Almacenamiento
Dell ObjectScale
Plataforma de almacenamiento de objetos, compatible con S3, definida por software y con escalabilidad de nivel exascale. Pensada para aplicaciones modernas, analítica de datos y cargas de trabajo de inteligencia artificial que requieren acceso a datos no estructurados bajo un único namespace global. Empresas en Venezuela que quieren reducir su dependencia de la nube pública sin sacrificar la compatibilidad con S3 encuentran en Dell ObjectScale una alternativa on-premises con control total sobre la soberanía de sus datos. Zetta integra esta plataforma dentro de arquitecturas de nube privada y proyectos de IA, con garantía y soporte oficial Dell.
Compatibilidad total con el estándar S3, sin necesidad de reescribir aplicaciones.
Escalabilidad exascale bajo un único namespace global distribuido.
Optimizado para cargas de IA generativa, con acceso a datos de baja latencia (S3 sobre RDMA en modelos all-flash).
Cotización personalizada
El precio depende de capacidad, licenciamiento y nivel de soporte que necesite tu infraestructura.
Dell Titanium Partner
Garantía Dell
Soporte local
Respuesta en menos de 24 horas hábiles · Sin compromiso.
Especificaciones técnicas
Categoría
Almacenamiento de objetos (S3-compatible)
Modelo
ObjectScale X560 (HDD, todo propósito) / ObjectScale XF960 (all-flash, alto rendimiento)
Capacidad
Hasta 9 PB de capacidad por rack (modelo X560)
Rendimiento
Desde todo propósito (X560) hasta all-flash de baja latencia para IA (XF960)
Conectividad
S3, multiprotocolo, Ethernet (10/25/100 GbE según configuración)
Garantía
3 años, extensible con soporte ProSupport Dell
Preguntas frecuentes
Preguntas frecuentes sobre este producto
¿Cuánto tiempo toma implementar infraestructura para IA en mi empresa?
Depende del tamaño del proyecto. Una implementación estándar con servidores GPU certificados toma entre 4 y 8 semanas, desde el diseño de la arquitectura hasta la puesta en producción.
¿Puedo usar la misma infraestructura para entrenamiento e inferencia?
Sí, aunque el dimensionamiento cambia. El entrenamiento necesita más memoria GPU y cómputo sostenido, mientras que la inferencia prioriza baja latencia. Un diseño modular te permite escalar cada carga por separado.
¿Cuál es la diferencia entre servidores tradicionales y servidores para IA?
Los servidores tradicionales priorizan CPU para cargas transaccionales. Los servidores para IA integran GPU, storage NVMe y redes de alto ancho de banda diseñados específicamente para entrenamiento e inferencia de modelos.
¿Qué GPU necesito para entrenar modelos de inteligencia artificial?
Depende del tamaño del modelo y el dataset. Para entrenamiento intensivo recomendamos GPU NVIDIA de datacenter con memoria alta, mientras que para inferencia basta con aceleradores más pequeños y eficientes.
%20(2)%201%20%5BVectorized%5D.svg)