Denise Muyco, Mitgründerin und CEO von RAVEL – Interviewreihe

Denise Muyco ist Mitgründerin und CEO von RAVEL. Dort leitet sie die Entwicklung von Orchestrierungssoftware für komplexe Rechen- und KI-Infrastrukturen. Als ausgebildete Ingenieurin verfügt sie über Berufserfahrung in den Bereichen Energieinfrastruktur, Prozessoptimierung, digitale Medien, Rechenzentren und virtuelle Studios. Bevor sie sich auf KI konzentrierte, wirkte sie am Aufbau einer gemeinsam genutzten Hochleistungsrecheninfrastruktur für die Visual-Effects-Branche in Vancouver mit, durch die rund 30 Studios Zugang zu Rechenleistung und sicheren Verbindungen erhielten. Diese Erfahrung prägte ihren Ansatz zur Koordination kostspieliger, begrenzter Ressourcen. Bei RAVEL bringt sie eine systemtechnische Perspektive in die Platzierung von Workloads, die Infrastrukturauslastung, die Interoperabilität und die wachsenden Anforderungen verteilter und souveräner KI-Umgebungen ein.

RAVEL entwickelt Software, mit der Unternehmen Rechen- und KI-Workloads in Cloud-, On-Premises- und hybriden Infrastrukturen bereitstellen, verwalten und skalieren können. Zu den Produkten zählen RAVEL Orchestrate für virtuelle Hochleistungsarbeitsplätze, RAVEL Orchestrate AI für die Automatisierung und Optimierung von Workloads sowie Boost für Softwarelizenzierung und Telemetrie. Die Tools des Unternehmens verbinden Infrastruktur, Anwendungen, Virtualisierung und Sicherheit und bieten zugleich zentrale Steuerungsmöglichkeiten und Einblick in den Betrieb. RAVEL betreut Rechenzentren, Dienstleister, IT-Teams von Unternehmen, KI-Forschungsgruppen und Kreativstudios. Aufbauend auf seinen Wurzeln in der Erstellung digitaler Inhalte konzentriert sich das Unternehmen darauf, komplexe Umgebungen zu vereinfachen und Teams dabei zu unterstützen, ihre verfügbare Infrastruktur effektiver zu nutzen.

Sie haben RAVEL gegründet, nachdem Sie jahrelang an der Schnittstelle von Ingenieurwesen, Medieninfrastruktur und verteiltem Rechnen gearbeitet hatten. Was hat Sie letztlich dazu bewogen, das Unternehmen zu gründen, und wie hat sich die Mission von RAVEL weiterentwickelt, seit generative KI die Nachfrage nach Rechenleistung drastisch erhöht hat?

Ich bin ausgebildete Ingenieurin und arbeite schon lange vor dem aktuellen KI-Boom an der Schnittstelle von Energie, Rechenleistung und Infrastruktur. Zu Beginn meiner Karriere absolvierte ich ein Praktikum in einem Kernkraftwerk. Später kam ich durch meine Arbeit in den Bereichen Medien und visuelle Effekte mit GPUs, hohem Rechenleistungsbedarf und den Grenzen der physischen Infrastruktur in Berührung.

Vor etwa 16 Jahren stieß die wachsende Visual-Effects-Branche in Vancouver unmittelbar an diese Grenzen. Studios benötigten enorme Rechenleistung, um immer komplexere Film- und Fernsehinhalte für hochwertige Projekte zu verarbeiten (oder zu rendern). Doch nur wenige konnten es rechtfertigen, ausreichend eigene Infrastruktur aufzubauen, um den Spitzenbedarf in einer sicheren Umgebung zu decken. Auch die Stromversorgung wurde zunehmend zu einem Engpass. Wir entwickelten eine gemeinsam genutzte Infrastruktur, die rund 30 Studios Zugang zu Hochleistungsrechnen und sicheren Verbindungen mit hoher Bandbreite verschaffte.

Die gemeinsame Nutzung der Infrastruktur löste ein Problem, schuf aber ein weiteres: Wie lassen sich kostspielige, begrenzte Ressourcen effizient auf verschiedene Unternehmen und Workloads verteilen? Diese Erfahrung führte letztlich zu RAVELs Ansatz für eine intelligente Infrastrukturorchestrierung.

