AIプロジェクトの予算におけるクラウドストレージの項目が、予算超過の原因となることはほとんどありません。ストレージのコストは予測可能です。データセットのサイズも、1GBあたりの料金も分かっているため、プロジェクト開始前に月額コストを算出できるからです。チームを不意打ちにするのは、当初の見積もりには含まれていない項目、すなわちデータ転送費用です。
2026年のAIワークロードに関するクラウド利用料金は、予測を30～40％上回っています。これはストレージのコストが高くなったからではなく、トレーニングによって発生するデータ転送が予算に計上されていなかったためです。この費用自体は新しいものではありませんが、その規模がこれまでとは異なっているのです。
Unity™ NVシリーズおよびAIトレーニングインフラについて、Nexsan®の専門家にご相談ください →
なぜAIワークロードによって予期せぬクラウドのアウトバウンド通信料が発生するのでしょうか？
クラウドのエグレス料金は、AWS、Azure、GCPでは1ギガバイトあたり0.08～0.12ドルが課金され、データがクラウドストレージからコンピューティング環境へ転送されるたびに適用されます。AIのトレーニングでは、データセットを1回だけ読み込むのではなく、各エポック、チェックポイントの保存、チェックポイントの復元、検証処理のたびに繰り返し読み込みが行われます。 定期的に再実行が行われる10TBのトレーニングデータセットの場合、モデルが本番環境に展開される前に、毎月4,000ドルのアウトバウンド料金が発生する可能性があります。
課金範囲はアーキテクチャ上の事実であり、価格設定上の異常ではない
エグレス料金は、クラウドベンダーの価格設定における単なる特異な点ではありません。これは、特定のアーキテクチャ上の条件――すなわち、トレーニングデータとトレーニング用コンピューティングリソースがネットワーク課金境界によって分離されていること――から必然的に生じる結果なのです。
AIコンピューティングがクラウドオブジェクトストレージ（AWS S3、Azure Blob、GCP Cloud Storageなど）からトレーニングデータを取得する際、その境界を越えることになります。 クラウドプロバイダーはその転送を記録し、料金を請求します。Azureでは0.087ドル/GB、AWSでは0.09ドル、GCPでは転送先に応じて0.08ドルから0.12ドルです。これらは不当な上乗せ料金ではありません。これらは、トレーニングジョブが使用するネットワークに対して、クラウドプロバイダーが課金する仕組みなのです。
AIインフラの計画では、ほとんどの場合、アウトバウンドトラフィックは無視できるもの、つまり演算やストレージのコストに付随する丸め誤差程度と見なされています。しかし、このアーキテクチャでは、アウトバウンドトラフィックが相当な量になることが確実です。これは単なる請求上の異常ではなく、データの保存場所に関する設計上の決定から生じる、予測可能な結果なのです。
AIワークロードにおけるオンプレミスのTCO計算がどのように変わるかをご覧ください →
トレーニングが転移効果をいかに高めるか
出力量が予想より大きくなる理由は、データセットのサイズにあるわけではありません。それは、トレーニングの過程でデータが何回処理されるかによるものです。
10TBのデータセットでモデルを学習させる場合、10TB全体を一度に移動させるわけではありません。1エポックごとに10TBを移動させるものであり、ほとんどの学習実行では収束までに10～50エポックを要します。各エポックは、データセットを1回完全に処理することです。 チェックポイントの保存が行われるたびに、モデルの状態がストレージに書き戻されます。分散実行が失敗したり再起動したりした際のチェックポイントの復元では、その状態が読み出されます。検証処理では、別のスライスが読み込まれます。ハイパーパラメータのチューニングでは、以前のチェックポイントからシーケンスが再実行されます。
10TBのデータセットを用いた1回のトレーニング実行における総データ転送量は、通常100TBから500TBになります。1GBあたり0.09ドルの場合、1回の実行あたり9,000ドルから45,000ドルのコストがかかります。 クラウドコストを「10TB × ストレージ料金」とモデル化したチームは、最初のエポックが完了する前に、コスト見積もりが1桁も外れていました。
より控えめなシナリオ――10TBのデータセット、週に4～5回のフルパス――でも、月間約4,000ドルのアウトバウンド料金が発生します。 AWS S3における同じデータセットのストレージコストは、月額約230ドルです。データ転送費の項目はストレージ費の17倍以上にもなり、しかもこれは当初の見積もりには含まれていなかった費用です。
大規模な非構造化データセットが、クラウド環境においてどのように同様の課金メカニズムを生み出すのかをご覧ください →
「ふさわしい場所」とはどのようなものか
より有利なデータ転送料金を交渉しても、この問題は解決しません。1ギガバイトあたりの転送コストが安いプロバイダーに乗り換えても同様です。どちらのアプローチも、課金単位を固定のものとして受け入れ、請求額を削減しようとするものです。
もう一つのアーキテクチャ上の選択肢は、課金対象となる境界が存在しない構成です。トレーニングデータがローカルストレージに保存され、演算処理が同じネットワークから行われる場合、課金対象となるデータ転送イベントは発生しません。アウトバウンドの明細項目は削減されるのではなく、そもそも存在しないのです。
Unity™ NV-Series™ は、まさにこの目的のために設計されています。GPU トレーニングワークロードがローカルネットワークを介して直接アクセスできる、NVMe ベースのローカルストレージです。データセットは Unity™ NV-Series 上に格納され、演算処理も同一のネットワーク上で実行されます。 各エポック、各チェックポイントの保存と復元、各検証パス――これらすべてがローカルストレージ上で実行され、トレーニングの頻度や再実行回数に応じてコストが増加することはありません。
現在、企業の64％がAI向けにハイブリッドストレージを導入しています。この導入の背景にあるアーキテクチャの理屈は単純です。つまり、課金対象範囲内で発生した費用については、トレーニングデータをその範囲外に移すことで、その費用を回避できるのです。
クラウドコンピューティングが、推論、モデルサービング、あるいはバースト容量にとって適切な解決策であるかどうかは、別の問題です。AIワークロードが繰り返し、かつ大規模に読み込むトレーニングデータセットについては、インフラコストが予測可能となる場所は、アウトバウンド通信料がコスト項目に含まれない場所です。
AIトレーニングインフラ向け「Unity™ NVシリーズ」について、Nexsanまでお問い合わせください →
* 詳細なコンテンツは英語のみでご利用いただけます。