QNAP amplia la propria offerta per l’AI on-premises con QAI-h1290FX, un server storage Edge AI pensato per aziende che vogliono eseguire modelli LLM privati, pipeline RAG e applicazioni di AI generativa mantenendo dati, infrastruttura e capacità di calcolo all’interno del proprio perimetro operativo.
La nuova soluzione nasce in un contesto in cui sovranità dei dati, bassa latenza e controllo dell’infrastruttura stanno diventando criteri sempre più rilevanti per l’adozione dell’intelligenza artificiale in azienda. Non tutte le organizzazioni possono o vogliono affidare carichi di lavoro AI al cloud pubblico, soprattutto quando entrano in gioco documenti riservati, knowledge base interne, dati regolati o processi critici. QAI-h1290FX si inserisce precisamente in questo spazio, proponendo una piattaforma all-flash con capacità di accelerazione GPU e strumenti AI già predisposti.
QNAP QAI-h1290FX punta su LLM privati, RAG e AI generativa on-premises
QAI-h1290FX è progettato per supportare il deployment privato di Large Language Model, motori di ricerca basati su Retrieval-Augmented Generation e applicazioni di AI generativa. La piattaforma combina processori AMD EPYC di classe server, dodici slot U.2 NVMe e SATA SSD e il supporto a GPU NVIDIA RTX, con l’obiettivo di offrire un’infrastruttura ad alte prestazioni per l’inferenza locale e per l’elaborazione di dati aziendali sensibili.
Il messaggio di QNAP è chiaro: portare l’AI generativa vicino ai dati, riducendo la dipendenza dal cloud e consentendo alle aziende di controllare direttamente prestazioni, sicurezza, privacy e governance. In questo senso, il QAI-h1290FX non è soltanto un NAS potenziato, ma una piattaforma edge pensata per far girare workload AI in locale, con un’impostazione più vicina a quella di una appliance aziendale per l’intelligenza artificiale privata.
Il sistema operativo QuTS hero, basato su ZFS, introduce funzioni di integrità dati, snapshot e deduplicazione inline, elementi rilevanti in scenari in cui l’AI non è più un semplice esperimento, ma entra nei flussi produttivi. Per i team IT, gli sviluppatori e i gruppi di ricerca, la possibilità di eseguire modelli, container e macchine virtuali in un ambiente controllato rappresenta un vantaggio operativo concreto, soprattutto quando i dati non possono uscire dall’azienda.
AI on-premises e storage all-flash per ridurre la dipendenza dal cloud grazie a QAI-h1290FX
Uno degli elementi centrali del QAI-h1290FX è l’architettura storage all-flash. I dodici bay U.2 NVMe e SATA SSD sono pensati per sostenere carichi I/O intensivi, come l’esecuzione di modelli AI, la consultazione rapida di grandi basi documentali e lo streaming di dati verso pipeline di inferenza. In ambito RAG, dove la velocità di accesso ai documenti e agli indici può incidere in modo diretto sulla reattività del sistema, questa impostazione è particolarmente significativa.
La piattaforma è basata su processore AMD EPYC 7302P a 16 core e 32 thread, una scelta orientata a carichi di lavoro paralleli, virtualizzazione e inferenza AI. A questo si aggiunge il supporto per GPU workstation NVIDIA RTX PRO 6000 Blackwell Max-Q, con fino a 96 GB di memoria GPU e supporto ad accelerazioni come CUDA, TensorRT e Transformer Engine. La combinazione è pensata per workload come inferenza LLM on-premises, generazione di immagini e applicazioni di deep learning.
QNAP sottolinea anche la possibilità di utilizzare la GPU sia nei container sia nelle macchine virtuali. Container Station supporta l’accesso nativo alla GPU nei container, mentre Virtualization Station abilita il passthrough GPU alle VM. Per le aziende, questo significa poter segmentare ambienti, applicazioni e risorse mantenendo una gestione centralizzata dell’infrastruttura.
Strumenti AI preinstallati per accelerare il deployment
Il QAI-h1290FX include una selezione di strumenti AI preinstallati, tra cui AnythingLLM, OpenWebUI e Ollama. La scelta è coerente con l’obiettivo di ridurre la complessità iniziale per chi vuole creare assistenti AI privati, interfacce conversazionali interne o knowledge base aziendali alimentate da modelli locali.