KI ist eine deutlich größere Ausprägung derselben grundlegenden Herausforderung – mit wesentlich höherer Komplexität und deutlich mehr auf dem Spiel stehendem Kapital. Die Workloads und die Infrastruktur haben sich verändert, doch kostspielige, begrenzte Ressourcen effizient zusammenwirken zu lassen, ist wichtiger denn je.

Bevor Sie RAVEL gründeten, halfen Sie dabei, einen Verbund aus rund 30 Studios, Tonbühnen, Produktionsfirmen und Visual-Effects-Unternehmen in Vancouver aufzubauen, die gemeinsam auf eine Hochleistungsrecheninfrastruktur zugreifen konnten. Was haben Sie aus dieser Erfahrung über verteiltes Rechnen gelernt, und welche Parallelen sehen Sie zwischen den damaligen Herausforderungen Hollywoods beim Rendern und den heutigen Infrastrukturproblemen der KI-Branche?

Meine Arbeit mit der VFX-Branche hat mir gezeigt, dass der Aufbau und die Konfiguration der Infrastruktur nur die halbe Herausforderung waren. Die kostspielige Rechenleistung musste sicher gemeinsam genutzt und effizient eingesetzt werden. Gleichzeitig musste die gesamte Infrastruktur reibungslos zusammenarbeiten – darunter auch ein sicheres Netzwerk, das riesige Dateien übertragen konnte. Workloads mussten geplant, Kapazitäten zugewiesen und enorme Datenmengen übertragen werden, während die Produktionsteams immer ambitioniertere Ergebnisse innerhalb strenger Budgets und Fristen anstrebten. Die Infrastruktur musste kontinuierlich im Hinblick auf Auslastung und Leistung optimiert werden.

KI ist eine deutlich größere Ausprägung derselben grundlegenden Herausforderung. Unternehmen investieren massiv in Infrastruktur, doch zusätzliche Kapazitäten allein gewährleisten nicht, dass kostspielige Ressourcen effizient genutzt werden. Die KI-Infrastruktur verteilt sich zudem zunehmend auf verschiedene Standorte, Anbieter und Umgebungen. Treiber dafür sind Anforderungen an Stromversorgung, Kapazität, Sicherheit, Wirtschaftlichkeit, geografische Lage, Regulierung und digitale Souveränität. Rendering und KI können sehr unterschiedliche Workloads sein, doch beide stehen vor einer wichtigen gemeinsamen Herausforderung im Bereich Infrastruktur und Ökosystem: In beiden Fällen müssen Hochleistungsrechnen, Netzwerke, Sicherheit und Speicher effizient zusammenarbeiten.

Mit der zunehmenden Komplexität der KI-Infrastruktur reicht es nicht aus, einfach mehr Rechenleistung hinzuzufügen, um die betriebliche Herausforderung zu lösen, diese Kapazität effizient einzusetzen. Hier werden Orchestrierung und die Richtlinien für das übergeordnete Infrastrukturökosystem entscheidend. Gemeinsam helfen sie Unternehmen, kostspielige, begrenzte Ressourcen besser zu nutzen und Workloads in immer stärker verteilten Umgebungen zu koordinieren.

RAVEL bezeichnet sich selbst als Orchestrierungsschicht für verteilte KI-Fabriken. Was bedeutet eine „KI-Fabrik“ für Sie, und was fehlt heute im Infrastruktur-Stack, sodass eine Orchestrierungsschicht notwendig ist?

Eine KI-Fabrik ist meiner Ansicht nach mehr als GPUs und Hochleistungscluster. Sie ist ein integriertes Infrastrukturökosystem, das Rechenleistung, Netzwerke, Speicher, Sicherheit, Stromversorgung, Kühlung und die Betriebsebenen zusammenführt, die für den Einsatz von KI-Workloads erforderlich sind. KI-Fabriken entwickeln sich von isolierten Clustern zu Ökosystemen miteinander verbundener Ressourcen, die sich über mehrere Standorte und Regionen erstrecken. Diese Komplexität lässt sich manuell oder mit unverbundenen Einzellösungen immer schwieriger bewältigen. Eine Orchestrierungsschicht begegnet dieser Herausforderung, indem sie die vielfältigen und komplexen Komponenten des Stacks koordiniert und einen Teil der zugrunde liegenden Komplexität abstrahiert. So wird es für Betreiber einfacher, die Infrastruktur als ein koordiniertes System zu verwalten.

