Ameer - stock.adobe.com

Wie wirken sich KI-Anwendungen auf Cloud-Workloads aus?

Die Erstellung von KI-Apps in der Cloud erfordert aufgrund der Auswirkungen von KI auf Leistung, Skalierbarkeit und Compliance viel Vorbereitung und das notwendige Fachwissen.

Künstliche Intelligenz (KI) und Cloud werden immer enger miteinander verwoben, da Unternehmen KI-Entwicklungsinitiativen in Angriff nehmen. Beispiele hierfür sind ein Versicherungsunternehmen, das eine fortschrittliche Betrugserkennung entwickelt, ein Personalvermittlungsunternehmen, das eine KI-basierte Matching-Technologie zur Verwaltung von Bewerbern mit Stellenanforderungen entwickelt, oder ein Hersteller, der ein System zur vorausschauenden Wartung auf Basis von KI-gestützter Sensorik entwickelt.

Unternehmen können die KI-Technologie jedoch nicht einfach ohne Vorbereitung übernehmen – KI kann positive und negative Veränderungen und Herausforderungen mit sich bringen. Im Folgenden sehen wir uns genauer an, wie KI die Verwaltung von Cloud-Workloads verändern wird.

Positive Auswirkungen von KI auf Cloud-Workloads

Cloud-Workloads bieten KI-Anwendungen mehrere Vorteile, darunter die folgenden.

Ressourcenoptimierung

Eine effiziente Ressourcennutzung ist für KI-Anwendungen essenziell. Große Cloud-Anbieter wie Amazon, Microsoft und Google bieten Dienste zur Optimierung der Ressourcennutzung durch dynamische Zuweisung von Rechenleistung und Storage auf Basis von Arbeitslastanforderungen. Ein entscheidender Faktor hierbei ist die automatische Skalierung, die sicherstellt, dass Kapazitäten je nach Bedarf angepasst werden.

Effizienz der Workloads

Wenn sich Ihre Entwickler an die KI-Entwicklung gewöhnen, können sie ihre Erfahrungen nutzen, um Rechenleistung und Storage so zu optimieren, dass sie die Workload-Anforderungen erfüllen und die Effizienz steigern. Ihre Cloud-Verwaltungsplattform liefert die verwertbaren Daten, die Sie benötigen, um zu wissen, wie viele Ressourcen Ihre KI-Anwendungen verbrauchen könnten. Standardpraktiken wie die Minimierung von Ressourcenverschwendung und die Steigerung der Gesamtleistung sind hierbei besonders wichtig.

Geringere Infrastrukturkosten

Der Aufbau einer lokalen Infrastruktur zur Unterstützung von KI-Anwendungen ist eine große Investition, selbst wenn Ihr Unternehmen über ein großes Budget verfügt. Die Nutzung von AWS (Amazon Web Services), Microsoft Azure und Google Cloud für KI-Services ist wirtschaftlich, da das Pay-as-go-Preismodell die Möglichkeit für flexible Experimente, Lernprozesse und Skalierungsoptionen bietet.

Verbesserte Analytik

Die Cloud hat dazu beigetragen, dass immer mehr Unternehmen und Behörden eine verbesserte Datenanalyse durchführen können, ohne dass dafür eine teure Infrastruktur und Tools aufgebaut werden müssen. KI in der Cloud kann große Datenmengen schnell und genau verarbeiten und analysieren. KI-gestützte Cloud-Analyse ermöglicht es Teams weltweit, kollaborativ an datengetriebenen Erkenntnissen zu arbeiten.

Negative Auswirkungen von KI auf Cloud-Workloads

Die Integration von KI in Cloud-Workloads ist zwar vorteilhaft, bringt aber auch einige negative Auswirkungen mit sich, die Ihr Unternehmen proaktiv angehen muss.

Umweltbelastung

KI-Workloads erhöhen den Energieverbrauch der Rechenzentren von Cloud-Anbietern und wirken sich negativ auf die Umwelt aus, da sie eine hohe Rechenleistung erfordern und somit einen hohen Energieverbrauch verursachen. Besonders die intensive Nutzung von GPUs und spezialisierten KI-Chips trägt dazu bei. Große Anbieter ergreifen jedoch nachhaltige Maßnahmen wie Flüssigkühlung, energieeffiziente Hardware und den verstärkten Einsatz erneuerbarer Energien, um den ökologischen Fußabdruck zu minimieren. Der erhöhte Kühlungsbedarf von Rechenzentren führt auch zu einem erheblichen Wasserverbrauch, was angesichts der weltweiten Wasserknappheit zunehmend problematisch ist.

Erhöhte Sicherheitsrisiken

Die Sicherheit von KI-Workloads erfordert Tools und Praktiken, darunter Ende-zu-Ende-Verschlüsselung, Zero-Trust-Modelle sowie Identity and Access Management. Die großen Cloud-Anbieter bieten all diese Sicherheits-Tools in einem Dashboard an, aber das Prinzip der geteilten Verantwortung bedeutet, dass die Teams in Ihrem Unternehmen für die richtige Konfiguration und Verwaltung der Sicherheits-Tools verantwortlich sind.

