Herausforderung durch immer größere Datenmengen; können Cloud-Services GenAI-Projekte skalierbarer, schneller und sicherer machen? Wenn ja, was sollten Unternehmen dabei beachten…
Hintergrund
Im Jahr 2025 sollen laut Gartner mehr als 30 Prozent der neuen Medikamente mit Hilfe von GenAI-Techniken entwickelt werden. Ebenso hoch soll dann der Anteil von Marketingbotschaften und personalisierter Werbung sein, die mit generativer KI erstellt werden. GenAI ist darüberhinaus ein nützliches Werkzeug, um in der Fertigung neue Designs zu entwickeln, die in Bezug auf Leistung, Materialien und Herstellungsverfahren optimiert sind.
Künstliche Intelligenz und besonders die generative KI (GenAI) erleben nicht nur deshalb gerade einen Boom. Jedoch sind GenAI-Modelle enorm Ressourcenhungrig, sodass der (IT-)Infrastruktur bei Planung und Betrieb eine verstärkerte Bedeutung zukommt. NTT DATA hat in fünf Punkten aufgeführt, warum die Cloud aus seiner Sicht „der Gamechanger für generative KI ist– wenn Unternehmen dazu einige Aspekte beachten.“ Hier die Zusammenfassung der wichtigsten Kriterien:
1. Skalierbare Infrastruktur für die massive Rechenleistung
„GenAI-Modelle sind bekannt für ihre Größe und Komplexität, die Modelle umfassen oft Milliarden von Parametern und setzen entsprechend hohe Rechenressourcen voraus. Diese Anforderungen übersteigen in der Regel die Systemkapazitäten von firmeneigenen Rechenzentren, während Cloud-Anbieter auf Skalierbarkeit und High-Performance Computing ausgelegt sind. Die Cloud bietet Zugriff auf GPU- und TPU-Cluster sowie spezialisierte KI-Infrastrukturen, die die Rechenlast dynamisch verteilen und skalieren können. Dies reduziert sowohl die Entwicklungszeit als auch die Betriebskosten erheblich und ermöglicht es Unternehmen, GenAI-Anwendungen auch ohne eigene Hochleistungsinfrastruktur effizient zu betreiben.
2. Größtmögliche Modularität
Die Implementierung von GenAI in monolithische Legacy-Applikationen stellt vor allem aufgrund der starren Architektur dieser Anwendungen eine große Herausforderung dar. Hier spielen die API-Architektur (Application Programming Interface) und die Modularität von Cloud-nativen Anwendungen ihre Stärken aus. Beides zusammen erleichtert die Integration von GenAI in bestehende Systeme. Dank der API-Architektur können Unternehmen Ökosysteme aus Anwendungen erstellen, die modular und wiederverwendbar sind, was die Entwicklung und Anpassung von GenAI deutlich beschleunigt. Gleichzeitig sorgt die modulare Architektur für mehr Flexibilität und Anpassungsfähigkeit, so dass Unternehmen schnell auf neue Anforderungen reagieren und innovative Funktionen implementieren können – ein entscheidender Vorteil in der dynamischen Welt der Künstlichen Intelligenz.
3. Effizientes und flexibles Datenmanagement
Eine der größten Herausforderungen bei GenAI-Projekten ist die Verwaltung und Integration großer Datenmengen. Cloud-Plattformen bieten hier entscheidende Vorteile: Sie ermöglichen eine zentrale Datenspeicherung und den Zugriff auf skalierbare Datenbanken, die Informationen in Echtzeit aggregieren und bereitstellen können. Dies erleichtert nicht nur die gemeinsame Nutzung von Informationen über Teams und Standorte hinweg, sondern erhöht beim Einsatz entsprechender Security-Tools auch die Datensicherheit. Darüber hinaus unterstützen Cloud-Anbieter flexible Speicherlösungen, die sowohl strukturierte als auch unstrukturierte Daten verwalten können – ein Muss für die vielseitigen Datensätze, mit denen GenAI arbeitet.
Bild KI-generiert: https://pixabay.com/de/
Kommentarauszug William Cobbah, Head of Data & Intelligence DACH bei NTT DATA: „Die Cloud ist entscheidend für den Erfolg von generativer KI, aber die Wahl des richtigen Anbieters und der richtigen Services darf kein Schnellschuss sein. Unternehmen, die ihre GenAI-Projekte erfolgreich skalieren und gleichzeitig ihre digitale Souveränität wahren wollen, kommen um eine sorgfältig geplante Cloud-Strategie nicht herum…“.
4. Überschaubare Investitionen
Mit der Cloud sparen sich Unternehmen die hohen Kosten für eine eigene KI-Infrastruktur und „konsumieren“ Ressourcen nach Bedarf. Die Pay-per-Use-Modelle der Anbieter ermöglichen eine hohe Flexibilität, indem Ressourcen dynamisch an Lastspitzen und schwankende Workloads angepasst werden. Allerdings bedeutet die Nutzung der Cloud nicht automatisch Kosteneffizienz: Unternehmen müssen sorgfältig planen und genau definieren, welche Services und Ressourcen sie für ihre GenAI-Anwendungen benötigen, um unnötige Ausgaben zu vermeiden.
Ohne eine klare Bedarfsanalyse kann das Kostenmanagement in der Cloud schnell unübersichtlich werden, insbesondere bei rechenintensiven GenAI-Anwendungen. Nur durch eine strategische Planung und kontinuierliches Monitoring lassen sich die Kostenvorteile der Cloud voll ausschöpfen und eine wirtschaftliche Nutzung sicherstellen.
5. Zugang zu modernsten Technologien
Viele Cloud-Anbieter bieten inzwischen spezialisierte Services für maschinelles Lernen und Künstliche Intelligenz an, die eine End-to-End-Umgebung für die Entwicklung, das Training und den Einsatz von GenAI-Modellen bereitstellen. Über diese Plattformen haben Entwickler Zugriff auf benutzerfreundliche Werkzeuge, die die Modelloptimierung, das Hyperparameter-Tuning und die Integration vortrainierter Modelle erheblich vereinfachen. Funktionen wie automatisiertes maschinelles Lernen (AutoML) verkürzen die Entwicklungszeit und reduzieren den Bedarf an Spezialwissen.
Gleichzeitig schützen fortschrittliche Sicherheitsmaßnahmen die Daten vor unberechtigtem Zugriff und Angriffen. Allerdings ist nicht jede Cloud für die Verarbeitung sensibler Informationen geeignet. Eine Public-Cloud-Umgebung bietet zwar Standard-Sicherheitsfunktionen, erfüllt aber in der Regel nicht die spezifischen Compliance-Richtlinien in regulierten Branchen. Hier kann der Einsatz hybrider oder privater Cloud-Lösungen ein Weg sein, um sowohl die Vorteile der Cloud zu nutzen als auch die hohen Sicherheits- und Compliance-Standards zu erfüllen."
(13. Mai 2025).
Querverweis:
Unser Beitrag > Projekt „CHORYS": TU Dresden startet EU Horizon-Projekt zur Optimierung datenintensiver Anwendungen in der Cloud
Unser Beitrag > Resilienz gegen Cyberangriffe: Backup-Verfahren als Teil einer übergeordneten Datenschutzstrategie
Unser Beitrag > Akamai Cloud Inference Einführung: KI-Daten näher an Benutzer und Geräte bringen