So geht Webhosting für KI-Anwendungen

Ein optimales Hosting kombiniert auf bestmögliche Art Leistung, Funktionen und geplante Anwendungsszenarien. Webseiten mit KI-Applikationen benötigen in der Regel mehr Prozessorleistung und Arbeitsspeicher als herkömmliche Sites. Dementsprechend muss die Hosting-Serverinfrastruktur mit dieser Entwicklung mithalten. Hinzu kommt: Hosting-Szenarien, die verstärkt KI-Anwendungen beinhalten, benötigen Rechenleistung, die nicht mehr (nur) von der CPU (dem Rechenprozessor) stammt, sondern in deutlich höherem Masse von GPUs kommt, also von Grafikchips. Warum? Weil deren Rechenleistung sich gerade bei parallelen Berechnungen, bei Fliesskommaberechnungen, der Grafikverarbeitung oder der Suche nach Mustern in Daten deutlich besser eignet. Der Vorteil von Grafikprozessoren ist also die Stärke in bestimmten Anwendungsbereichen, etwa auch bei den Datenanalysen, die eine GPU um bis zu 100-mal schneller absolvieren kann als eine klassische CPU. Damit avanciert KI-Hosting zu einer Form von Webhosting, das massive Rechenleistung mittels Grafikchips bereitstellen muss.

Gut kombiniert

Damit ist aber auch klar, dass dieses Hosting nur für sehr spezielle Anwendungsszenarien empfohlen ist. Dementsprechend setzen Unternehmen solche (kostspieligen) Lösungen dann ein, wenn besondere Aufgaben mit komplexen Anwendungen bewältigt werden müssen. Diese dürften allerdings schon bald mehr werden, da gerade das Datenwachstum und die damit einhergehende Notwendigkeit dahinter eine Datenanalyse zu etablieren, in den letzten Jahren förmlich explodiert ist. Oder anders gesagt: Aus solchen grossen Datenmengen können Unternehmen wertvolle Informationen schöpfen, sofern eben die richtigen Plattformen und Lösungen zur Datenanalyse zur Verfügung stehen. Dieses Feld ist folglich für KI-Anwendungen wie bestellt. Die KI-Tools sind mit der entsprechenden Hardware in der Lage, Ergebnisse in Echtzeit zu liefern, Bild 1.

KI und Cloud

KI-Hosting bietet zudem die Möglichkeit, Anwendungen mit künstlicher Intelligenz in die Cloud zu verlagern. Gerade bei KI-Anwendungen kann die Cloud ein Pluspunkt sein. Teure Investitionen in die eigene Hardware lassen sich durch die Miete der Serverinfrastruktur beim Webhoster vermeiden – etwa Kosten für professionelle GPUs, die für die KI-Berechnung benötigt werden und schnell Anschaffungskosten im hohen vierstelligen Bereich verursachen können.

Dazu gesellen sich weitere laufende Aufwendungen, weil es durch die hohe Leistungsaufnahme zu teuren Stromkosten kommt. Ein GPU-Server benötigt durch seine Abwärme ausserdem zusätzlichen Klimatisierungsbedarf, was wiederum Strom frisst. Wer auf die Leistung eines angemieteten Rechenzentrums zurückgreift, umgeht diese Probleme bei voller Flexibilität, zumal sich die Rechenleistung nach Bedarf skalieren lässt.

KI-Hosting in der Praxis

Ein weiterer Bereich ist die automatische Grafikbearbeitung, die immer wichtiger wird. Künstliche Intelligenz kann bereits jetzt auf Basis von Texteingaben komplexe Bilder oder Videos erzeugen, Inhalte identifizieren, gruppieren und in einen Kontext einordnen, Bild 2. Auch hierfür gibt es Applikationen, die sich in einer Unternehmens-Cloud integrieren lassen und von einer GPU (und deren parallelen Recheneinheiten) massiv beschleunigt werden. KI-Tools können hierbei als eine Art Dirigent in Erscheinung treten: Sie übernehmen die Optimierung und stellen mit den GPUs die notwendigen Leistungsressourcen fürs schnelle Abarbeiten bereit.

Weitere Einsatzmöglichkeiten finden sich im Bereich Industrie 4.0/5.0, bei Funktionen im Bereich der Geschäftsprognose oder beim digitalen Supply-Chain-Management.

Grundsätzlich stellt KI-Hosting immer dann einen hohen Mehrwert dar, wenn spezialisierte KI-Anwendungen vorhanden sind, die eine GPU-Serverplattform nutzen.

KI-Server im Detail

Dreh- und Angelpunkt in Rechenzentren und für Anbieter, die sich aufs KI-Hosting spezialisiert haben, ist die KI-fähige, skalierbare Serverinfrastruktur. Ein KI-Server ist eine spezialisierte Serverform, um Anwendungen aus den Bereichen «Künstliche Intelligenz» und «Maschinelles Lernen» auszuführen. Sie eignen sich für Bereiche, in denen das Verarbeiten und Analysieren grosser Datenmengen sowie die Mustererkennung eine Rolle spielen. Paradebeispiele sind autonome Fahrzeuge, bei denen Daten aus Kameras und von Sensoren zur Navigation und Entscheidungsfindung genutzt werden. Auch in der Sprach- und Bildererkennung bzw. -generierung sind KI-Server eine geeignete Wahl: Large Language Models (LLMs) oder generative KI produzieren Texte und Bilder auf Basis zahlreicher gelernter Daten und Wahrscheinlichkeiten.

Die Hardware und Software eines KI-Servers ist damit matchentscheidend für seine Leistung und Effizienz. Grafikprozessoren (GPUs) sind für die Verarbeitung paralleler Datenströme entscheidend, was insbesondere beim Training von Deep-Learning-Modellen notwendig ist. Leistungsstarke CPUs helfen bei allgemeinen Berechnungen und der Verwaltung des Servers. Damit grosse Datensätze schnell zur Verfügung stehen und im Speicher vorrätig sind, benötigen KI-Server schnelle SSD-Speicher sowie Arbeitsspeicher-Kapazitäten von mindestens 128 GB oder mehr. Und: Eine leistungsstarke Netzwerkanbindung ist für die Kommunikation innerhalb des Gerätenetzes massgeblich.

Allerdings kann der KI-Server sein volles Potenzial nur mit passender Software ausspielen. Damit wird er «trainiert», womit die Ausführung spezifischer KI-Modelle beschleunigt wird. Das Betriebssystem verwaltet die Hardware-Ressourcen (Linux-Distributionen wie Ubuntu, CentOS oder Debian). KI-Frameworks dienen als Umgebungen für die Arbeit mit KI und Machine Learning. Daneben werden Software-Bibliotheken zur Programmierung von KI-Modellen (den Programmen für die KI-Aufgaben) benötigt. Zu guter Letzt lassen sich die KI-Modelle für optimale Ergebnisse trainieren.