Huawei presenteert een vijflaagse infrastructuur die opslag en kunstmatige intelligentie samenbrengt. De aanpak richt zich op bedrijven en overheden die AI willen opschalen zonder datasilo’s. De introductie is recent toegevoegd aan het portfolio en mikt op internationale klanten, inclusief Europa. Doel is snellere AI-projecten die beter passen bij de AVG en de Europese AI-verordening (AI Act), met gevolgen voor overheid en zorg op het moment van schrijven.
Vijf lagen voor AI
De nieuwe opzet bundelt hardware en software in één geheel voor data-intensieve AI-toepassingen. Opslag, netwerk, gegevensbeheer, rekenkracht en applicaties worden als lagen georganiseerd. Zo moeten data sneller beschikbaar komen voor training en inferentie, met minder kopieën en minder beheerlast. Het resultaat moet een kortere tijd van data naar inzichten zijn.
In zo’n vijflaagse structuur krijgt elke laag een duidelijke taak. De opslaglaag beveiligt en serveert data, terwijl een gegevenslaag indexeert, schoonmaakt en labelt. Een rekenlaag voert modeltraining en inferentie uit met GPU’s of NPU’s, aangestuurd door een orkestratielaag. Bovenaan draaien de AI-applicaties die waarde leveren aan de business.
Huawei zet al langer in op deze combinatie van data en AI. Eerdere uitingen koppelden het AI-platform ModelArts aan Ascend-versnellers en enterprise-opslag. De nu beschreven vijflaagse aanpak past in die lijn van nauwere integratie. Daarmee wil het bedrijf knelpunten tussen data-infrastructuur en algoritmen wegnemen.
Data dichter bij rekenkracht
AI-projecten lopen vaak vast op trage datastromen en veel kopieerwerk. Door rekenkracht dichter bij de data te plaatsen, dalen de wachttijden en netwerkkosten. Dit principe, ook wel “compute to data”, beperkt verplaatsing van grote datasets. Het kan vooral verschil maken bij multimodale en generatieve modellen die continu data opslurpen.
De infrastructuur mikt op efficiënte paden van edge naar datacenter en cloud. Tussenlagen met cache en snellere schijven verkorten de route naar hete data. Koude data blijft goedkoop opgeslagen, maar is wel vindbaar voor hertraining. Zo ontstaat een keten die inferentie en hergebruik van data versnelt.
Netwerk en protocollen spelen daarbij een stille hoofdrol. Moderne Ethernet-varianten met verliesarme overdracht verminderen vertraging tussen opslag en AI-servers. Zero-copy en RDMA-achtige technieken beperken CPU-overhead bij datatransport. Samen kan dit de GPU- of NPU-bezetting verhogen en verspilling voorkomen.
Beheer en beveiliging centraal
Een hechtere stack vraagt om sterk centraal beheer. Organisaties willen één plek voor provisioning, lifecycle, kosten en prestatiebewaking. Dat geldt ook voor MLOps-functies zoals datasetversies, herleidbaarheid en modelbewaking. Zonder zicht op data en modellen lopen risico’s en kosten snel op.
Beveiliging en privacy moeten in elke laag meekomen. Versleuteling van data in rust en onderweg is standaard, net als fijnmazige toegangsrechten. Voor AVG-conforme verwerking zijn dataminimalisatie, bewaartermijnen en pseudonimisering belangrijk. Audits en logging helpen aantonen wie welke data en modellen gebruikte.
Een datafabric is een softwarelaag die data uit verschillende bronnen vindbaar, beheersbaar en veilig maakt, alsof het één geheel is.
Transparantie over wat het systeem doet blijft cruciaal. Organisaties willen inzicht in automatische optimalisaties en dataroutes. Zonder uitlegbaarheid ontstaat snel vendor lock-in of schaduw-IT. Heldere API’s en exportopties zijn daarom geen luxe, maar noodzaak.
Europese regels sturen keuzes
De Europese AI-verordening eist strengere data- en modelgovernance, vooral bij hoog-risicosystemen. Denk aan documentatie, datakwaliteit, herleidbaarheid en monitoring. Een geïntegreerde infrastructuur kan dit vereenvoudigen, mits functies aantoonbaar compliant zijn. Op het moment van schrijven bereiden leveranciers en gebruikers zich daarop voor.
De AVG blijft de basis voor alle persoonsgegevens. Dataminimalisatie, doelbinding en rechten van betrokkenen moeten in de stack zijn ingebouwd. Voor publieke sector en zorg telt ook dataverblijf in de EU en heldere verwerkersafspraken. Encryptie, sleutelbeheer en audittrail zijn hierbij doorslaggevend.
Europese en Nederlandse instellingen kijken daarnaast naar inkoop- en risicoafwegingen. Herkomst van hardware en software, exportregels en leveringszekerheid tellen mee. Soevereiniteit en interoperabiliteit met Europese cloud-initiatieven spelen een grotere rol. Dit maakt open standaarden en transparante certificering steeds belangrijker.
Gevolgen voor IT-teams
Voor IT-afdelingen kan een vijflaagse aanpak beheer versimpelen. Minder losse componenten betekent minder integratiewerk en sneller uitrollen. Maar teams hebben wel nieuwe vaardigheden nodig in data-engineering en MLOps. Samenwerking tussen storage-, netwerk- en AI-teams wordt de norm.
Migratie en openheid blijven aandachtspunten. Ondersteuning voor gangbare standaarden zoals S3, NFS en ONNX verkleint lock-in. Heldere exportpaden voor data, modellen en metadata moeten contractueel vastliggen. Dat geldt ook voor prestatiegaranties en exit-scenario’s.
Kosten en duurzaamheid wegen zwaarder mee in Europese tenders. Geïntegreerde stacks kunnen hardware beter benutten en energie sparen. Tegelijk vragen AI-versnellers om nauwkeurige capaciteitsplanning. Transparantie over TCO en stroomverbruik is daarom essentieel bij selectie en schaalvergroting.
Wat werkt en wat ontbreekt
De belofte is minder frictie tussen data en algoritmen. Snellere toegang, eenduidig beheer en betere observability helpen AI-projecten vooruit. Vooral organisaties met veel datastromen kunnen hiervan profiteren. Dat geldt zowel voor bedrijfsleven als voor overheid en zorg.
Wat nog ontbreekt, is gestandaardiseerd bewijs van compliance en prestaties. Onafhankelijke benchmarks en certificaten maken claims toetsbaar. Europese proefprojecten en referenties zouden de drempel verlagen. Transparantie over integratie met bestaande tooling blijft eveneens belangrijk.
Ook blijft de vraag hoe goed legacy-systemen meebewegen. Niet elke dataset is schoon, gelabeld of direct bruikbaar voor AI. Zonder datakwaliteit en governance blijft zelfs de beste infrastructuur onderbenut. De komende maanden moeten laten zien hoe volledig de lagen samenwerken in de praktijk.