flashmovie - stock.adobe.com
Modulare Architekturen: Zukunftssichere KI-Erweiterungen
Modulare Architekturen machen KI- und ML-Systeme skalierbar, flexibel und kosteneffizient. Damit sorgen sie für schnellere Innovationen, bessere Performance und zukunftssichere IT.
Modulare Architekturen ermöglichen nicht nur eine flexiblere Bereitstellung von IT-Ressourcen, sondern eignen sich auch für anpassbare und besonders reaktionsschnelle KI-Systeme.
Neue Technologien und steigende Anforderungen an die Digitalisierung überfordern zunehmend die Rechen-, Speicher- und Netzwerkleistung klassischer Rechenzentren.
Modulare Architekturen, sprich der Ansatz Composability, beschleunigen daher die Integration neuer Technologien, ohne dabei bestehende Systeme zu gefährden. Sie erlauben es den Administratoren sowohl unabhängige als auch API-basierte (Application Programming Interface) Module auszutauschen und an anderer Stelle erneut einzusetzen, ohne dabei den Rest ihrer IT-Systeme zu beeinträchtigen.
Im Folgenden lernen Sie, wie Sie mit einer modularen Architektur die Nutzung der Ihnen zur Verfügung stehenden Ressourcen maximieren, wie Sie die Investitions- und Betriebskosten für den Einsatz von KI-Systemen senken, das IT-Management insgesamt erleichtern und unterschiedliche Workloads effizienter kombinieren.
Vorteile einer modularen Infrastruktur
Heutzutage haben viele Unternehmen zunehmende Schwierigkeiten, ihre modernsten Workloads dauerhaft am Laufen zu halten, wenn diese nicht nur dynamisch und Daten-intensiv sind, sondern auch kontinuierlich weiterentwickelt werden müssen.
Das liegt vor allem an den auch meist noch zahlreich vorhandenen Ressourcen, die in Silos untergebracht sind und die teils sehr fragmentierten Beschränkungen unterliegen. Nichtsdestotrotz können Analysten und Ingenieure eine modulare Architektur aufsetzen, um das Management der Systeme zu optimieren. Außerdem erleichtern sie damit ihre teils sehr umfangreichen Datenanalysen, die für intelligente Workloads erforderlich sind. Auch für das Training von ML-Systemen (Machine Learning) und die Integration von LLMs (Large Language Models) eignen sich modulare Architekturen. Ihre flexible Kombinierbarkeit verschiedener Module reduziert zudem die Latenzen signifikant.
Skalierbarkeit
Neben der Skalierbarkeit ist auch die Anpassungsfähigkeit entscheidend, um KI-Workloads effizient zu steuern. Die meisten Unternehmen brauchen heute eine bedarfsgerechte Skalierung ihrer Ressourcen und Systeme. Das macht ausgefeilte Lösungen zum Gruppieren der IT-Infrastruktur in geteilten Ressourcen-Pools nötig, da sich die Anforderungen ihres Geschäfts jederzeit ändern können.
Ein weiterer Vorteil ist, dass sich neue Ressourcen so schneller ausrollen lassen. So rechnet das Marktforschungsunternehmen Gartner damit, dass Unternehmen, die bereits bis 2026 eine modulare Architektur eingeführt haben, ihre Konkurrenten bei der Einführung neuer Features um 80 Prozent übertreffen können. Die Gründe dafür sind vielfältig. So können sie neue Konfigurationen schneller einführen und anwenden, Code bei der Entwicklung von Anwendungen leichter wiederverwenden sowie individuelle und jederzeit wiederholbare Tests der eingesetzten Komponenten durchführen und damit die Leistung besser prüfen.
Anpassbarkeit
Eine hybride Vorgehensweise beim High-Density Computing, bei der sowohl klassische Racks als auch Blade-Server eingesetzt werden, eignet sich vor allem für traditionelle, gut planbare Workloads in einem klassischen Data Center. In der modernen digitalen Ära muss eine IT-Infrastruktur jedoch viel flexibler und jederzeit anpassbar sein. In Nanosekunden muss sie zum Beispiel auf die Anforderungen aktueller KI-Systeme reagieren können.
Modulare Architekturen ermöglichen Unternehmen, neue transformative Technologien und zukunftssichere Infrastrukturen weit schneller einzuführen. Nur so erreichen sie die hohe Durchsatzleistung, die sie für aktuelle als auch künftige Anwendungsfälle benötigen. Das gilt nicht nur für lokal eingesetzte LLMs, sondern auch etwa für das kommende Quantencomputing.
Kosteneffizienz
Die Effizienz modularer Ressourcen sowie ihre maximale Ausnutzbarkeit senken auf lange Sicht die Kosten. Beispielsweise können Unternehmen die Betriebsausgaben durch die stärkere Anpassbarkeit ihrer KI- und ML-Implementierungen reduzieren, wenn sie veraltete Komponenten durch neue ersetzen oder Module wiederverwenden. Das gilt besonders auch für die Erfassung von Daten, agentische KI-Lösungen, die Bewertung von Modellen und das Überwachen der Leistung.
Optimieren von KI-Workloads
Ineffiziente IT-Prozesse verlangsamen nicht nur das Training von ML-Systemen, sondern sorgen auch für Verzögerungen bei der Ausgabe der Ergebnisse. Das beeinträchtigt die gesamte Leistung der KI-Lösungen. Modulare Systeme sind ein geeignetes Gegenmittel gegen diese Ineffizienzen. So lassen sich KI-Workloads durch das Bereitstellen einer umfangreichen parallelen Rechenleistung, unabhängige Prozesse zum Skalieren sowie eine effiziente Beschleunigung der GPUs (Graphical Processing Units) verbessern. Die Kommunikation zwischen verschiedenen Komponenten mithilfe modularer APIs sorgt zudem für Integrationen und Interoperabilitäten über unterschiedliche Dienste und Plattformen hinweg.
