Produktions-KI scheitert oft an fragmentierten Speichersilos und teuren Datenmigrationen. Hammerspace zeigte auf der IT Press Tour, wie mit Datenorchestrierung GPUs ohne teure Neukäufe mit Daten versorgt werden können und warum sich die Dateninfrastruktur fundamental wandeln muss.
Während Unternehmen von isolierten Proof-of-Concepts (PoCs) zu groß angelegter Produktions-KI übergehen, offenbart sich ein versteckter Engpass: der Datenzugriff. Branchenbeobachtungen zeigen, dass ein Großteil der KI-Projekte nicht an fehlender Rechenleistung scheitert, sondern daran, dass Unternehmen den Aufwand und die Kosten für die Duplizierung von Infrastrukturen und die Migration von Daten nicht rechtfertigen können. Auf der jüngsten IT Press Tour erläuterte Floyd Christofferson, VP Product Marketing bei Hammerspace, wie moderne Datenplattformen diese Hürden überwinden, indem sie bestehende Speicherressourcen in einen einheitlichen, hochperformanten globalen Namensraum einbinden.
Die traditionelle IT-Architektur der letzten vierzig Jahre war primär auf einzelne Anwendungen und funktionale Speichersilos ausgerichtet. Unternehmen kauften spezifische Storage-Systeme für bestimmte Workloads, was starre Hierarchien erzeugte. Während dieses Modell für klassische Geschäftsanwendungen funktionierte, bricht es unter den Anforderungen von Produktions-KI zusammen.
KI-Workflows sprengen klassische Anwendungsgrenzen. Moderne Workloads ziehen unstrukturierte Daten aus Multi-Site-Rechenzentren, Edge-Standorten und Cloud-Umgebungen heran. Herkömmliche Anbieter schlagen oft vor, dedizierten KI-Speicher zu erwerben und sämtliche Daten zu kopieren. Diese Datenvervielfältigung erhöht jedoch die Kosten, verschärft Compliance- und Datensouveränitätsrisiken und führt dazu, dass teure GPUs untätig auf Daten warten.
Die drei Dimensionen der KI-Ökonomie
Um Produktions-KI erfolgreich zu betreiben, muss der Blick über reine Token-Geschwindigkeiten hinaus auf die Gesamtwirtschaftlichkeit der Datenbereitschaft gerichtet werden. Hammerspace unterteilt diese Herausforderung in drei zeitliche Faktoren: die Zeit bis zum ersten Token, die Verarbeitungszeit pro Token und die allgemeine Workload-Effizienz.
Wenn Unternehmen erst neue Speicher beschaffen und umfangreiche Migrationen durchführen müssen, zieht sich die Projektvorbereitung über Monate hin. Jede manuelle Zwischenstufe erzeugt Latenzen. Plattformen wie Hammerspace setzen genau hier an, indem sie bestehende Daten direkt an Ort und Stelle einbinden („Assimilate in place“).
Das Dateisystem als einheitliche Datenebene
Hammerspace entkoppelt das Dateisystem von proprietärer Hardware und hebt es in eine einheitliche globale Datenebene (Unified Data Plane) an. Die Plattform nutzt standardbasierte Zugriffe und integriert Performance-Funktionen direkt in den Linux-Kernel (wie paralleles NFSv4.2 mit Flex Files), sodass Unternehmen keine proprietären Client-Softwarepakete auf ihren GPU-Servern installieren müssen. Anwender und Applikationen greifen über Standardprotokolle (NFS, SMB, S3) zu, während die Software im Hintergrund die intelligente Datenplatzierung übernimmt.
Praxisbeispiele wie das der Vanderbilt University zeigen, wie fragmentierte Umgebungen durch die Aktivierung von ungenutztem lokalen NVMe-Speicher als „Tier 0“ und die Zusammenführung alter Repositories konsolidiert werden können. Speicher- und Verwaltungskosten sinken signifikant, während die Flexibilität für rechenintensive Forschungsprojekte spürbar steigt.
Dr. Jakob Jung ist Chefredakteur Security Storage und Channel Germany. Er ist seit mehr als 20 Jahren im IT-Journalismus tätig. Zu seinen beruflichen Stationen gehören Computer Reseller News, Heise Resale, Informationweek, Techtarget (Storage und Datacenter) sowie ChannelBiz. Darüber hinaus ist er für zahlreiche IT-Publikationen freiberuflich tätig, darunter Computerwoche, Channelpartner, IT-Business, Storage-Insider und ZDnet. Seine Themenschwerpunkte sind Channel, Storage, Security, Datacenter, ERP und CRM.
Kontakt – Contact via Mail: jakob.jung@security-storage-und-channel-germany.de