Paradigmenwechsel im Storage Künstliche Intelligenz als Dienstleistung

Künstliche Intelligenz ist nicht mehr in der Experimentierphase und wird in vielen Unternehmen bereits eingesetzt. Besonders gut harmoniert KI in Verbindung mit Speichersystemen. Dabei setzen viele Unternehmen auf Dienstleister.

Anbieter zum Thema

DataCore Software GmbH

Fujitsu Technology Solutions GmbH

Nutanix Germany GmbH

mehr weniger

The unbelievable MachineCompany GmbH

IBM Deutschland GmbH

weniger

Ein Megatrend, der 2019 mitprägte: Künstliche Intelligenz (KI). Die Zukunftstechnologie ist weiterhin auf dem Vormarsch und sorgt bereits heute in unterschiedlichen Einsatzgebieten für effiziente, schnelle und fehlerlose Unternehmensabläufe. Beispielweise im Zusammenhang mit Wartungsaufgaben für Anlagen und Maschinen sowie bei automatisierten Qualitätstests, der Datenanalyse oder dem Management von Lieferketten.

Aufgrund des großen Anwendungspotenzials steigt die Nachfrage nach KI immer mehr, insbesondere bei Storage-Lösungen. Denn täglich wächst das Volumen der weltweit zu verarbeitenden Daten rasant an. An diesem Punkt kann wiederum Künstliche Intelligenz ansetzen, Prozesse effizienter zu gestalten und besonders bei der Analyse großer Datensätze zu unterstützen.

Gleichzeitig fehlt vielen Unternehmen das technische Knowhow sowie die Infrastruktur, die erforderlich ist, um KI-Lösungen zu entwickeln. Schließlich sind die Anforderungen in Hinblick auf Software, Hardware und Ressourcen groß. Darüber hinaus sind KI-Spezialisten und Datenwissenschaftler für den Aufbau von Modellen notwendig und in Zeiten des Fachkräftemangels rar.

KI as a Service

Eine Hilfe aus diesem Dilemma bieten Services. Unter „KI as a Service“ oder auch „Artificial Intelligence as a Service“ (AIaaS) wird das Outsourcing von Künstlicher Intelligenz verstanden. KI als Dienstleistung ermöglicht Unternehmen, die Technologie für verschiedene Zwecke ohne große Anfangsinvestitionen und mit geringerem Risiko zu testen. Denn in der Regel sind KI-Anwendungen portabel auf unterschiedlichen Infrastrukturen einsetzbar. Standard-KI-Anwendungen wie die Umwandlung von Sprache in Text lassen sich leicht über bereits entwickelte Module in öffentlichen Cloud-Services verwirklichen.

Daher haben die großen Cloud-Anbieter bereits KI-Anwendungen für Unternehmen „as a Service“ in ihr Angebot integriert. Das heißt, sie stellen diese Anwendungen über Open-Source-Plattformen zur Verfügung, so dass Unternehmen keine eigenen Tools oder Infrastrukturen aufbauen müssen. „Oft müssen KI-Anwendungen aber mit ganz spezifischen Daten trainiert werden“, erklärt Jörg Bienert, Chief Product Officer bei Alexander Thamm. „Für diese Entwicklung setzen vor allem Mittelständer auf KI spezialisierte Dienstleister ein, die über ein Team von Data Scientists verfügen und komplexe Aufgabenstellungen meistern können.“

Eine Frage der Größe?

Dabei ist der Einsatz von KI keine Frage der Unternehmensgröße. Erik Purwins, Geschäftsführer von ACP Digital Analytics, sieht die Kriterien eher im Zusammenhang mit gesetzlichen sowie regulatorischen Anforderungen, den eigenen Kernprozessen, dem vorhandenen Knowhow, den technischen Möglichkeiten und den Kosten. Laut Ravin Mehta, Geschäftsführer von The unbelievable Machine (*um), stellt der Speicherplatz bei KI-Projekten weniger eine Herausforderung dar als die so genannten fünf „Vs“: Volume (Datenmenge), Variety (Datenvielfalt), Velocity (Geschwindigkeit), Validity (Datenqualität) und Value (Datenwert). Ob Unternehmen dann auf vorgefertigte KI-Services oder maßgeschneiderte Lösung setzen, ist eine Frage der Projekt- und Budgetgröße.

