Semua orang tahu titik sakit dari iterasi pelatihan model besar—data seringkali mulai dari 10TB, dan setiap pembaruan harus diunggah ulang, sehingga menghabiskan banyak waktu dan biaya penyimpanan.

Walrus baru-baru ini melakukan optimasi terhadap masalah ini. Perbaikan inti adalah fitur pembaruan inkremental tingkat potongan—hanya mengunggah blok data yang berubah, sementara yang lain tetap tidak berubah. Kedengarannya sederhana, tetapi hasilnya memang nyata. Ada sebuah kasus nyata, iterasi dataset pelatihan sebesar 10TB, setelah menggunakan solusi ini, waktu yang dibutuhkan langsung dipotong dari beberapa jam menjadi 15 menit. Dari segi biaya, penghematan juga cukup besar, pengeluaran penyimpanan bisa dikurangi hingga 70%.

Bagi perusahaan AI kecil dan menengah, solusi ini sangat praktis. Menghemat waktu sekaligus secara signifikan menurunkan biaya operasional, efisiensi iterasi data meningkat, dan beban penyimpanan juga berkurang. Tampaknya ini adalah pilihan yang bagus.