Wenn Unternehmen bestehende Rechenzentren für KI anpassen, zeigt sich, dass viele Einrichtungen ursprünglich nicht auf die Anforderungen heutiger KI-Workloads ausgelegt wurden. Bei der KI-Infrastruktur besteht heute ein grundlegender Missstand, der sich in drei zentrale Probleme unterteilen lässt. Erstens geht es um die Stromversorgung: Es muss ein Standort gefunden werden, an dem genügend zuverlässige Energie verfügbar ist, um Workloads in großem Maßstab auszuführen. Zweitens ist das Ökosystem fragmentiert, da KI-Stacks häufig auf isolierte Umgebungen verteilt und nicht für die Zusammenarbeit ausgelegt sind. Drittens fehlt oft der nötige Einblick in die Gesamtbetriebskosten und die Kosten des Besitzes, sodass die tatsächlichen Kosten der KI-Infrastruktur schwer zu erkennen sind. Dadurch können Workloads nicht optimal ausgeführt und Hardware unzureichend genutzt werden. Unerwartete Betriebskosten können zudem die Gesamtbetriebskosten erhöhen und letztlich zu höheren Token-Kosten beitragen.

KI-Infrastruktur ist zunehmend auf Hyperscale-Clouds, private Rechenzentren, lokale Systeme und spezialisierte GPU-Anbieter verteilt. Vor welchen größten Herausforderungen stehen Unternehmen, wenn sie KI-Workloads über diese unterschiedlichen Umgebungen hinweg verwalten wollen?

Seit mehreren Jahren wird das Wettrennen um KI-Infrastruktur von einer einfachen Annahme bestimmt: größer bauen. Größere Rechenzentren. Größere Cluster. Mehr GPUs. Mehr Kapazität. Doch das Modell „größer bauen“ stößt zunehmend an physische, wirtschaftliche und regulatorische Grenzen.

Die Stromversorgung ist begrenzt. Der Zugang zum Stromnetz braucht Zeit. Wirtschaftliche Faktoren, geografische Gegebenheiten und Souveränitätsanforderungen bestimmen zunehmend, wo Infrastruktur gebaut werden kann und sollte. Die neue Herausforderung besteht nicht einfach darin, mehr KI-Infrastruktur aufzubauen, sondern die richtige Infrastruktur an den richtigen Standorten zu schaffen und zugleich dafür zu sorgen, dass all diese Umgebungen als koordiniertes System funktionieren. Das ist besonders schwierig, wenn die Kapazität über Hyperscale-Clouds, private Rechenzentren, lokale Infrastruktur und spezialisierte Anbieter verteilt ist, die nicht unbedingt für den gemeinsamen Betrieb ausgelegt wurden.

Die Stromversorgung ist die größte dieser Einschränkungen. Zunehmend entscheidet die Verfügbarkeit von Strom darüber, wo KI-Infrastruktur überhaupt aufgebaut wird.

Hier wird die Föderierung entscheidend. Sie verbindet Infrastrukturen über verschiedene Umgebungen hinweg zu einer gemeinsamen Betriebsumgebung. Eine intelligente Orchestrierung bestimmt dann anhand von Kapazität, Stromversorgung, Leistung, Kosten, Richtlinien, Ausfallsicherheit und Souveränität, wo Workloads ausgeführt werden sollen.

Wenn sich KI-Infrastruktur weiter über Standorte und Anbieter hinweg ausbreitet, entsteht der Wettbewerbsvorteil nicht einfach dadurch, dass man mehr Kapazität besitzt. Entscheidend ist vielmehr, diese Kapazität zusammenwirken zu lassen. Die Föderierung schafft das Infrastrukturmodell für diese neue Realität, während eine intelligente Orchestrierung dieses Modell im großen Maßstab in die Praxis umsetzt.

