KI und ML: Cloud oder On-Premises?

Bei Cloud-Services für KI und Machine Learning müssen Kosten und Governance in Einklang gebracht werden. [...]

Cloud als „Demokratisierung von KI“

Keine Überraschung ist, dass für Gilbert Jacqué von Microsoft KI aus der Cloud die perfekte Lösung ist:

• Vortrainierte Dienste wie der Azure OpenAI Service stehen Unternehmen jeder Größe und aus allen Branchen über die Cloud zur Verfügung. Dies ermöglicht im Grunde eine Demokratisierung von KI.“ Wer dagegen einen On-Premises-Ansatz wähle, entkopple laut Jacqué seinen KI-Ansatz von weltweit zugänglichen Ressourcen und Tools, die häufig als Open Source verfügbar seien. „Das führt zu strategischen Wettbewerbsnachteilen.“

Auch klassische Vorteile von Public-Cloud-Services kommen bei KI und Machine Learning zum Tragen, etwa die Skalierbarkeit und der Zugang zu speziellen Ressourcen wie Grafikprozessoren (GPUs) und den hohen Rechen- und Speicherkapazitäten, die das Erstellen und Testen von KI- und ML-Modellen erfordert.

„Cloud-Nutzer profitieren von einer höheren Effizienz, weil sie die zugrunde liegende Server-Infrastruktur nicht selbst managen müssen“, betont Mark Neufurth, Lead Strategist beim deutschen Cloud-Serviceprovider Ionos.

Ein Vorteil von Cloud-basierten KI-Diensten ist, dass sie dazu beitragen können, den ‹Skill Gap› in der KI-Branche zu schließen.

Markus Hacker – Director Enterprise Business DACH bei Nvidia

Wichtig ist aus seiner Sicht jedoch, dass Nutzern die erforderlichen KI- und ML-Tools zur Verfügung stehen, die sie über Application Programming Interfaces (APIs) anbinden und zu einem kompletten AI/ML-Stack erweitern können. Dies erfordert beispielsweise die Unterstützung von ETL- und ELT-Pipelines (Export – Transform – Load und Export – Load – Transform). Speziell der „Transform“-Part ist bei KI und ML wichtig, um Variablen in standardisierte Bereiche umzuwandeln.