Auch für kleinere Unternehmen kann der Einsatz von KI folglich sinnvoll sein, gerade wenn es hin zu einer produktiven Umgebung gehen soll. „Oft beginnen Unternehmen damit, kleine Modelle mit nur wenigen Daten zu erstellen. Modelle werden dann auch oft weiter verbessert, ohne diese aber in eine produktive Umgebung zu bringen und an andere Software-Komponenten anzubinden“, erklärt Dr. Sebastian Lehrig, AI Architect bei IBM Systems. „Dem kann glücklicherweise entgegengewirkt werden, indem direkt für Produktiv-Umgebungen geplant wird und solche auch auch zeitnah zugänglich gemacht werden. So können die beteiligten Personen KI-Projekte in schnellen Iterationen bereits in Produktiv-Umgebungen testen und frühzeitig Feedback zur Güte ihrer KI-Anwendung sammeln und berücksichtigen.“

KI und Storage

Da bei KI-Applikationen eine große Datenmenge benötigt wird, ist der Storage-Bedarf nicht zu vernachlässigen. Jedoch hängt bei KI-Projekten die Auswahl der Speicher-Architektur stark von den Kundenanforderungen und der zu verarbeitenden Datenstruktur ab. „Generell setzt KI aber keine spezielle Storage-Architektur voraus“, erklärt Purwins. „In der Regel können Kunden beim Storage frei entscheiden, ob sie auf Cloud- oder On-Premises-Lösungen setzten. Meist wird hier der hybride Gedanke bei der Datenverarbeitung umgesetzt.“ Des Weiteren kommt hinzu, dass KIs nicht nur Daten zum Arbeiten brauchen, sondern auch wieder neue produzieren. „Durch den Einsatz Künstlicher Intelligenz wird also der ohnehin aktuell schon exponentiell steigende Datenbestand noch weiter anwachsen. Die dadurch wachsende Formvielfalt, Quellenvielfalt und der Druck auf die Verarbeitungsgeschwindigkeit führen dazu, dass ein durchdachtes Datenmanagement essenziell wird“, prognostiziert Purwins.

Und so leitet KI einen Paradigmenwechsel im Storage ein, denn sie verspricht, dass die Art und Weise, wie wir Daten speichern, intelligenter wird. Gleichzeitig erfordert der zunehmende Einsatz der Technologie kreative und individuelle Formen der Daten-Architektur. Je umfassender Datenquellen erschlossen werden können, desto besser und schneller können Entscheidungen getroffen werden. Mehta ist der Ansicht, dass die Vision einer „Data-driven Company“, in der also datenbasiert, möglichst automatisiert, schnelle Entscheidungen und Handlungen abgeleitet werden, Realität werden kann. Die Grundlage dafür ist seiner Meinung nach eine umfassende Daten-Infrastruktur, die es ermöglicht, Datenquellen unternehmensübergreifend zu erschließen und miteinander in Verbindung zu setzen, um damit immer bessere Datenanalysen und letztlich KI-basierte Entscheidungen zu ermöglichen.

Ferner braucht es Mehta zufolge mehr als nur ausreichenden Speicherplatz: „Es sind dazu organisatorische Umstrukturierungen nötig, nicht nur in der IT und prozessual, sondern vor allem im Denken. Es braucht ein „Data Mindset“, das Verständnis, was mit datengetriebener Automatisierung möglich ist – nicht nur KI-basierte Anwendungen, sondern eines Tages künstlich intelligente Unternehmen.“

DATA Storage & Analytics Technology Conference 2020

Mit Warp 10 durch das Datenuniversum

Intels KI-Ökosystem

KI inside: Von der CPU bis zum spezialisierten ASIC

(ID:46504854)