KI-Workloads benötigen schnellstens verfügbare Hardware-Konfigurationen sowie ein dynamisches, sofortig durchführbares Provisioning der erforderlichen Ressourcen. Einheitliche, offene APIs fungieren dabei als zentrales Bindeglied zwischen den Microservices und sichern zugleich die Kontrolle über die IT-Infrastruktur. Sie sorgen außerdem für ein flexibles Management selbst unterschiedlichster Projekte und reduzieren Ausfallzeiten, wenn die Techniker etwa Komponenten umstrukturieren oder neue hinzufügen müssen.
Die hohe Wiederverwendbarkeit in einer modularen Architektur sorgt zudem dafür, dass die Administratoren und Ingenieure Komponenten mit minimalem Aufwand zwischen verschiedenen Bereitstelllungen tauschen können. Das spart nicht nur Zeit, sondern sorgt auch für eine effizientere Nutzung der vorhandenen Ressourcen.
Herausforderungen und Tipps für den Übergang
Die Migration einer Legacy-IT-Infrastruktur in eine moderne modulare Architektur erfordert das Zerlegen monolithischer, in Silos untergebrachter Rechen-, Speicher- und Netzwerkeinheiten in voneinander unabhängige Komponenten. Diese können dann von den Administratoren mit Software verwaltet und gesteuert werden.
Unternehmen können zwischen drei verschiedenen Vorgehensweisen wählen: Entweder konvertieren sie ihre APIs in einen zentralen Hub, ersetzen den kompletten Legacy-Stack in einem Schwung oder nehmen ihn in vielen kleinen Schritten nach und nach außer Betrieb.
Konvertieren der APIs
Manche IT-Abteilungen konzentrieren sich zunächst auf die Konversion ihrer APIs und setzen dabei einen zentralen Hub auf, der sich in Zukunft um die Kommunikation der Komponenten kümmern soll. Dieser Ansatz integriert sowohl alte als auch neue Technologien, nutzt dabei aber weiterhin die vorhandene monolithische Struktur.
Ersetzen des gesamten Legacy-Stacks auf einmal
Alternativ können sich die IT-Mitarbeiter in kleinen Firmen oder auch in Startups vollständig auf die Einführung einer neuen Plattform konzentrieren, die alle Funktionen des traditionellen Stacks auf einen Schlag durch Cloud-basierte und modulare Elemente ersetzt. Das sollte allerdings sehr schnell ablaufen und ist daher ein riskanter Prozess, da während des Übergangs in der Regel die normalen Geschäftsprozesse weiterlaufen müssen. Das ist für viele Teams eine nicht zu unterschätzende Herausforderung, da die Migration im schlimmsten Fall zu einer Unterbrechung des Betriebs führen kann.
Inkrementelles Ersetzen des Legacy-Stacks
Ein behutsamerer Ansatz setzt dagegen auf ein schrittweises Vorgehen. Hier wird jeder Teil des Legacy-Stacks nach und nach mit einem modularen Service ersetzt. Dabei tauschen die IT-Mitarbeiter veraltetes Equipment solange aus, bis schließlich die gesamte Infrastruktur modular aufgebaut ist.
Die strategische Bedeutung der Modularität
Modulare Vorgehensweisen sind heute essenziell für effiziente und hoch performante KI- und ML-Deployments sowie andere neue Technologien. Das bringt allerdings auch erhebliche Herausforderungen beim Testen, bei der Absicherung und bei den Workflows mit sich, die gemeistert werden müssen.
Das Kombinieren unterschiedlichster Dienste, das Verwalten von Techniken und Lösungen mehrerer Anbieter und die Reaktion auf unerwartete Ereignisse erfordern in der Regel erhebliche IT-Ressourcen und führen daher zunächst zu umfangreichen Investitions- und Betriebskosten. Um die Effektivität ihrer Bereitstellungen zu überprüfen, sollten IT-Teams gründliche Tests einplanen und für eine standardisierte Qualitätssicherung von unabhängigen, dynamischen Komponenten mit ihren wechselnden Konfigurationen sorgen.
Unterschiedliche Module erfordern jeweils spezifische Ressourcen wie etwa Datenbanken, Speicherpools oder Cloud-Dienste. Dazu kommen einzigartige Sicherheitsanforderungen, die im schlimmsten Fall zu neuen Schwachstellen führen können. Unternehmen aller Größen, die zu einer modularen Architektur migrieren wollen, benötigen daher erfahrene und gut eingespielte IT-Teams sowie Sicherheitsexperten, die regelmäßig Assessments und Security-Scans über die gesamte Infrastruktur durchführen können.
Eine wasserdichte Cyberabwehr erfordert nicht nur Techniken wie eine Ende-zu-Ende-Verschlüsselung, sondern auch zuverlässige Zugriffskontrollen, Authentifizierungen von Nutzern und Geräten sowie umfassende Datenschutzmaßnahmen und -Richtlinien. Auch müssen die verarbeiteten Daten über alle Komponenten hinweg jederzeit konsistent und fehlerfrei bleiben. Ohne diese Maßnahmen nimmt die Integrität und Zuverlässigkeit der Daten ab, was sich letztlich negativ auf die Antworten, das ML-Training, die Verarbeitung neuer Daten und Innovationen insgesamt auswirkt.
