Schnellstart in die Künstliche Intelligenz KI aus der Cloud: Eine Chance für Unternehmen

Anbieter zum Thema

Parasoft® Deutschland GmbH

NetModule AG

Confluent Germany GmbH

gridscale GmbH

KI-Anwendungen sind zwar ressourcenhungrig, doch auch kleinere und mittelgroße Unternehmen können die Künstliche Intelligenz für sich nutzen. Eine flexible Lösung steh mit Cloud-Services zur Verfügung, die KI auf besonders einfache Weise bereitstellen.

Die Gesichtserkennung entsperrt das Smartphone, der digitale Assistent dreht die Heizung auf Zuruf hoch und der geduldige Support-Mitarbeitende entpuppt sich als intelligenter Chatbot – KI-Anwendungen begegnen uns im täglichen Leben mittlerweile ständig. Auch in der Industrie hilft KI-Technologie beispielsweise bei der Überwachung von Verschleißteilen in Maschinen, der Qualitätsprüfung frisch gefertigter Teile oder der Vermeidung von Lkw-Leerfahrten.

Künstliche Intelligenz ist eine Zukunftstechnologie, von der wir noch viele weitere verblüffende und leistungsfähige Anwendungen erwarten können. Diese Erkenntnis ist auch in der deutschen Industrie angekommen: Laut einer Bitkom-Umfrage schätzen zwei von drei Unternehmen KI als wichtige zukünftige Technologie ein. Doch die Nutzung hinkt dieser Erkenntnis hinterher. Lediglich acht Prozent der Unternehmen setzen bereits KI-basierte Anwendungen im Alltag ein. Das hat unterschiedliche Gründe, die vom Fachkräftemangel bis zu fehlender Finanzierung reichen. Häufig lässt der Alltagsstress in den Unternehmen auch nicht genug Zeit, sich intensiv mit der Materie zu beschäftigen und ein sinnvolles Konzept zu entwickeln.

Die Cloud bietet flexible KI-Services

Für Unternehmen ist es wichtig, die Rahmenbedingungen zu beachten, unter denen Künstliche Intelligenz erfolgreich angewendet wird. So benötigen KI-Anwendungen vor allem am Anfang eines Projekts viele IT-Ressourcen. Leider lässt sich diese Anforderung nicht vollständig mit der in Rechenzentren üblichen kosteneffizienten Standard-Hardware erfüllen. KI benötigt für seine Rechenoperationen vorwiegend Graphics Processing Units (kurz: GPU). Leider sind genau diese Grafikprozessoren in der letzten Zeit durch die steigende Nachfrage und die bekannten Lieferengpässe teuer geworden.

Die Integration von KI-Technologien in ein Rechenzentrum ist somit für kleinere und mittelgroße Unternehmen wenig sinnvoll. Doch es gibt eine praktikable Alternative: die Cloud. Eine Vielzahl an Cloudprovidern bietet als Bestandteil des Technologieportfolios auch moderne KI-Funktionen an. Sie unterstützen die Firmen von der Implementierung über den Rollout bis hin zur täglichen Anwendung.

So ist für viele deutsche Unternehmen der Einsatz von AI-as-a-service bereits zum Alltag geworden. Die Cloud bietet passend zugeschnittene KI-Services – zum Beispiel hohe Flexibilität bei der Bereitstellung von Arbeitsspeicher, Rechenleistung und Storage. Die Buchung von KI-Services erfolgt über ein eigenes Dashboard und berechnet werden nur die Ressourcen, die das Unternehmen tatsächlich in Anspruch nimmt. Darüber hinaus können die Firmen auch sehr leistungsfähige GPU-Rechenkapazitäten mieten.

Künstliche Intelligenz in der Praxis

Die Zukunft der Prozessautomatisierung ist intelligent

Wenn Unternehmen sensible Daten besser schützen wollen, können sie auch die hybride Bereitstellung mit Private und Public Cloud nutzen. Dabei werden geschäftskritische Daten in der Private Cloud gespeichert, während die Ressourcen und Algorithmen für die Verarbeitung der Daten aus der Public Cloud kommen. Neben diesen Möglichkeiten bieten Public-Cloud-Anbieter zudem ausgefeilte Maßnahmen für Cybersecurity und eine hohe Ausfallsicherheit, die von kleineren Rechenzentren normalerweise nicht geleistet werden kann.

Cloud-KI bietet alle notwendigen Werkzeuge

Die KI aus der Cloud eröffnet zahlreiche Möglichkeiten, die besonders einfach zu nutzen sind. Für einen schnellen Start bieten verschiedene Cloudprovider eigene, in die Nutzeroberflächen integrierte KI-Tools an. Zudem setzen einige auch unterschiedliche Kombinationen von CPUs und GPUs ein, beispielsweise in virtuellen Maschinen (kurz: VMs) und Containern.

