.
Einer aktuellen Studie des Marktforschungsunternehmens idc zufolge verdoppelt sich die Größe des globalen Datenuniversums derzeit alle zwei Jahre. Bis zum Jahr 2025 wird das weltweite Datenvolumen eine Größe von 175 Zettabyte erreicht haben. Dies entspricht 175 Billionen Gigabyte. Die Verarbeitung des stetigen Datenwachstums ist für viele Unternehmen eine große technologische Herausforderung, jedoch dank des High Performance Computings (HPC) gleichzeitig auch die Basis für einen immensen wirtschaftlichen Fortschritt auf dem Feld der Künstlichen Intelligenz.
Datenexpansion ohne Ende: Big Data als Chance für die KI
Die fortschreitende Digitalisierung verändert die Art und Weise wie wir leben und arbeiten. In immer mehr Bereichen unseres Alltags setzen wir auf Algorithmen, Data Science und informationstechnologische Analysen. Ein Großteil der Wirtschaft ist für seine Geschäftsmodelle längst auf eine breite Datenzufuhr angewiesen: Etwa in der Industrie bei der Personalisierung von Warenangeboten, der Absicherung der Lieferkette oder der Optimierung der Produktionsabläufe oder in der Medizin bei hyperpersonalisierter Diagnostik und Behandlung. In Zukunft werden sich drastische Wettbewerbsvorteile aus der Anwendung hochleistungsfähiger Künstlicher Intelligenz für diejenigen Unternehmen ergeben, denen der Auf- und Ausbau von KI-Strukturen schnell und effizient gelingt. Neben der schon jetzt vorhandenen Datenmengen (Big Data) ist dafür eine anspruchsvolle Rechner-Infrastruktur erforderlich, die die gesammelten Informationen vielschichtig verarbeiten kann.
Mit HPC: KI in die Unternehmenspraxis integrieren
Diese Infrastruktur liefern die Technologien des High Performance Computing. Ursprünglich in der Simulation von hochaufwendigen Forschungsszenarien in der Klimatologie und Seismographie angewandt, sind die mittlerweile global eingesetzten Serverzentren heute die Grundlage für die neuen und breit angelegten Anwendungsfelder der Künstlichen Intelligenz. Etwa in Bezug auf Deep-Learning-Methoden, mit Hilfe derer Maschinen auf Basis unzähliger Parameter auf Regelmäßigkeiten trainiert werden und so fehlerhafte Abweichungen automatisch und präventiv erkennen oder bei der Modellberechnung in künstlichen neuronalen Netzwerken wie etwa in der Medikamentenentwicklung, wo diverse Wirkstoffkombinationen je nach Patientendisposition geprüft werden. Mittlerweile geht die Entwicklung sogar so weit, dass die neuronalen Netzwerke für die KI nicht mehr individuell entworfen werden müssen, sondern die KI selbst neue Mechanismen und Netzwerke zur Problemlösung konstruiert, die stetig dazulernen. Rechenmodelle, die vorher wochenlange manuelle Entwicklung in Anspruch nahmen, können nun in einem Automatismus binnen weniger Stunden erstellt werden. Gelungen ist das bereits am US-amerikanischen Argonne National Laboratory für den Bereich der Krebsforschung. Diese Fortschritte zeigen: Die Simulationspraxis des traditionellen HPC und die Methoden des maschinellen Lernens sind dabei, eine symbiotische Verbindung einzugehen, die den Möglichkeitsraum von KI für die Zukunft deutlich erweitern wird.
Datenvielfalt und komplexe Algorithmik bewältigen
Es sind die immer komplexer werdenden algorithmischen Innovationen, die neben dem Datenzuwachs in den Speichersystemen, zu einem Bedarf an Rechenleistung von neuer Quantität und Qualität führen. Die Menge an Rechenpower, die in den größten KI-Trainingsläufen verwendet wird, hat laut einer Analyse des KI-Forschungsunternehmens Open AI seit 2012 exponentiell zugenommen - mit einer Verdopplungszeit von nur 3,4 Monaten. Die verfügbare Rechenleistung erweist sich damit als essentielle Ressource, um KI-Innovationen in die Anwendung zu bringen. Sie bestimmt die Grenzen des Möglichen, wie viele Berechnungen parallel in angemessener Geschwindigkeit verarbeitet werden können und damit welcher Komplexitätsgrad praktisch durch ein Modell noch abgebildet werden kann. Ein weiterer Fakt, der das HPC in der Praxis nahezu unentbehrlich macht, ist die Vielfalt der meist unstrukturierten Datensätze, die nicht nur Bild und Text, sondern neben Skizzen und Notizen viele weitere Parameter enthalten können. Allein eine MRT-Untersuchung kann bereits mehrere hundert Bilder produzieren. Um mit dieser Datendiversität effizient umzugehen und maschinelles Lernen zu einem durchgängigen Workflow zu optimieren, braucht es HPC-Strukturen der höchsten Leistungsklasse.
