังไม่สามารถรวบรวมและวิเคราะห์ข้อมูลที่มีอยู่มากมายนี้ได้ โดยเฉพาะอย่างยิ่งในตลาดรถยนต์ขับเคลื่อนอัตโนมัติ จำเป็นต้องมีการบันทึกและวิเคราะห์ข้อมูลทางไกลอย่างรวดเร็ว ซึ่งเป็นงานที่มีเพียง Computational Storage Devices ที่สามารถแก้ปัญหาได้ การเข้าถึงข้อมูลอย่างรวดเร็วช่วยให้ผู้โดยสารปลอดภัยและช่วยให้ผู้ผลิตรวบรวมข้อมูลเชิงลึกมากขึ้นเพื่อปรับปรุงระบบอัตโนมัติของรถยนต์ อุปกรณ์เหล่านี้อาจสามารถ เร่งการกำเนิดของ Smart City ได้เร็วยิ่งขึ้นไปอีก ซึ่งอุปกรณ์ทุกประเภทต่างช่วยปรับปรุงคุณภาพชีวิตของผู้อยู่อาศัย

ใกล้ชิดกับข้อมูลมากขึ้น

แม้ว่านี่จะเป็นเพียงสามตัวอย่างจากหลายๆ ตัวอย่างของ Computational Storage ที่หมายถึงหลายสิ่ง แต่ทั้งหมดนั้นเน้นที่แนวคิด ง่ายๆ เดียวกัน นั่นคือ นำการประมวลผลและข้อมูลมาไว้ด้วยกัน ในยุคที่มีการเข้าถึงอินเตอร์เน็ตตลอดเวลา Computation Storage จึงมีความสำคัญมากกว่าที่เคย

ดังที่ เดอ วิสเปแลร์ (De Wispelaere) กล่าวว่า ในอนาคต “ข้อมูลจะเข้ามามีบทบาทในชีวิตเรามากขึ้นกว่าเดิม และทำให้ชีวิตของเรามีความสุขมากยิ่งขึ้น”