Eine Infrastruktur für künstliche Intelligenz (KI) aufbauen

Big Data Storage: Infrastruktur-Anforderungen für KI

Eine zentrale Überlegung betrifft die KI-Datenspeicherung – insbesondere die Fähigkeit, den Storage bei wachsendem Datenvolumen zu skalieren. Während Unternehmen KI-Strategien vorbereiten und die erforderliche Infrastruktur aufbauen, muss Storage oberste Priorität haben. Dazu gehört die Sicherstellung einer angemessenen Speicherkapazität, IOPS und Zuverlässigkeit. All dies ist notwendig, um die riesigen Datenmengen zu bewältigen, die für effektive KI erforderlich sind.

Die Entscheidung, welche Art von Storage ein Unternehmen benötigt, hängt von vielen Faktoren ab. Wichtige Fragen sind etwa, welche Art von KI eingesetzt werden soll und ob Entscheidungen in Echtzeit getroffen werden müssen.

Beispielsweise können in fortschrittlichen, hochwertigen Ökosystemen für neuronale Netzwerke übliche NAS-Architekturen Skalierungsprobleme bei Input und Output und bei der Latenz haben. Analog benötigt ein Unternehmen für Finanzdienstleistungen, das KI-Systeme für Entscheidungen im Echtzeithandel einsetzt, möglicherweise schnelle All-Flash-Storage-Technologie.

Viele Unternehmen bauen bereits Big-Data- und Analyseumgebungen auf, die für enorme Datenmengen ausgelegt sind. Diese werden wahrscheinlich auch für viele Arten von KI-Anwendungen geeignet sein.

Ein weiterer Faktor ist die Art der Quelldaten. KI-Anwendungen sind auf umfangreiche Quelldaten angewiesen. Daher muss ein Unternehmen wissen, wo sich die Quelldaten befinden und wie die KI-Anwendungen sie nutzen. Analysieren die Anwendungen beispielsweise Sensordaten in Echtzeit oder verwenden sie Post-Processing?

Sie sollten auch berücksichtigen, wie viele KI-Daten Anwendungen erzeugen werden. KI-Anwendungen treffen bessere Entscheidungen, wenn sie mit mehr Daten konfrontiert werden. Da die Datenbanken mit der Zeit wachsen, müssen Unternehmen die Kapazität überwachen und bei Bedarf Erweiterungen einplanen.

KI-Netzwerkinfrastruktur

Die Vernetzung ist eine weitere Schlüsselkomponente einer Infrastruktur für künstliche Intelligenz. Um die hohe Effizienz, die für die Unterstützung von KI- und Machine-Learning-Modellen erforderlich ist, zu erreichen, müssen Unternehmen wahrscheinlich ihre Netzwerke aufrüsten.

Deep-Learning-Algorithmen sind in hohem Maße von der Kommunikation abhängig. Die Unternehmensnetzwerke müssen deshalb mit der Nachfrage Schritt halten, wenn die KI-Anwendungen zunehmen. Aus diesem Grund sollte Skalierbarkeit hohe Priorität haben – und das erfordert hohe Bandbreiten, niedrige Latenzzeiten und kreative Architekturen.

Unternehmen sollten, wo immer möglich, automatisieren. Beispielsweise sollten sie in ihren Rechenzentren automatisierte Tools für das Infrastrukturmanagement bereitstellen.

Auch die Anbieter von Netzwerkinfrastrukturen versuchen inzwischen, dasselbe zu tun. Software-definierte Netzwerke (SDN) werden mit maschinellem Lernen kombiniert, um ein Intent-based Network (IBN) zu schaffen. Diese können Netzwerkanforderungen oder Sicherheitsbedrohungen vorhersehen und in Echtzeit reagieren.

KI-Anwendungen

Ebenfalls wichtig für eine KI-Infrastruktur sind ausreichende Rechenressourcen, wozu vor allem CPUs und GPUs zählen.

Eine CPU-basierte Umgebung kann einfache KI-Anwendungen bewältigen. Deep Learning benötigt allerdings mehrere große Datensätze und den Einsatz skalierbarer neuronaler Netzwerkalgorithmen. Hierfür ist eine CPU-basierte Umgebung möglicherweise nicht ausreichend.

Um für fortgeschrittene KI-Anwendungen die erforderlichen Rechenkapazitäten bereitzustellen, müssen Unternehmen GPUs einsetzen. Durch die Nutzung von GPUs können Unternehmen ihre Rechenzentrumsinfrastruktur optimieren und die Energieeffizienz steigern.

Zahlreiche Anbieter stellen auf KI spezialisierte GPUs und CPUs her, so dass Unternehmen beim Kauf von KI-Hardware die Wahl haben. Nvidia zum Beispiel ist ein führender Hersteller von GPUs für KI, während Intel Chips verkauft, die explizit für spezifische KI-Anwendungen wie Inferencing und die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) entwickelt wurden.

