Nel corso dell’ultimo anno, il 95% delle organizzazioni ha rinviato o cancellato progetti di intelligenza artificiale per ostacoli riconducibili alla governance dei dati, alla compliance o ai vincoli regolatori. Lo dice una ricerca Cloudera, condotta da Wakefield Research su 1.500 tra enterprise architect, cloud infrastructure lead e data architect in tre region e nove mercati (The Great AI Re-Architecture, il titolo), che mette a fuoco la frattura tra ambizione e infrastruttura che investe ormai la maggior parte delle imprese.
I dati restituiscono un movimento su due assi.
Da un lato, l’AI è già una pratica corrente: il 77% delle organizzazioni la utilizza attivamente e il 75% dichiara che le integrazioni con l’AI hanno modificato le pratiche di archiviazione e di architettura dati. Dall’altro, gli interventi realizzati sono per lo più tattici (aggiustamenti sotto pressione operativa) e non riprogettazioni strutturali, e il conto pesa: l’84% dei rispondenti segnala un aumento dei costi infrastrutturali dovuto ai workload di AI, mentre il 72% dichiara che la propria architettura richiede una revisione profonda per sostenere i carichi futuri.
Il tema non è tanto la scelta di una piattaforma ma la ridefinizione della “struttura” tecnologica. “L’attuale evoluzione dell’AI sta spingendo le organizzazioni a ripensare la propria infrastruttura tecnologica dalle basi”, osserva Sergio Gago, chief technology officer di Cloudera, che indica nell’inadeguatezza delle architetture disegnate per l’analytics tradizionale il nodo di partenza, per cui “il successo delle iniziative dedicate dipende dalla capacità di costruire una base dati che offra alle organizzazioni la libertà di eseguire l’AI dove ha più senso, senza compromettere il controllo o la sicurezza”.
Il collo di bottiglia è la data governance. Il 73% dei rispondenti afferma che l’AI l’ha resa più complessa e il 55% dichiara di aver ritardato o cancellato più di sei progetti negli ultimi dodici mesi proprio per questa ragione. A rendere il quadro strutturale contribuisce la distribuzione crescente dei dati, con il 97% degli intervistati che sposta informazioni tra ambienti almeno una volta al mese. Sul piano dei workload, due terzi dei rispondenti (66%) hanno riportato i workload AI dal cloud pubblico verso ambienti privati nel corso dell’anno, mentre un quarto (25%) prevede di adottare nei prossimi due anni un approccio hybrid-first. In questa cornice si collocano le mosse sul mercato di Cloudera.
Cloudera, il lavoro con Vast Data e Nvidia
La prima è la partnership strategica siglata nel cuore dell’estate con Vast Data, azienda specializzata in sistemi operativi per l’AI. L’obiettivo dichiarato è la costruzione di una AI factory unificata: un ambiente di produzione in cui i dati vengono acquisiti, raffinati, governati e resi disponibili ai modelli di AI in modo continuo, tanto in ambienti on-premise quanto sui cloud pubblici. L’integrazione mette a fattore comune i data service containerizzati di nuova generazione di Cloudera e il Vast AI Operating System, con il supporto del reference design Nvidia AI Data Platform.
Il nodo tecnico che le tre aziende puntano a sciogliere ha ricadute rilevanti sulla cosiddetta Gpu starvation, ossia l’inattività dei cluster di acceleratori in attesa dei dati. Nelle pipeline di AI generativa e agentica, un flusso inefficiente si traduce in un utilizzo parziale delle Gpu, con investimenti importanti che di fatto restano sottoutilizzati.
Sul piano architetturale la soluzione è il lakehouse di Cloudera che offre servizi portabili, tra cui data engineering, streaming, analytics, ML e AI, distribuibili in modo coerente in ambienti ibridi e multi-cloud, mentre l’architettura Disaggregated Shared Everything di Vast fornisce una base a scala exabyte, con servizi di vector database integrati con Nvidia cuVS (libreria open source) per l’indicizzazione e la ricerca vettoriale accelerata da Gpu.