Ein zusätzliches Problem ist der Schutz sensibler Daten, da KI-Systeme häufig große Mengen an persönlicher und geschäftlicher Informationen verarbeiten. Unternehmen müssen daher neue Datenschutzstrategien entwickeln, um Bedrohungen wie Adversarial Attacs und Modell-Halluzinationen abzuwehren (siehe beispielsweise Generative KI: Datenrisiken bei LLMs erkennen und minimieren).

Komplexere Compliance-Anforderungen

KI-Workloads erhöhen auch die Komplexität der Compliance, was die Einhaltung von EU-DSGVO, HIPAA und anderen Datenschutzrichtlinien tatsächlich oder vermeintlich erschwert (siehe auch Datenschutz: Was vor dem Einsatz von KI-Diensten zu tun ist). Besonders problematisch ist, dass die regulatorische Landschaft für KI sich noch in einem frühen Stadium befindet, sodass Unternehmen proaktiv an KI-spezifischen Compliance-Lösungen arbeiten müssen. Je nach Prüfer Ihres Drittanbieters ist dessen Fachwissen über KI-Risikominderung Ihren eigenen Entwicklern, die an ihrem ersten KI-Projekt arbeiten, das in die Produktion geht, vielleicht nur ein wenig voraus.

Mit dem Inkrafttreten des EU AI Acts rücken nun jedoch verbindliche Anforderungen an Transparenz, Risikobewertung und Governance in den Vordergrund. Unternehmen sollten sich frühzeitig mit den vorgesehenen Risikokategorien und Pflichten auseinandersetzen, um rechtzeitig die notwendigen Anpassungen vornehmen zu können. Beispielsweise können Sie mit dem EU AI Act Compliance Checker überprüfen, wie sich der EU AI Act auf Ihr KI-System auswirkt. Einen genauen Zeitplan für die Umsetzung des EU AI Acts finden Sie hier.

Erhöhte Kosten

Die Nutzung der Cloud reicht nicht aus, um Geld zu sparen – Unternehmen müssen ihre Kostenmanagementstrategien weiterentwickeln. Selbst wenn Ihr Unternehmen über ausgereifte FinOps-Praktiken verfügt, werden KI-Workloads von Ihren bisherigen Ausgabentrends abweichen, wenn Sie Ihr FinOps-Team nicht frühzeitig in Ihre KI-Initiativen einbeziehen. Der Anstieg der Cloud-Ausgaben, den KI-Workloads mit sich bringen, kann dazu führen, dass einige kleine Unternehmen die KI-Entwicklung vorerst einstellen.

Ethische Risiken und Voreingenommenheit

KI-Systeme sind anfällig für algorithmische Verzerrungen (Bias), insbesondere in Bereichen wie Gesundheitswesen und Finanzdienstleistungen. Unternehmen sollten daher spezialisierte Bias-Detection-Tools einsetzen und sicherstellen, dass ihre KI-Modelle auf vielfältigen, repräsentativen Datensätzen trainiert werden.

Abbildung 1: Diese Schritte sind wichtig für eine erfolgreiche KI-Implementierung.
Abbildung 1: Diese Schritte sind wichtig für eine erfolgreiche KI-Implementierung.

Bereiten Sie sich auf KI-Anwendungen vor

Um Ihre Cloud-Verwaltung und Ihren Betrieb auf ressourcenintensive KI-Anwendungen und -Dienste vorzubereiten, müssen Sie möglicherweise einen Schritt zurücktreten und Ihre Unternehmens-Cloud-Strategie überdenken. Zu den wichtigsten Maßnahmen sollten die folgenden gehören.

1. Mitarbeiter schulen

Der Hype um KI kann allumfassend sein, vom jüngsten Mitarbeiter bis hin zur Führungsetage. Bereiten Sie sich darauf vor, alle Mitarbeiter Ihres Unternehmens über KI aufzuklären und Erwartungen an sie zu stellen. Sie können das tun, indem Sie Pilotprojekte oder Proofs of Concept planen, die sich mit Ihren Problemen befassen, bei denen KI Teil der Lösung sein kann.

2. Zusammenarbeit priorisieren

Da KI-Modelle hohe Rechenleistung erfordern, müssen IT- und FinOps-Teams eng zusammenarbeiten. Unternehmen sollten frühzeitig klären, wie KI-Workloads sich auf Cloud-Architektur, Skalierbarkeit und Budgetplanung auswirken. Der Einsatz von KI-optimierten Kostenmanagement-Plattformen kann dabei helfen, Ausgaben zu kontrollieren.

3. Nutzung von Containern erwägen

Stellen Sie Ihre KI-Entwicklung auf Container um, um Ihre KI-Projekte auf maximale Flexibilität auszurichten. Durch die erhöhte Portabilität können Sie KI-Workloads zwischen verschiedenen Anbietern verschieben, um die beste Plattform zu finden, mit der Sie sicher und im Rahmen Ihres Budgets experimentieren können, ohne Ihre aktuelle Cloud-Umgebung zu beeinträchtigen.

4. Sicherheitsstrategie überarbeiten

Überprüfen Sie gründlich die vorhandenen Sicherheitsprotokolle und die Datenschutzstrategie. Es ist davon auszugehen, dass durch KI-Anwendungen immer mehr Unternehmensdaten in die Cloud verlagert werden, was Änderungen an Ihren Sicherheits- und Datenschutzpraktiken nach sich ziehen wird.

Erfahren Sie mehr über Cloud Computing