Wirtschaftliche Rechner-Infrastruktur für heterogene Workloads
Durch die notwendig hohe Rechenleistung für die heterogenen Workloads, die durch die HPC-Anlagen verarbeitet werden, entsteht im Rechenzentrum ein enormer Energiebedarf, der Effizienzfragen bei der IT-Infrastruktur neu aufwirft. In einem HPC-Cluster liegt der Verbrauch bei ca. 40 Kilowatt pro Schrank. Ein herkömmliches Server-Rack demgegenüber benötigt nur ca. 10 Kilowatt. Für energieeffizientes Rechnen in hoher Intensität rückt neben einer leistungsfähigen Hardware mit Multicore-Prozessoren, einer intelligenten Management-Software, die die Workloads verteilt, daher die Architektur und der Standort des Rechenzentrums in den Fokus. Unter Verweis auf Effizienzgesichtspunkte hat mit der Northern Data AG auch ein deutsches HPC-Unternehmen einen „grünen“ Rechenstandort in Nordschweden in Betrieb. Der Grund: niedrige Außentemperaturen von durchschnittlichen 1,3 Grad Celsius sorgen für eine passive Kühlung der Server. Weiterhin basiert die Power Supply auf hochskalierbarer und kostengünstiger Elektrizität von erneuerbaren Energiequellen aus der Wasserkraft. Bereits bei der Bauplanung werden Abluftzonen und natürliche Luftströme berücksichtigt. Der branchenweite Maßstab, die Power Usage Effectiveness (PUE), die bestimmt wie viel der produzierten Energie tatsächlich in die Rechenleistung fließt, ist zum entscheidenen Kostenfaktor geworden. Mit ihm wird sich bestimmen wie viele Unternehmen zukünftig auf die rechenintensiven KI-Anwendungen in ihrer Geschäftspraxis zurückgreifen werden können. Das Beispiel Northern Data zeigt jedoch, dass mit umfassender Standortanalyse und intelligenter IT-Architektur weiterhin deutliche Effizienzgewinne zu realisieren sind.
Das HPC Data Center: Eine zentrale Platform für KI-Anwendungen
Es ist zu beobachten wie der Bedarf nach KI-Lösungen die Nachfrage nach HPC antreibt. Nach einer ersten Phase, die von unternehmensinternen Machbarkeitsstudien für KI-Ansätze geprägt war, geht der Trend nunmehr über in eine flächendeckende Implementierung der Künstlichen Intelligenz. Das stellt die IT-Abteilungen selbst großer Konzerne vor hohe Hürden, die bisher Einzelkomponenten aus Hard- und Software aufwendig zusammenführen und konfigurieren mussten. Diesen Bedarf antizipierend sind HPC-Anbieter wie etwa die Northern Data AG dazu übergegangen, eine Computing-Infrastruktur zu entwickeln, die sich möglichst anschlussfähig für eine Vielzahl verschiedenartiger Workflows zeigt. Die großen stationären Rechenzentren gewähren eine variable Skalierbarkeit je nach benötigter Rechenpower und bilden so den wechselnden Bedarf vieler Unternehmen in einer dynamischen Datenumgebung ab. Gleichzeitig können die HPC-Anbieter Inhouse-Expertise in diesem spezialisierten Feld der IT bündeln und entlasten so ihre Kunden in Sachen Personalaufwand für Wartung- und Überwachung. Die bereitgestellten Paketlösungen mit aufeinander abgestimmter Hard- und Software ermöglichen zudem eine schnelle Umsetzung des HPC-Konzepts für die individuellen KI-Anwendungen.
Die Produktivität von KI-Innovationen mit neuen Investitionen maximieren
Das Investitionspotential in der Künstlichen Intelligenz bleibt groß. Die KI hat bewiesen, dass sie in der Wirtschaft zu einem neuen Standard mit deutlichen Produktivitätsgewinnen maßgeblich beitragen kann. Wie groß der Impact der KI-Innovationen von IoT, Deep Learning und Industrie 4.0. am Ende sein wird, darüber bestimmt nicht zuletzt die Qualität der HPC-Infrastruktur, die die Unternehmen für sich nutzen. Die Höhe der Investitionen in eine leistungsstarke HPC-Infrastruktur werden das Tempo vorgeben, mit dem KI-Innovationen in der Praxis zum Einsatz kommen können.
STARTSEITE