Dieses Modell verfolgt einer unserer Kunden, RT-One, Entwickler der größten KI-Technologieparks und Rechenzentren Lateinamerikas. Das Unternehmen plant eine föderierte Infrastruktur in ganz Amerika, indem es verteilte Kapazitäten miteinander verbindet, damit diese letztlich als koordinierte Umgebung verwaltet werden können.

Der Mangel an GPUs hat enorme Aufmerksamkeit erhalten, doch einfach mehr Beschleuniger hinzuzufügen, führt nicht unbedingt zu mehr nutzbarer KI-Rechenleistung. Wo sehen Sie die größten Ineffizienzquellen in der heutigen KI-Infrastruktur, und wie viel zusätzliche Kapazität könnten Unternehmen durch eine bessere Orchestrierung erschließen?

Im Wettrennen um KI-Infrastruktur liegt der Fokus stark darauf, wie viele Gigawatt an neuer Kapazität geplant sind und wie viel Kapital für deren Aufbau bereitgestellt wird. Es liegt nahe, das Infrastrukturproblem der KI einfach als Mangel an GPUs oder Kapazität zu betrachten. Diese Sichtweise übersieht jedoch, wo die eigentlichen Ineffizienzen liegen. Wichtig ist dabei: Geplante Kapazität ist nicht dasselbe wie nutzbare Kapazität.

GPU-Cluster können vollständig ausgelastet erscheinen, während teure GPUs dennoch untätig bleiben, wenn an anderer Stelle im Stack Leistungsengpässe auftreten. Dazu zählen etwa der Datendurchsatz des Speichers, Datenpipelines, Netzwerküberlastung, ineffiziente Auftragsplanung, Sicherheitsanforderungen sowie mangelnde Abstimmung zwischen Architektur, Anwendungen, Treibern und Abhängigkeiten. Mehr GPUs bedeuten nicht zwangsläufig zusätzliche nutzbare Rechenleistung.

Mehr Infrastruktur erhöht nicht automatisch die Effizienz. In vielen Fällen entstehen dadurch weitere isolierte Bereiche, während gleichzeitig die Kosten steigen.

Unternehmen benötigen mehr Transparenz und Kontrolle, damit sie die Ressourcenauslastung verbessern, Infrastrukturentscheidungen automatisieren und Workloads besser auf verfügbare Ressourcen und geschäftliche Prioritäten abstimmen können. Mehr Transparenz und Kontrolle können dazu beitragen, aus einer Ansammlung von Infrastrukturressourcen eine besser koordinierte Betriebsumgebung zu machen. Es gibt keine genaue oder allgemeingültige Zahl dafür, wie viel Kapazität sich durch Orchestrierung erschließen ließe; jeder Workload hat individuelle Anforderungen. Eines ist jedoch klar: Die Antwort auf brachliegende oder nicht ausreichend genutzte Kapazitäten besteht nicht einfach darin, mehr zu kaufen oder aufzubauen.

RAVEL hat die Interoperabilität zwischen Infrastruktur, Virtualisierungstechnologien, Identitätssystemen und Anwendungen hervorgehoben. Warum wird Interoperabilität besonders wichtig, wenn KI-Workloads komplexer und verteilter werden?

Wenn Infrastrukturen heterogener werden, benötigen Unternehmen die Flexibilität, verschiedene Technologien und Umgebungen zu nutzen, ohne weitere isolierte Infrastruktursilos zu schaffen. Interoperabilität ermöglicht es, dass Rechenleistung, Speicher, Netzwerke und Anwendungen verschiedener Anbieter und Umgebungen zusammenarbeiten. So bleibt die Wahlfreiheit erhalten, während sich die Infrastruktur weiterentwickelt. Interoperabilität allein bestimmt jedoch nicht, wie diese Ressourcen eingesetzt werden sollten.

Hier kommt die Orchestrierung ins Spiel: Sie koordiniert, wo Workloads ausgeführt werden, wie sie verschoben werden und wie Richtlinien in verschiedenen Umgebungen durchgesetzt werden. Da KI-Infrastrukturen zunehmend verteilt und föderiert sind, bietet Interoperabilität die Flexibilität, technologieübergreifend zu arbeiten, während die Orchestrierung diese Ressourcen in eine koordinierte Betriebsumgebung überführt.

