Генеративний ШІ відніс до гострої проблеми, яку не можна обійти — як зберігати, скільки зберігати, як управляти?

Простіше кажучи, є три вимоги: дешево, безпечно, зручно. Гігантські стеки навчальних наборів даних, архівування згенерованого контенту, детальне управління правами доступу до даних — це повинні бути дрібниці, але тепер це стало основним вузьким місцем, що перешкоджає масштабному впровадженню застосунків ШІ.

Слід зазначити, що Walrus Protocol вже має очевидне позиціонування на цьому напрямку. Пропозиція надавати інфраструктурну підтримку проектам ШІ на рівні зберігання даних виглядає цікавою ідеєю.

Розглянемо на прикладі платформи генеративного ШІ Everlyn — цей випадок є досить репрезентативним. Everlyn використовує Walrus як рівень даних, перемістивши туди понад 50 ГБ навчальних наборів даних, контрольні точки моделі, KV-кеш та інші критичні дані; весь новогенерований якісний відеоконтент також зберігається на Walrus. Чому така вибір?

Основна причина насправді болісна — витрати на зберігання у хмарних сервісах AWS, Azure та інших неперервно зростають зі збільшенням попиту на генерацію відео. Тоді як технологія Red-Stuff кодування Walrus у поєднанні з масовим рішенням для зберігання Quilt можуть знизити витрати на зберігання до кількох десятків разів нижче, ніж у традиційних рішеннях, при цьому без компромісів щодо високої доступності та швидкості доступу даних. Таким чином, розробники ШІ можуть спрямовувати більше ресурсів на оптимізацію моделей, замість того щоб бути всередину витіснутими рахунками за зберігання.

Щодо гнучкості управління даними, Walrus також продемонстрував свої можливості.