Teil 1:

Eine KI-Infrastruktur ist wichtig

Je höher der Reifegrad von KI-Bereitstellungen in Unternehmen ist, desto wichtiger wird eine KI-fähige Infrastruktur. Für einen erfolgreichen Übergang von ersten Experimenten zum großflächigen Einsatz sind Funktionen zur Unterstützung des gesamten Lebenszyklus von KI-Anwendungen erforderlich, darunter bessere Cybersicherheitsvorkehrungen und die Fähigkeit, Daten bereitzustellen, wann und wo sie benötigt werden. Bei KI-Anwendungen sind Daten das Rohmaterial, aus dem die Funktionalität entsteht. Um im vollen Umfang von KI zu profitieren, müssen Unternehmen eine Datenpipeline aufbauen, ähnlich wie sie Pipelines für die Anwendungsentwicklung aufgebaut haben. Zudem benötigen sie eine Infrastruktur und Konnektivität zur Unterstützung dieser Pipeline.

Eine kürzlich von S&P Global Market Intelligence 451 Research im Auftrag von Verizon durchgeführte Studie zeigt, wie sich das Verständnis, die Erwartungen und die Pläne von Unternehmen in Bezug auf KI-Infrastrukturen verändern. Im Laufe der Zeit verstehen die Verantwortlichen immer besser, welche Anforderungen die Infrastruktur zur Unterstützung von KI erfüllen muss, und ihr Fokus verschiebt sich. Diejenigen, die sich in den frühen, experimentellen Phasen der KI-Implementierung befinden, unterschätzen oft die Bedeutung von Modularität und Skalierbarkeit. Möglicherweise optimieren sie ihre Infrastruktur für die Unterstützung eines einzigen, für einen bestimmten Anwendungsfall entwickelten Modells.

Das mag für kleinere Experimente ausreichend sein, doch die Untersuchung ergab, dass bei der Skalierung zur unternehmensweiten KI-Nutzung verschiedene Herausforderungen auftreten. Zu den wichtigsten Problembereichen gehören die Flexibilität und Skalierbarkeit der Infrastruktur, die Sicherheitsintegration und die Bereitschaft, hybride Systeme einzusetzen. Bedenken hinsichtlich der Flexibilität kommen auf, wenn sich herausstellt, dass ein für ein Pilotprojekt entwickeltes Modell möglicherweise nicht für die produktive Nutzung geeignet ist. Angesichts der rasanten Entwicklung von Modellfunktionen und unterstützenden KI-Architekturen verwenden Unternehmen im Laufe eines Projekts oft eine Vielzahl von Modellen. Zudem ist es wichtig, den gesamten Modell-Lebenszyklus zu berücksichtigen, in dem die Bereitstellung und Überwachung eine ebenso große Rolle spielen wie das Training. Die KI-Infrastruktur muss flexibel genug sein, um diese neuen Muster zu unterstützen.

Hinzu kommt, dass KI-Anwendungen ein erheblich breiteres Spektrum an Datensicherheitsanforderungen haben als die Infrastrukturen vieler Unternehmen abdecken. Umfrageteilnehmer aus stark regulierten Branchen verfügten mit größerer Wahrscheinlichkeit über ausgereifte Sicherheitskontrollen für ihre Daten und Infrastruktur, schätzten diese aber dennoch als unzureichend ein, um komplexe KI-Umgebungen abzusichern, da diese zusätzliche Datenverarbeitung und -bereinigung sowie neue Schutzmaßnahmen für APIs, Prompts und Ausgaben erfordern.

Viele Unternehmen beginnen die KI-Nutzung mit Cloud-basierten Experimenten, einige entscheiden sich aber auch für eine unternehmensinterne Infrastruktur, insbesondere für sensible Projekte. Unabhängig vom Ausgangspunkt wachsen die meisten KI-Umgebungen jedoch und umfassen früher oder später Cloud- und Hybrid-Infrastrukturen, um Kosten, Sicherheit und Leistung auszubalancieren. Es werden ständig neue Modelle, Dienste und Funktionen veröffentlicht, die zur Verbesserung der KI-Funktionalität und -Effektivität nützlich sein können. Damit eine hybride Infrastruktur effektiv funktioniert, benötigen Unternehmen nicht nur Cloud-Ressourcen, sondern auch leistungsstarke Netzwerkverbindungen zwischen ihren Datenressourcen und KI-Workloads. Die Verwaltung hybrider Umgebungen kann eine sehr komplexe Aufgabe sein, insbesondere, wenn diese Umgebungen nicht sorgfältig konzipiert und implementiert wurden. Die Integration der Sicherheits- und Netzwerkplanung kann den Betrieb dieser Umgebungen jedoch vereinfachen und zur Bewältigung vieler der von den Befragten genannten Herausforderungen beitragen.

Eine potenzielle Problemursache, die von der Studie aufgedeckt wurde, ist eine mögliche Diskrepanz zwischen dem Bild, das die Führungsriege sich vom Zustand der KI-Infrastruktur macht, und der Realität, mit der KI-Architekten und -Implementierer konfrontiert sind. Die Anforderungen von KI-Produktionsumgebungen unterscheiden sich stark von den Anforderungen der Umgebungen, in denen die ersten Pilotprojekte laufen. Ein Pilotprojekt kann zur genaueren Definition von Anwendungsszenarien beitragen, aber wenn diese in die Produktion überführt werden, müssen die Denkweise und der Infrastrukturansatz angepasst und mitunter grundlegend verändert werden. Mangelndes Verständnis der Infrastrukturanforderungen kann wichtige KI-Projekte gefährden. Eine aktuelle „Voice of the Enterprise“-Studie von 451 Research zu KI-Infrastrukturen hat ergeben, dass Budgetprobleme die häufigste Ursache für das Scheitern von KI-Projekten sind. Klare unternehmensweite Kommunikation ist eine Grundvoraussetzung für langfristig erfolgreiche KI-Projekte.

KI kann in vielen Anwendungsfällen große Vorteile bringen, erfordert aber eine sorgfältige Planung und neue Denkweisen in Bezug auf die Infrastruktur. Unternehmen, die mit einer modularen, vernetzten und skalierbaren Infrastruktur über ein solides Fundament für ihre KI-Projekte verfügen, sind besser in der Lage, die Kosten unter Kontrolle zu halten und können ihre KI-Projekte mit größerer Wahrscheinlichkeit erfolgreich umsetzen.