RAVEL Orchestrate AI stellt eine gemeinsame Orchestrierungsebene für Rechenleistung, Speicher, Netzwerke und andere Infrastrukturtechnologien bereit und koordiniert KI-Workloads über Cloud-, On-Premises- und Hybridumgebungen hinweg.

Datensouveränität wird für Regierungen und Unternehmen, die KI einsetzen, immer wichtiger. Wie verändert das Wachstum souveräner KI-Infrastrukturen die Überlegungen von Unternehmen zur Platzierung von Workloads, zur Datenbewegung, zur Sicherheit und zur Orchestrierung?

Souveräne KI ist inzwischen eine strategische Priorität. Damit stellt sich eine grundlegendere Frage: Was bedeutet Souveränität eigentlich? Die Diskussion konzentrierte sich weitgehend auf den Speicherort von Daten, doch meiner Ansicht nach greift diese Definition zu kurz.

Ich definiere souveräne KI als die Fähigkeit eines Staates, eines Unternehmens, einer Regierungsbehörde oder einer anderen Organisation, die durch Richtlinien festgelegte Kontrolle über ihre KI-Workloads zu behalten – einschließlich der Daten, Modelle, Recheninfrastruktur, Zugriffsrechte, Sicherheit, Betriebsabläufe und Zuständigkeit, die für diese Workloads maßgeblich sind. Souveränität bedeutet nicht zwangsläufig, dass jeder Workload in einem einzigen Rechenzentrum oder überhaupt auf einer Infrastruktur verbleiben muss, die einer einzigen Organisation gehört. Vielmehr legt die Organisation fest, wo ein Workload ausgeführt werden darf, wo sich seine Daten befinden oder wohin sie übertragen werden dürfen, wer darauf zugreifen darf, welche Infrastruktur ihn ausführen darf und welche Sicherheits-, Regulierungs-, geografischen, betrieblichen und geschäftlichen Richtlinien jederzeit einzuhalten sind. Diese auf Workloads ausgerichtete Definition entspricht der allgemeinen Entwicklung in der Branche, Souveränität als Kontrolle über die gesamte KI-Umgebung zu verstehen und nicht nur als Frage des Speicherorts von Daten.

Besonders deutlich unterscheidet sich der Ansatz von RAVEL, wenn souveräne KI auf Föderation trifft. RAVEL Orchestrate AI kann Souveränitätsanforderungen als Einschränkungen in der Orchestrierungs- und Richtlinienebene berücksichtigen: Ein Workload kann grundsätzlich für die Ausführung in einer Föderation aus Standorten, Clouds, Rechenzentren, Edge-Standorten oder anderer Infrastruktur infrage kommen, jedoch nur auf Ressourcen, die den Souveränitätsrichtlinien dieses Workloads entsprechen. Innerhalb dieses genehmigten Rahmens kann RAVEL anschließend anhand von Faktoren wie Energie, Kosten, Leistung, Kapazität, Auslastung, Netzwerkeigenschaften, Standort und Priorität die geeignete Infrastruktur bestimmen. Föderation hebt Souveränität nicht auf; vielmehr kann sie innerhalb der durch Souveränitätsanforderungen festgelegten Grenzen stattfinden. So könnte ein sensibler Workload einer Regierungsbehörde beispielsweise vollständig in zugelassenen Einrichtungen in den USA verbleiben und dennoch dynamisch auf mehrere autorisierte Standorte verteilt werden. Auf diese Weise können Unternehmen die Vorteile verteilter KI-Infrastrukturen in puncto Auslastung und Ausfallsicherheit nutzen, ohne die Kontrolle darüber aufzugeben, wo und wie ihre sensibelsten Workloads ausgeführt werden.

RAVEL entstand in Branchen wie Medien, Unterhaltung, Gaming und Design, in denen Workloads enorme Rechenleistung erfordern können. Wie haben die Anforderungen generativer KI die Plattform im Vergleich zu den Infrastrukturproblemen verändert, die Sie ursprünglich für Kreativprofis lösen wollten?

