KI und ML: Cloud oder On-Premises?
Fazit, Vergleich und Ausblick
Vergleich: KI-Anwendungen aus der Cloud oder im eigenen Datacenter |
||
Kriterien |
Cloud |
On-Premises |
Zugang zu KI- und ML-Modellen, Frameworks und Entwicklungs-Tools |
Bei führenden Cloud-Serviceprovidern stets Zugang zu aktuellen KI- und ML-Modellen und Entwicklungstools; Hyperscaler wie AWS, Google, Microsoft und Anbieter wie IBM sind führend in der Entwicklung von KI- und ML-Lösungen |
Anwender müssen Modelle, Frameworks etc. selbst auswählen und implementieren; allerdings ist grosse Auswahl an Open-Source-Tools vorhanden; zudem keine Bindung an Angebote von Cloud-Providern |
Know-how - KI-Spezialisten |
Die KI-Expertise von Cloud-Providern und Partnerunternehmen steht – teilweise – auch den Nutzern entsprechender Services zur Verfügung; Anwender können zudem auf Beratungs- und Schulungsservices solcher Unternehmen zurückgreifen |
Das Fachwissen bei KI und Machine Learning muss im eigenen Unternehmen aufgebaut werden; dies ist vor allem für kleine und mittelständische Unternehmen wegen des Mangels an KI-Experten und Data Scientists ein Problem |
Skalierbarkeit von Infrastruktur und Anwendungen |
Flexible Optionen, um Infrastruktur (Compute, Storage) und ergänzende Anwendungen (Datenbanken, Analytics, ETL-/ETL-Pipelines etc.) entsprechend aktuellem Bedarf zu nutzen; Betrieb übernimmt Cloud-Provider |
IT-Infrastruktur für KI / ML muss selbst eingerichtet und betrieben werden; dadurch entsprechende Kosten, eventuell auch wegen Over-Provisioning von Ressourcen, um Lastspitzen abzufangen; allerdings hat Anwender volle Kontrolle über die Infrastruktur und kann diese an spezielle Anforderungen anpassen |
Egress-/Ingress-Kosten |
Bei großen Datenvolumina (KI-/ML-Training) und Modellen können die Kosten deutlich anwachsen, insbesondere nach Preiserhöhungen bedingt durch Energiekosten und Inflation |
Geringere Kosten, weil Datentransfers im eigenen Datacenter erfolgen; jedoch ebenfalls Kostensteigerungen durch Energie, CO₂-Abgaben etc. |
Performance - Netzwerkanbindung |
Hohe, skalierbare Performance, etwa durch Buchen von weiteren GPU-Instanzen; allerdings sind Netzwerkverbindungen mit geringer Latenzzeit zwischen Cloud- und Unternehmensrechenzentren erforderlich; dies kann in einigen Regionen (noch) ein Problem darstellen; |
Geringe Latenzzeiten und hohe Performance; Voraussetzung ist jedoch eine IT-Infrastruktur, die regelmäßig modernisierte und gut gewartet wird; |
Datenschutz - Compliance |
Daten und KI-Modelle werden in Rechenzentren der Cloud-Serviceprovider gespeichert; Anbieter wie die Hyperscaler, IBM etc. unterhalten allerdings Datacenter im EU-Raum und geben an, die Vorgaben der EU-DSGVO einzuhalten und die Daten-Souveränität der Nutzer zu respektieren |
Nutzer haben die volle Kontrolle über Daten und KI-Anwendungen; die kann in Branchen mit besonderen hohen Anforderungen an die Compliance und Daten-Souveränität somit die bessere Alternative sein; Option: Einrichtung einer Hybrid-Cloud, die Zugang zu KI-Lösungen in der Public Cloud erlaubt, aber gleichzeitig Kontrolle über sensible Daten ermöglicht |
Sicherheit |
Die IT-Sicherheitsvorkehrungen von Cloud-Rechenzentren sind in der Regel besser als die vieler Unternehmens-Datacenter |
Die Sicherheit der IT-Infrastruktur und der Daten liegt in der Verantwortung des Anwenders; allerdings ist zu beachten, dass Cloud-Provider auch die Sicherung von Daten (Backup, Disaster-Recovery) in der Regel dem Anwender übertragen |