pixtumz88 - stock.adobe.com
Durch Netzwerkoptimierung das volle KI-Potenzial nutzen
Anwendungen für künstliche Intelligenz benötigen enorme Netzwerkkapazitäten. Die heute üblichen Netzwerkinfrastrukturen sind nicht ausreichend, meint Hannes Gredler von RtBrick.
In den Anfängen von ChatGPT wurden viele Nutzer mit der Meldung "Sorry! Unsere Kapazitäten sind erschöpft" empfangen. Das war kein Einzelfall, denn Millionen von Nutzern hatten das gleiche Problem, als die Server von OpenAI durch die steigende Nachfrage überlastet wurden.
Die rasante Entwicklung von KI-Algorithmen sorgt für ein enormes Wachstum, sodass die Marktgröße im Vergleich zum Vorjahr um mindestens 120 Prozent steigen dürfte. Die Entwicklung unserer Netzinfrastruktur wird jedoch von diesem Wachstum überholt. Damit KI-Anwendungen intelligentere Entscheidungen treffen können als Menschen, müssen sie auf große Datenmengen zugreifen können. Um diese Daten mit der erforderlichen Geschwindigkeit zu übertragen, benötigen wir erhebliche Netzkapazitäten. Die derzeitige Netzinfrastruktur ist dafür bisher nicht gerüstet. Wenn wir wollen, dass die KI ihr volles Potenzial entfaltet, ist dies eine große Herausforderung, die wir angehen müssen.
Glücklicherweise ist bereits eine technologische Revolution im Gange, um unsere Netzwerke zu optimieren.
Das neuronale Netz der KI
Jede Form von Intelligenz hat ihre Grenzen. Das menschliche Gehirn kann nur Aufgaben bewältigen, die seine neuronalen Netze verarbeiten können. KI hingegen nutzt die Vorteile der modernen Computerinfrastruktur, wodurch ihre Fähigkeit, Informationen zu speichern und zu verarbeiten, nahezu grenzenlos ist.
Die künstliche Intelligenz hat zwar viele Vorteile, aber der Mensch hat noch einen weiteren Trumpf in der Hand: die Fähigkeit, Informationen in Echtzeit zu verarbeiten, was bei der KI nur durch intensives Training möglich ist. Menschen verarbeiten Informationen, sobald sie sie erhalten, während KI zwischen Sekunden und Minuten benötigt, um eine Anfrage zu bearbeiten.
Aus technologischer Sicht verfügt der Mensch über einen hohen Input/Output-Kapazität (I/O), da er ständig eine große Menge an sensorischen Informationen aufnimmt. Die KI hingegen muss mit Informationen gefüttert werden und diese verarbeiten, um zu lernen. Obwohl ihre neuronalen Netze ähnlich funktionieren wie die des menschlichen Gehirns, ist die I/O-Kapazität der KI eine andere.
Skalierung von KI und Netzen
Um die hohen Erwartungen der Nutzer zu erfüllen und der menschlichen Intelligenz gerecht zu werden, muss die KI-Technologie skalierbar sein. Dies erfordert vernetzte Rechen- und Speicherressourcen in Rechenzentren und KI-Clouds, in denen die I/O-Kapazität für bestimmte Anwendungen nicht überlastet wird.
Damit KI mit anderen menschlichen Fähigkeiten konkurrieren kann, muss sie in Echtzeit arbeiten. Nur so kann sie wichtige Aufgaben erfüllen, die das Leben der Menschen verändern können. Beispiele hierfür sind:
- die Vorhersage und Überwachung der nächsten Pandemie durch Informationen aus globalen virologischen Berichten,
- die Vorhersage von Erdbeben, durch die Analyse seismischer Muster im Zeitverlauf und
- die Warnung von Kunden vor potenziellen Problemen mit ihren Produkten anhand von Echtzeitdaten und die Bereitstellung von Lösungen.
Diese Fähigkeiten sind zwar theoretisch, aber für diese Art von nützlichen Anwendungsfällen ist eine hohe Skalierbarkeit der KI erforderlich, und das ist auch bei unseren Netzen der Fall. Vor der KI waren die Netzwerke nicht dafür ausgelegt, so viele Informationen zu verarbeiten, und dies war auch nicht Teil der ursprünglichen Vision. Heute ist es entscheidend, dass am Rand des Netzwerks genügend Kapazität vorhanden ist, um das Potenzial der KI zu unterstützen. Um eine optimale Leistung zu erzielen, muss der Netzwerkrand mit der Rechenleistung des Kerns mithalten können.
Die Lösung liegt in disaggregierten Netzen
Wir wissen, dass unsere Netzwerke nicht vollständig für die Fähigkeiten der KI gerüstet sind. Um die Rechenleistung der KI zu nutzen, müssen die Netze in der Lage sein, sich anzupassen und Schritt zu halten. Dies erfordert eine Skalierung sowohl der Mobilfunk- als auch der Breitbandnetze, um auch die Menschen in abgelegenen Gebieten erreichen zu können. Die Skalierung dieser Netze ist eine Voraussetzung für den Erfolg bei komplexeren KI-Aufgaben.
„Ein Verzicht auf den Ausbau der Netzkapazitäten würde den Erfolg der KI gefährden. Die Entflechtung von Netzen ist notwendig, um das volle Potenzial der KI zu erschließen.“
Hannes Gredler, RtBrick
Eine Lösung für dieses Problem ist die Disaggregation von Netzen. Durch die Implementierung von Bare-Metal-Switches in Telekommunikationssystemen und den Einsatz von Software zur Verwaltung von Hardware verschiedener Anbieter können Netze höhere Kapazitäten und schnellere Geschwindigkeiten für Einzelpersonen und Geräte am Netzrand bereitstellen. Erst dann können die Mobilfunk- und Breitbandnetze mit der Rechenleistung des Kernnetzes mithalten. Dies ist entscheidend, um die ehrgeizigen Ziele der KI-Systeme zu erreichen.
Warnungen beherzigen, vorankommen
Experten warnen oft vor den Gefahren der KI, aber das Potenzial für positive Veränderungen überwiegt einige der eher negativen Assoziationen. Wir sollten diese lebensverändernde Technologie nicht im Dunkeln lassen, sondern ans Licht bringen.
Um das Potenzial voll ausschöpfen zu können, ist es entscheidend, KI-Systeme richtig zu verstehen und zu nutzen. Ein Verzicht auf den Ausbau der Netzkapazitäten würde den Erfolg der KI gefährden. Die Entflechtung von Netzen ist notwendig, um das volle Potenzial der KI zu erschließen. Gegenwärtig sind die Möglichkeiten von KI-Systemen begrenzt.
KI hat eine vielversprechende Zukunft. Täglich werden neue Plattformen und Funktionen eingeführt. Es ist wichtig, darüber nachzudenken, wann die derzeitige Netzinfrastruktur an ihre Grenzen stößt, und Verbesserungen vorgenommen werden müssen. Die Zeit ist reif, damit zu beginnen und Fortschritte zu erzielen.
Über den Autor:
Als Unternehmensgründer und CTO leitet Hannes Gredler die Vision und Ausrichtung von RtBrick. Er verfügt über mehr als 20 Jahre Erfahrung in Engineering und Support-Rollen bei Alcatel (jetzt Nokia Networks) und Juniper Networks. Er ist auch Co-Autor und Beitragender zu mehreren IETF-Entwürfen (Internet Engineering Task Force) und ein regelmäßiger Sprecher auf Branchenveranstaltungen und Konferenzen. Er hält mehr als 20 Patente im Bereich IP-Multi-Protocol Label Switching (IP/MPLS).
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
