Kui tehisintellekti (AI) kiirendid seisavad jõude, ei peitu probleem tavaliselt kiipides, vaid andmete liikumises nendeni. Tänapäeva AI treenimine ja järeldamine nõuavad pidevat suure ribalaiusega ja madala latentsusega andmevoogu, mida vananenud andmesalvestus pole loodud pakkuma. Tulemuseks on nn näljutatud GPU – kallis kiirendi, mis ootab andmeid.
Probleemi leevendamiseks kopeerivad meeskonnad andmestikke erinevatesse keskkondadesse, makstes HPE sõnul lisahüpete ja viivituste eest n-ö lavastamismaksu. Gartneri andmetel toob ainult 28% AI-taristu projektidest täielikku investeeringutasuvust ning andmesalvestus on üha sagedamini kitsaskoht. Väikestel andmestikel toiminud katsetused põrkuvad mastaapimisel läbilaskevõime piirangutele.
HPE soovitab AI-valmis andmearhitektuuri, mis ühendab andmetele juurdepääsu, rikastab andmeid sissevoolul vektorite ja metaandmetega (nt Model Context Protocol kaudu), tagab püsiva läbilaskevõime NVMe ja GPUDirect-lahendustega ning rakendab ühtset haldust kogu andmeahelas. Tulemuseks on kiirem iteratsioon, parem GPU-de kasutus ja võimalus arendada pilootprojektidest reaalseid tootmissüsteeme.