RAVEL entstand aus der Arbeit an Infrastrukturproblemen, mit denen Künstler und Ingenieure konfrontiert waren, die bereits umfangreiche Rendering-, Simulations- und Content-Erstellungs-Workloads auf kostspieligen Ressourcen für Rechenleistung, Speicher und Netzwerke ausführten. Die grundlegende Herausforderung bestand darin, den Zugriff auf heterogene Infrastrukturen, ihre gemeinsame Nutzung und ihre Orchestrierung zu vereinfachen und zugleich Auslastung und Leistung zu maximieren.

Generative KI hat denselben Problembereich erheblich ausgeweitet und komplexer gemacht. Statt hauptsächlich Anwendungen und Rendering-Workloads zu orchestrieren, müssen wir nun auch KI-Modelle, Engines, Agenten, Trainings- und Inferenz-Workloads, unterschiedliche GPU-Architekturen, sich rasch verändernde Software-Stacks, enorme Datenbewegungen und deutlich strengere Anforderungen an Energie, Kosten, Sicherheit und Verfügbarkeit berücksichtigen.

Dadurch hat sich RAVEL von der vorwiegenden Orchestrierung von Rechenressourcen zu einer intelligenten Steuerungs- und Optimierungsebene für KI-Infrastrukturen entwickelt. Orchestrate AI nutzt Telemetriedaten und Richtlinien, um nicht nur festzustellen, ob Infrastruktur verfügbar ist, sondern auch, wo und wie eine Arbeitslast ausgeführt werden sollte – abhängig von Faktoren wie Kosten, Geschwindigkeit, Energieverbrauch, Leistung, Auslastung, Standort und Souveränitätsanforderungen.

Auch die Föderation ist immer wichtiger geworden, da KI-Infrastrukturen nicht länger als Ansammlung isolierter Rechenzentren betrachtet werden können. Unternehmen müssen Kapazitäten standortübergreifend intelligent nutzen können und dabei Governance und Sicherheit gewährleisten. In vielerlei Hinsicht hat generative KI das grundlegende Problem, dessen Lösung RAVEL sich vorgenommen hatte, nicht verändert – sie hat es erheblich vergrößert und komplexer gemacht und damit die Bedeutung intelligenter Orchestrierung, Optimierung und Föderation weiter gesteigert.

Ihre berufliche Laufbahn führte Sie vom Maschinenbau und der Prozessoptimierung bei Starbucks über digitale Medien, Rechenzentren und virtuelle Studios bis hin zur KI-Infrastruktur. Wie hat dieser ingenieurwissenschaftliche Hintergrund Ihre Herangehensweise an den Aufbau von Unternehmen und die Lösung von Infrastrukturproblemen geprägt?

Mein ingenieurwissenschaftlicher Hintergrund hat wahrscheinlich nahezu alles daran geprägt, wie ich Unternehmen aufbaue. Im Maschinenbau lernt man, ein System als Ganzes zu betrachten – nicht nur einzelne Komponenten – und zu fragen, wo Engpässe liegen, wo Energie oder Ressourcen verschwendet werden und wie sich die Leistung des gesamten Systems verbessern lässt. Bei Starbucks habe ich diese Denkweise auf die Prozessoptimierung angewandt. Später, in den Bereichen digitale Medien und visuelle Effekte, umfasste das System Rechenleistung, Speicher, Netzwerke, Anwendungen und schließlich ganze Rechenzentren. Die Technologie hat sich verändert, aber meine Herangehensweise an das Problem eigentlich nicht. Ich frage mich immer: Wo liegt der Engpass? Was wird nicht ausreichend genutzt? Was können wir vereinfachen? Und wie können wir das gesamte System verbessern, statt nur einen Teil davon zu optimieren?

