Генеративный ИИ вызвал важную проблему — как хранить, сколько хранить и как управлять данными?

Говоря проще, есть три требования: дешевизна, безопасность и удобство. Накопленные огромные датасеты, необходимость архивации сгенерированного контента, тщательное управление правами доступа — все это раньше казалось мелочами, а теперь стало основными узкими местами для масштабирования внедрения ИИ.

Стоит отметить, что Walrus Protocol уже явно занимает позицию в этом сегменте. Предоставляя инфраструктурную поддержку для ИИ-проектов на уровне хранения, этот подход довольно интересен.

Возьмем платформу генеративного ИИ Everlyn — этот пример весьма показательен. Everlyn использует Walrus в качестве слоя данных, туда загружены более 50GB обучающих датасетов, контрольных точек моделей, KV-кэш и другие ключевые данные, а также все новые высококачественные видеоконтенты. Почему именно так?

Основная причина очень очевидна — стоимость хранения в облачных сервисах AWS, Azure и подобных растет вместе с ростом потребности в генерации видео. В то же время, технология кодирования Red-Stuff от Walrus в сочетании с массовым хранением по схеме Quilt позволяет снизить затраты на хранение до доли от стоимости традиционных решений, при этом обеспечивая высокую доступность данных и скорость доступа. В результате разработчики ИИ могут сосредоточиться на оптимизации моделей, а не тратить все на оплату хранения.

Что касается гибкости управления данными, Walrus также демонстрирует свои возможности.