Cloudera AI Inference Service, accelerato dai microservizi Nvidia Nim, consente di eseguire modelli aperti, inclusi i più recenti Nvidia Nemotron, mentre i job Apache Spark in Cloudera Data Engineering possono a loro volta sfruttare Nvidia cuDF per l’elaborazione accelerata.
“Le imprese stanno investendo miliardi in Gpu, eppure molte faticano a raggiungere la piena utilizzazione a causa di colli di bottiglia sui dati”, sintetizza Abhas Ricky, chief business officer e general manager Applied AI di Cloudera, mentre Jeff Denworth, co-founder di Vast Data, sposta l’accento sulla continuità produttiva della pipeline: “La maggior parte delle imprese dispone già dei dati necessari per l’AI. La sfida sta nello sbloccare il valore nei dati per creare una pipeline continua di inferenza AI, fine-tuning e analisi dei dati, al fine di costruire la prossima generazione di applicazioni intelligenti”. La partnership aggrega di fatto 60 exabyte di dati gestiti dai clienti delle due aziende, con reference architecture e pattern di deployment validati.
Anywhere Cloud, agilità cloud-native e sovranità sui dati
La seconda mossa è il lancio, annunciato a fine agosto, di Cloudera Anywhere Cloud, piattaforma ibrida per dati e AI progettata per operare in autonomia o come complemento a data lake esistenti. La proposta risponde a un doppio vincolo che le organizzazioni intervistate per il report indicano come blocco ricorrente: da un lato la frammentazione infrastrutturale (1), dall’altro la crescente stringenza dei requisiti di sovranità sui dati (2). Un dato citato da Cloudera stessa nell’annuncio, il 73% dei responsabili IT segnala che i limiti delle prestazioni infrastrutturali ostacolano le iniziative, circoscrive il perimetro del problema. Anywhere Cloud punta a portare l’agilità cloud-native direttamente dove risiedono i dati, con un’architettura modulare che consente di distribuire, governare e scalare i singoli servizi di dati e AI su cloud pubblici, infrastrutture sovrane e data center privati da un unico pannello di controllo. L’obiettivo è ridurre l’impatto delle migrazioni ed evitare il lock-in verso vendor proprietari, sostenendo il passaggio dalla sperimentazione alla produzione senza rinunciare a governance uniforme e sovranità digitale.
L‘infrastruttura si appoggia a standard aperti, tra cui Apache Iceberg, catalogo Polaris e Api unificate, per l’interoperabilità dei motori analitici, mentre i clienti possono distribuire ovunque motori come Spark, Kafka o Trino, oppure altri componenti open source o di partner. Il copilot agentico di Cloudera, integrato nella piattaforma, traduce richieste in linguaggio naturale in flussi di lavoro dati automatizzati e in operazioni di gestione dell’infrastruttura tra ambienti diversi. Tra i partner di progettazione della soluzione figurano Admiral Technologies, ExxonMobil, Iqvia, Ixen.ai e Mastercard.
“L’AI enterprise ha superato il modello basato esclusivamente sul cloud pubblico”, spiega Leo Brunnick, chief product officer di Cloudera. Nel definire l’offerta, il manager insiste sull’incastro tra logiche cloud-native e piena disponibilità del patrimonio informativo. “Cloudera Anywhere Cloud porta la velocità e la flessibilità del cloud direttamente ai dati enterprise, consentendo ai clienti di accelerare le iniziative AI mentre mantengono la piena proprietà dei dati e del patrimonio intellettuale, il tutto ottimizzando i costi di infrastruttura, token e business model prescelto”. Lette in sequenza, la fotografia del report e le due mosse di mercato – la partnership con Vast Data e Nvidia sulla AI factory e il lancio di Anywhere Cloud sulla piattaforma ibrida – restituiscono la linea con cui Cloudera propone di traghettare l’AI enterprise oltre la fase degli aggiustamenti reattivi: una base dati coerente su ambienti diversi, in cui la governance è parte dell’infrastruttura e non un vincolo esterno.
© RIPRODUZIONE RISERVATA