Genau so haben wir RAVEL aufgebaut. Ich glaube nicht, dass es bei der Herausforderung der KI-Infrastruktur einfach nur darum geht, mehr GPUs anzuschaffen oder weitere Rechenzentren zu bauen. Es handelt sich um ein Problem des Systems Engineering, bei dem Rechenleistung, Energie, Speicher, Netzwerke, Software, Arbeitslasten, Menschen und zunehmend auch Geografie und Souveränität zusammenspielen. Man kann die schnellste GPU der Welt haben; ist der Rest des Systems jedoch nicht optimiert, hat man lediglich einen sehr teuren Engpass geschaffen. Deshalb verfolgen wir mit RAVEL den Ansatz, die Infrastruktur selbst intelligenter zu machen: Mithilfe von Telemetriedaten, Richtlinien, Orchestrierung und Föderation ermitteln wir fortlaufend, wie und wo Arbeitslasten ausgeführt werden sollten. Zu Beginn meiner Laufbahn habe ich physische Systeme optimiert; heute setzen wir dieselbe ingenieurwissenschaftliche Disziplin ein, um die Infrastruktur zu optimieren, auf der KI läuft.

Wie wird sich Ihrer Einschätzung nach die KI-Infrastruktur weiterentwickeln, wenn Modelle, Agenten und Anwendungen immer größere Mengen verteilter Rechenleistung benötigen? Können Sie sich vorstellen, dass KI-Fabriken zu einer standardisierten Ebene der Unternehmensinfrastruktur werden – ähnlich wie es im vergangenen Jahrzehnt mit Cloud Computing geschehen ist?

Ich bin fest davon überzeugt, dass KI-Fabriken zu einer grundlegenden Ebene der Unternehmensinfrastruktur werden, ähnlich wie Cloud Computing – ich glaube jedoch nicht, dass sie einem einzelnen standardisierten Rechenzentrum oder einer einzelnen standardisierten Cloud gleichen werden. Da Modelle, Agenten und Anwendungen immer größere Mengen an Rechenleistung beanspruchen, werden Unternehmen auf einer heterogenen Mischung aus GPUs, CPUs, eigener Infrastruktur, Neo-Clouds, Hyperscalern, Edge-Umgebungen und spezialisierten KI-Systemen arbeiten.

Die Verfügbarkeit und die Kosten von Energie, Souveränität, Leistung und Standort werden ebenso wichtig sein wie die Verfügbarkeit von Rechenleistung. Die eigentliche Herausforderung wird nicht einfach darin bestehen, mehr Infrastruktur aufzubauen, sondern darin, all diese verteilte Infrastruktur wie ein einziges intelligentes System funktionieren zu lassen. Die KI-Fabrik der Zukunft ist kein einzelnes Gebäude, sondern eine föderierte Infrastrukturumgebung, die Rechenleistung, Energie, Daten und die nötigen Ressourcen umfasst, um KI-Arbeitslasten dort auszuführen, wo es am sinnvollsten ist.

Hier entsteht meiner Ansicht nach die nächste große Infrastrukturebene. Cloud Computing abstrahierte Server und machte Rechenleistung leichter nutzbar; der nächste Schritt besteht darin, die Komplexität des gesamten KI-Infrastruktur-Stacks zu abstrahieren. Unternehmen sollten nicht für jedes Modell oder jeden Agenten manuell bestimmen müssen, welche GPU, welches Rechenzentrum, welche Cloud, welche Energiequelle oder welcher geografische Standort zum Einsatz kommen soll. Die Infrastruktur sollte diese Entscheidungen zunehmend selbst treffen und mithilfe von Telemetriedaten und Richtlinien Kosten, Geschwindigkeit, Energieverbrauch, Leistung, Verfügbarkeit und Souveränität optimieren. Darauf arbeiten wir bei RAVEL hin: auf eine intelligente Orchestrierungsebene, die es ermöglicht, Arbeitslasten über eine föderierte KI-Infrastruktur hinweg zu verschieben und zugleich die Richtlinien und Kontrollmechanismen des Unternehmens zu wahren. Die Cloud machte Rechenleistung bei Bedarf verfügbar. Ich glaube, dass die nächste Generation der KI-Infrastruktur Optimierung auf Abruf ermöglichen wird.

Vielen Dank für das aufschlussreiche Interview. Leserinnen und Leser, die mehr darüber erfahren möchten, wie sich KI-Arbeitslasten über verteilte Infrastrukturen hinweg orchestrieren lassen, finden weitere Informationen bei RAVEL.