Inzwischen haben auch neuere Hersteller wie Graphcore, Cerebras und Ampere Prozessoren für fortgeschrittene KI-Workloads entwickelt.

KI-Daten vorbereiten

Unternehmen haben bei KI viel zu beachten. Sie müssen nicht nur entscheiden, wo sie die Daten speichern, wie sie diese über Netzwerke übertragen und wie sie sie verarbeiten. Sie müssen sich auch überlegen, wie sie die Daten für die Verwendung in KI-Anwendungen aufbereiten wollen.

Einer der entscheidenden Schritte für eine erfolgreiche Unternehmens-KI ist Datenbereinigung. Dabei handelt es sich um den Prozess der Aktualisierung oder Entfernung von ungenauen, unvollständigen, falsch formatierten oder doppelten Daten aus einer Datenbank.

Jedes Unternehmen sollte den Einsatz automatisierter Datenbereinigungs-Tools in Betracht ziehen – insbesondere Unternehmen in datengetriebenen Branchen. Diese Werkzeuge prüfen die Daten mit Unterstützung von Regeln und Algorithmen auf Fehler. Bei KI ist Datenqualität besonders kritisch. Wenn die Daten, mit denen KI-Systeme gefüttert werden, ungenau oder veraltet sind, werden auch die Ergebnisse und alle damit verbundenen Geschäftsentscheidungen ungenau sein.

KI-Datenmanagement und Governance

Ein weiterer wichtiger Faktor ist der Datenzugriff. Verfügt das Unternehmen über die richtigen Mechanismen, um Daten auf sichere und effiziente Weise für die Benutzer, die sie benötigen, bereitzustellen?

Ein Teil der Datenmanagementstrategie muss sicherstellen, dass die Nutzer – Maschinen und Menschen – einfachen und schnellen Zugang zu den Daten haben. Der Zugriff sollte von einer Vielzahl von Endpunkten aus möglich sein – einschließlich mobiler Geräte über drahtlose Netzwerke.

Der Zugriff wirft auch eine Reihe von Datenschutz- und Sicherheitsfragen auf, so dass eine entsprechende Kontrolle wichtig ist. Unternehmen sollten deshalb Technologien wie Identitäts- und Zugriffsmanagement und Tools zur Datenverschlüsselung als Teil ihrer Datenmanagement- und Governance-Strategien in Betracht ziehen.

AIoT

Keine Diskussion über eine KI-Infrastruktur wäre vollständig ohne das Internet of Things (IoT) zu erwähnen. IoT im Zusammenspiel mit Artificial Intelligence, kurz AIoT, umfasst das Sammeln und Analysieren von Daten aus unzähligen Geräten, Produkten, Sensoren, Anlagen, Standorten und Fahrzeugen. IoT, KI und maschinelles Lernen werden dabei zur Optimierung der Datenverwaltung und -analyse eingesetzt. AIoT ist entscheidend für die Gewinnung von Erkenntnissen aus all den Informationen, die von vernetzten Dingen eingehen.

Statista prognostiziert, dass es im Jahr 2021 weltweit mehr als zehn Milliarden vernetzte IoT-Geräte geben wird. Diese Zahl soll bis 2030 auf mehr als 25 Milliarden Geräte ansteigen.

Stellen Sie sich die schwindelerregende Menge an Daten vor, die von vernetzten Objekten generiert wird – es liegt an den Unternehmen und ihren KI-Tools, all diese Informationen zu integrieren, zu verwalten und zu sichern.

Aus Sicht der Infrastruktur für künstliche Intelligenz müssen Unternehmen ihre Netzwerke, Datenspeicher, Datenanalyse- und Sicherheitsplattformen überprüfen, um sicherzustellen, dass sie das Wachstum ihrer IoT-Ökosysteme effektiv bewältigen können. Dazu gehören auch die Daten, die von ihren eigenen Geräten sowie von denen ihrer Partner in der Lieferkette erzeugt werden.

KI-Schulung

Und schließlich: Schulungen und die Entwicklung von Fähigkeiten sind für jedes IT-Vorhaben und insbesondere für KI-Initiativen in Unternehmen unerlässlich. Firmen benötigen Datenanalysten, Datenwissenschaftler, Entwickler, Experten für Cybersicherheit, Netzwerkingenieure und IT-Fachleute mit einer Vielzahl von Fähigkeiten, um ihre Infrastruktur für KI aufzubauen und zu pflegen und KI-Technologien wie maschinelles Lernen, NLP und Deep Learning kontinuierlich zu nutzen.

Sie brauchen außerdem Mitarbeiter, die in der Lage sind, die verschiedenen Aspekte der Infrastrukturentwicklung zu managen, und die gleichzeitig mit den Geschäftszielen des Unternehmens vertraut sind. Die Zusammenstellung eines starken Teams ist ein wesentlicher Bestandteil jeder Infrastrukturentwicklung für künstliche Intelligenz.