Die Einrichtung und Installation einer eigenen Data-Science-Umgebung ist komplex, weshalb Kunden ohne das nötige Know-how und Personal vorkonfigurierte Vorlagen nutzen können. Neulinge in der KI-gestützten Datenanalyse finden zudem eine Fülle an Hilfen und Werkzeugen, die von der Komplexität der Modelle des maschinellen Lernens abstrahieren und die Anwendung vereinfachen.

Ein Beispiel aus der Industrie: Ein Unternehmen aus der Industrieproduktion möchte ungeplante Stillstände seiner Maschinen vermeiden und Störungen frühzeitig erkennen – noch vor ihrem Eintreten. Anhand von sogenannten Trainingsdaten lernt die KI-Lösung, welche Datenmuster den Grundzustand der Maschinen beschreiben. Damit ist es später in der Lage, Abweichungen in den Mustern zu erkennen, die zu Störungen führen.

Damit das Training erfolgreich ist, muss die Qualität der Daten stimmen. Auch hier zeigt die Cloud wieder ihren Vorteil: Üblicherweise gibt es etablierte Datenaufbereitungstools, mit denen sich die Datenqualität steigern lässt, sodass die KI später bessere Ergebnisse liefert. Außerdem sind sämtliche genutzten KI-Werkzeuge so weit optimiert, dass die Unternehmen schneller eine erfolgreiche Lösung aufbauen können.

Anomalien erkennen, mit Maßnahmen reagieren

Automatisierung mithilfe von KI-Algorithmen stellt eine leistungsfähige Lösung vieler Probleme dar. Ein Beispiel ist der Cloudprovider Gridscale, der eine KI-Lösung entwickelt hat, mit der sich Rechenzentren weitgehend autonom betreiben lassen. Damit gelingt es dem Provider, den typischen Rechenzentrumsbetrieb als dezentralisiertes System ohne Personal abzuwickeln. Das System ist zum Beispiel in der Lage, Anomalien zu identifizieren und darauf mit einem Maßnahmenkatalog zu reagieren. Dafür überwacht die Lösung alle relevanten Metriken der Cloud-Umgebung wie den Verbrauch von CPU-Zeit durch eine Datenbank. Bei Auffälligkeiten reagiert die Software automatisch.

In der Praxis könnte das so aussehen: Nach einer CPU-Lastspitze sinkt die I/O-Aktivität auf null. Das System wertet dies auf eine sogenannte Kernel Panic, bei der sich das System nicht mehr kontrolliert weiter betreiben lässt. Als Reaktion lädt die Anwendung automatisch den vollständigen Workload neu. Sobald eine Störung eintritt, werden die Nutzdaten der Kunden mit Live-Migration auf ein anderes Speichermedium verschoben. Die KI-gestützten, automatisierten Betriebs- und Failover-Prozesse sind für Hochverfügbarkeit optimiert und ziehen sich durch den kompletten Betrieb der Infrastruktur.

KI-Haftungsrichtlinie

Wer haftet für Schäden durch Künstliche Intelligenz?

Auf diese Weise existiert für eine höchstmögliche Performance ein Profiling der Workloads, das mittels einer Klassifizierungsalgorithmik und statistischen Verfahren dynamisiert ist. Machine Learning hilft in dem Beispiel aus der Industrieproduktion, Anomalien als sich abzeichnende Störungen zu erkennen. Das KI-System errechnet aus typischen Telemetriedaten wie CPU-Auslastung oder I/O-Verhalten eine Prognose für das Workload-Verhalten. Ein anschließender Soll/Ist-Abgleich führt dann beim Auftreten von erkannten Problemen zu einer Reaktion: Die Störung wird mit geeigneten Maßnahmen unmittelbar behoben.

Das Beispiel zeigt, dass KI ein sehr breites Einsatzspektrum in unterschiedlichen Branchen haben kann. Bereits mittelfristig wird KI seine Anwender wettbewerbsfähiger als Konkurrenten ohne KI machen. Wer nicht abgehängt werden will, sollte sich sofort mit den technischen Möglichkeiten der Künstlichen Intelligenz und des Machine Learning beschäftigen. Um den Einstieg zu erleichtern, sollte er mit SaaS- und Cloud-Anbietern erfahrene Partner suchen. Denn Public Cloud Infrastruktur ist ein wichtiges Element bei der Entwicklung und Nutzung sicherer und zuverlässiger KI-Anwendungen.

(ID:49032230)