NetApp Novus Targetkan Kecepatan Transfer Data Lebih dari 100 TB per Detik

JAKARTA — Kebutuhan komputasi kecerdasan buatan (artificial intelligence/AI) berskala besar mendorong pengembangan teknologi penyimpanan data yang mampu memasok informasi dengan cepat. Untuk menjawab kebutuhan tersebut, NetApp memperkenalkan Novus, sistem penyimpanan data yang dirancang untuk menjaga kinerja prosesor grafis atau graphics processing unit (GPU) tetap optimal, dengan kecepatan transfer data yang ditargetkan melampaui 100 terabyte per detik (TBps).

Teknologi yang diumumkan pada 8 Oktober 2026 ini menyasar penyedia infrastruktur AI, termasuk perusahaan penyedia layanan komputasi berbasis GPU. Sistem tersebut dirancang untuk mendukung pusat komputasi AI berskala besar yang membutuhkan pasokan data terus-menerus untuk melatih dan menjalankan model kecerdasan buatan.

NetApp mengklaim Novus sebagai teknologi penyimpanan tercepat di dunia yang dirancang khusus untuk kebutuhan tersebut. Arsitekturnya disiapkan untuk menangani data dalam skala sangat besar, bahkan hingga zettabyte, satuan yang setara dengan satu miliar terabyte.

Salah satu persoalan yang ingin diatasi adalah ketidakseimbangan antara kecepatan pemrosesan GPU dan kemampuan sistem penyimpanan memasok data. Ketika data terlambat tersedia, GPU harus menunggu sehingga kapasitas komputasi yang mahal tidak dimanfaatkan secara maksimal.

Menurut NetApp, pemanfaatan GPU pada sistem penyimpanan tradisional dapat turun di bawah 30% ketika pasokan data menjadi hambatan. Kondisi ini berpotensi meningkatkan biaya operasional dan mengurangi keuntungan investasi infrastruktur AI.

“AI factory kesulitan dan ekonomi GPU runtuh ketika data tidak mampu mengimbangi,” ujar Syam Nair, Chief Product Officer NetApp.

Ia mengatakan, infrastruktur penyimpanan yang sebelumnya digunakan untuk komputasi berkinerja tinggi belum tentu mampu memenuhi kebutuhan pusat komputasi AI modern. Karena itu, NetApp mengembangkan Novus untuk meningkatkan kecepatan penyediaan data sekaligus memungkinkan kapasitas sistem bertambah seiring pertumbuhan kebutuhan AI.

Pisahkan Pengelolaan dan Aliran Data

Novus menggunakan pendekatan yang memisahkan pengelolaan informasi tentang berkas dari proses pengiriman data. Informasi tentang berkas membantu sistem menemukan dan mengatur data, sedangkan jalur data menangani proses membaca dan mengirimkan informasi ke GPU.

Pemisahan ini dirancang agar kecepatan, kapasitas penyimpanan, dan kemampuan melayani banyak permintaan secara bersamaan dapat ditingkatkan secara terpisah.

Sistem tersebut juga memungkinkan data diakses melalui satu ruang penyimpanan logis, meskipun kapasitasnya terus berkembang. Pendekatan ini diharapkan mengurangi kerumitan pengelolaan data ketika jumlah berkas dan ukuran kumpulan data AI meningkat.

Pada tahap awal, Novus menggabungkan perangkat lunak pengelolaan metadata Novus Data Director yang berjalan pada infrastruktur Supermicro dengan sistem penyimpanan AFF A90 yang menggunakan layanan data NetApp ONTAP.

Kombinasi tersebut dirancang untuk menghasilkan kecepatan transfer data lebih dari 100 TBps sekaligus mempertahankan fitur pengelolaan dan perlindungan data untuk kebutuhan perusahaan.

Novus juga disiapkan untuk lingkungan komputasi yang digunakan bersama oleh banyak pelanggan (multi-tenant). Sistem ini dirancang agar setiap pelanggan dapat menggunakan sumber daya sesuai kebutuhannya tanpa mengganggu lingkungan pengguna lain.

NetApp menyatakan Novus sudah dapat dipesan. Perusahaan juga menyiapkan pengembangan sistem menuju model berbasis perangkat lunak yang memungkinkan pengelolaan lebih fleksibel pada masa mendatang.

Efisiensi Biaya Infrastruktur AI

Selain meningkatkan kecepatan transfer data, Novus dirancang untuk membantu operator menyesuaikan kapasitas penyimpanan dengan kebutuhan pekerjaan (workload). Dengan begitu, penambahan sumber daya dapat dilakukan sesuai kebutuhan tanpa harus meningkatkan seluruh komponen infrastruktur secara bersamaan.

Pendekatan ini berpotensi menekan kebutuhan listrik, ruang pusat data, dan biaya operasional. Bagi penyedia layanan komputasi AI, efisiensi tersebut penting karena nilai investasi sangat bergantung pada seberapa optimal GPU digunakan.

Mike Leone, Vice President sekaligus Principal Analyst di Moor Insights & Strategy, mengatakan kemampuan penyimpanan dalam memasok data menjadi faktor penting bagi kinerja infrastruktur AI.

Menurut dia, sistem penyimpanan yang tidak mampu mengikuti kebutuhan komputasi dapat membatasi proses pelatihan model, pengelolaan pengguna, dan hasil investasi. Novus, kata Leone, menawarkan pendekatan yang menggabungkan pengelolaan data dan penyimpanan berkecepatan tinggi untuk mendukung pertumbuhan penyedia layanan AI.

Pengujian Menunjukkan Potensi Skalabilitas

Potensi kinerja Novus juga diuji oleh Omdia, lembaga analisis industri teknologi. Tony Palmer, Chief Analyst di Omdia, mengatakan pengujian menunjukkan kinerja sistem meningkat mendekati proporsional ketika kapasitas klaster (cluster) penyimpanan ditambahkan ke dalam satu sistem pengelolaan data.

Berdasarkan hasil pengujian dan pemodelan, Omdia memproyeksikan Novus dapat mencapai kecepatan baca data berurutan (sequential read) hingga 100 TBps, dengan kapasitas efektif puluhan exabyte atau lebih. Satu exabyte setara dengan satu juta terabyte.

Palmer menilai kemampuan tersebut berpotensi mendukung pusat komputasi AI dengan kebutuhan data yang sangat besar. Meski demikian, angka 100 TBps tersebut merupakan proyeksi berdasarkan pemodelan Omdia, bukan jaminan bahwa seluruh konfigurasi sistem akan mencapai kinerja yang sama dalam setiap penggunaan.

Sementara itu, Jeremy Foster, Senior Vice President and General Manager Cisco Compute, menilai pengembangan infrastruktur AI membutuhkan integrasi antara komputasi, jaringan, dan penyimpanan data. Menurut dia, peningkatan kemampuan GPU saja tidak cukup jika data yang dibutuhkan tidak dapat disediakan secara optimal.

Peluncuran Novus menunjukkan bahwa pengembangan AI tidak hanya bergantung pada kemampuan prosesor, melainkan juga pada kecepatan sistem penyimpanan memasok data. Seiring bertambahnya jumlah GPU dan kompleksitas model AI, penyimpanan data menjadi salah satu faktor yang menentukan efisiensi pusat komputasi.

Namun, manfaat aktual teknologi ini tetap bergantung pada konfigurasi sistem, jenis pekerjaan AI, dan hasil penerapannya di lingkungan operasional.