Тенденции из окопов: данные в области наук о жизни, готовые к применению ИИ.

Автор: сотрудники Bio-IT World News

3 июня 2026 г. | Организации, работающие в сфере медико-биологических наук, стремительно движутся к внедрению ИИ, но самая сложная часть редко заключается в самой модели. Самая сложная часть – это основа данных: неструктурированные файлы, разбросанные по различным приборам, устаревшим сетевым хранилищам (NAS), множеству площадок и облачным сервисам. Эта фрагментация создает информационные разрозненные хранилища, замедляет анализ и добавляет постоянный риск человеческой ошибки, когда команды вручную копируют наборы данных туда, где есть доступ к вычислительным ресурсам.

В последнем выпуске подкаста Trends from the Trenches Адам Марко, технический директор подразделения Life Science Field в Hammerspace, обсуждает с ведущей Джессикой Сент-Луис о данных, готовых к использованию в ИИ, как о практическом результате. Исследователи видят одну привычную файловую систему, в то время как платформа управляет хранением данных, их перемещением и доступом к ним. Такой сдвиг снижает «трения в работе с данными», позволяя ученым тратить меньше времени на поиск файлов и больше времени на проведение исследований.

Управление данными может выступать в качестве операционного уровня для современных исследовательских ИТ-систем. Вместо того чтобы рассматривать хранилища как отдельные островки, единая файловая система может охватывать как локальную инфраструктуру, так и облачное хранилище, сохраняя при этом структуру каталогов. Затем автоматизация на основе правил размещает файлы на нужном уровне в нужное время, например, хранит активные наборы данных на высокопроизводительных NVMe-накопителях и перемещает неактивные данные на более дешевые диски или в облако по истечении определенного периода времени.

Не менее важно и то, что оркестровка — это не метод, допускающий полную свободу действий. Права доступа, копии только для чтения и механизмы управления могут следовать за данными. Для регулируемых биомедицинских исследований это имеет значение, поскольку сотрудничество должно сосуществовать с принципом минимальных привилегий доступа и защитимыми механизмами контроля.

Инфраструктура ИИ создает новые проблемы, особенно в части доступности графических процессоров и ограничений флэш-памяти. Мощности графических процессоров могут меняться ежедневно в зависимости от провайдера и местоположения, поэтому командам необходимо запускать рабочие нагрузки там, где есть графические процессоры, без переписывания рабочих процессов. В то же время дефицит SSD и NVMe делает нереалистичным хранение всего на носителях премиум-класса. Прагматичным решением становится многоуровневая архитектура хранения: меньший по размеру высокоскоростной слой NVMe для конвейеров обучения и вывода, дополненный более крупными уровнями на жестких дисках или в облаке.

Благодаря оркестровке исследователи выполняют вычисления непосредственно в одном и том же пространстве имен, в то время как система автоматически освобождает место, избегая ручного перемешивания и поддерживая стабильную пропускную способность для рабочих нагрузок ИИ и высокопроизводительных вычислительных конвейеров.

Марко также подробно рассказывает о том, что делает подготовку к использованию ИИ в биологических науках особенно сложной задачей: непредсказуемые объемы данных, обусловленные быстрым развитием приборов, разнообразие типов файлов и требования соответствия, связанные с конфиденциальностью пациентов, хранением данных и правилами конкретных стран. В отличие от отраслей, где рост объемов данных легче прогнозировать, обновление прошивки секвенатора или ускорение рабочего процесса криоэлектронной микроскопии могут в одночасье изменить потребности в хранении и сети.

Чтобы узнать больше о будущем высокопроизводительных вычислений в здравоохранении, партнерстве с NVIDIA и ускорении получения аналитических данных, послушайте подкаст Trends from the Trenches.

Источник: www.bio-itworld.com