QNAP indica inoltre l’integrazione in corso di applicazioni come Stable Diffusion, ComfyUI, n8n e vLLM. Questo ampliamento guarda a scenari differenti: dalla generazione di immagini per team creativi all’orchestrazione di workflow automatizzati, fino all’esecuzione più efficiente di modelli linguistici in ambienti aziendali. L’approccio è quello di offrire una base già predisposta, evitando che ogni organizzazione debba costruire da zero una workstation GPU, configurare manualmente gli strumenti e gestire dipendenze complesse.
Oliver Lam, Product Manager di QNAP, ha spiegato: “Il QAI-h1290FX risponde alla crescente domanda di infrastrutture AI on-premises. Volevamo eliminare le difficoltà nella creazione di una workstation GPU, nell’installazione degli strumenti e nella configurazione di ambienti complessi. Con il QAI-h1290FX, gli utenti possono distribuire ed eseguire i propri modelli AI subito, con il pieno controllo dei propri dati e senza alcuna dipendenza dal cloud.”
La dichiarazione mette in evidenza un punto critico dell’adozione AI nelle imprese: molte organizzazioni hanno interesse a usare modelli generativi e strumenti RAG, ma non dispongono necessariamente delle competenze o del tempo per assemblare, configurare e mantenere infrastrutture AI locali. QNAP prova quindi a posizionare QAI-h1290FX come una scorciatoia infrastrutturale, senza però rinunciare alla flessibilità di container, VM e accelerazione GPU.
Dalla ricerca RAG agli assistenti AI interni
Gli scenari d’uso indicati da QNAP coprono alcune delle applicazioni più ricorrenti dell’AI generativa in azienda. Il primo è quello degli assistenti AI interni, utilizzabili per la ricerca di informazioni, la formazione dei dipendenti e le risposte su policy, procedure e documentazione aziendale. In questi casi, la capacità di mantenere l’intero sistema on-premises può essere decisiva quando le informazioni trattate sono riservate o soggette a vincoli di compliance.
Un secondo ambito è la ricerca RAG aziendale. Le pipeline Retrieval-Augmented Generation consentono di interrogare contratti, report, manuali e archivi documentali interni con risposte contestuali basate sui dati dell’organizzazione. Eseguire questi processi localmente consente di ridurre l’esposizione dei documenti verso servizi esterni e di mantenere maggiore controllo sulla catena di elaborazione.
Il QAI-h1290FX può essere usato anche per la generazione di immagini in team creativi, attraverso strumenti come Stable Diffusion o ComfyUI, e per l’automazione IT guidata dall’AI tramite n8n. Quest’ultimo scenario è particolarmente interessante perché collega inferenza, generazione di contenuti, avvisi e processi aziendali automatizzati in un unico ambiente operativo.
Rete ad alta velocità e scalabilità per workload AI edge
La nuova piattaforma integra doppia porta 25GbE e doppia porta 2,5GbE, con la possibilità di aggiornamenti opzionali fino a 100GbE tramite slot PCIe. È un dettaglio importante perché i carichi AI non dipendono solo dalla potenza di calcolo locale, ma anche dalla velocità con cui dati, dataset, indici e risultati possono muoversi tra storage, client, server e sistemi applicativi.
Il supporto alle unità di espansione JBOD QNAP consente inoltre di aumentare la capacità di storage per scenari AI più ampi. In ambiti come ricerca documentale, archiviazione di dataset, generazione multimediale o analisi interna di grandi volumi di dati, la scalabilità dello storage può diventare un vincolo operativo quanto la disponibilità di GPU.
Con QAI-h1290FX, QNAP cerca quindi di unire tre livelli che spesso restano separati: storage enterprise, virtualizzazione e infrastruttura AI locale. La combinazione può risultare interessante per studi legali, dipartimenti HR, team creativi, reparti IT e organizzazioni che vogliono sperimentare o mettere in produzione applicazioni AI mantenendo i dati all’interno dell’azienda.
Il punto non è sostituire in modo assoluto il cloud, ma offrire un’alternativa concreta nei casi in cui latenza, privacy, controllo operativo e sovranità del dato pesano più della semplicità del consumo a servizio. Per l’AI generativa aziendale, questa distinzione sta diventando sempre più rilevante.
