Weniger bewegen, mehr erreichen: Eine Workload-basierte Datenstrategie für KI in Unternehmen

Wichtige Erkenntnisse

• Eine starke KI-Datenstrategie für Unternehmen ermöglicht Workloads den Zugriff auf vertrauenswürdige Daten, ohne dass jeder Datensatz an einen Ort kopiert werden muss.
• KI-fähige Daten müssen genau, aktuell, sicher, erkennbar und für autorisierte Anwendungen nutzbar sein.
• Die Verarbeitung von Daten näher an der Stelle, an der sie sich bereits befinden, kann unnötige Übertragungen reduzieren und Unternehmen dabei helfen, die Kontrolle zu behalten.
• Geregelte Datenpipelines und Orchestrierung machen die Datenaufbereitung reproduzierbar, wenn KI-Projekte von Pilotprojekten in die Produktion übertragen werden. Die KI-fähige Datenplattform von Dell mit NVIDIA bietet eine geregelte Datengrundlage innerhalb der Dell AI Factory mit NVIDIA und kombiniert Dell-Dateninfrastruktur und -Orchestrierung mit Beschleunigung durch NVIDIA.

Unternehmen sollten eine KI-Datenstrategie entwickeln, die vertrauenswürdige, geregelte Daten dort verfügbar macht, wo KI-Workloads sie benötigen, und gleichzeitig unnötige Datenbewegungen reduziert. KI-fähige Daten sind nur ein Teil der Gleichung. Unternehmen benötigen auch einen kontrollierten Zugriff und eine reproduzierbare Möglichkeit, Daten im Rahmen von KI-Projekten aufzubereiten und bereitzustellen.

Unternehmensdaten sind bereits über mehrere Standorte verteilt. Unter Verweis auf Untersuchungen von Gartner berichtet Dell Technologies, dass 75 % der in Unternehmen verwalteten Daten außerhalb traditioneller Rechenzentren erstellt und verarbeitet werden. Wenn mehr Daten am Edge und über verteilte Umgebungen hinweg generiert werden, müssen Unternehmen entscheiden, ob die Daten verschoben oder die Verarbeitung näher an sie herangeführt werden sollen.

Welche Datenstrategie sollten Unternehmen verwenden, um KI-Workloads zu unterstützen?

Unternehmen sollten ihre KI-Datenstrategie auf die Anforderungen jeder Workload abstimmen. Für jeden KI-Anwendungsfall sollten die Teams zunächst die Daten, die die Workload benötigt, und die Regeln identifizieren, die den Zugriff regeln. Sie können dann entscheiden, wie aktuell diese Daten sein müssen und wo die Verarbeitung stattfinden soll.

Gartner empfiehlt, Daten an spezifischen KI-Anwendungsfällen auszurichten und die jeweils erforderlichen Datenquellen und Governance-Anforderungen zu identifizieren. 

Die KI-Datenplattform von Dell mit NVIDIA unterstützt die Datenentdeckung, -aufbereitung, -suche und -orchestrierung, unabhängig davon, wo sich die Daten befinden. Mithilfe ihrer Daten- und Orchestrierungs-Engines können Teams strukturierte, halbstrukturierte und unstrukturierte Daten finden, aufbereiten, anreichern und zu wiederholbaren geregelten Pipelines für KI-Projekte verbinden. Die Plattform ist so konzipiert, dass Daten dort gespeichert werden, wo sie verwaltet werden, und nur so weit verschoben werden, wie es die Arbeitslast erfordert. 

Die Technologie von NVIDIA beschleunigt diese Datengrundlage durch GPU-beschleunigtes Computing, Vernetzung und KI-Software.  In der KI-fähige Datenplattform von Dell mit NVIDIA können Technologien wie NVIDIA RAPIDS, cuVS, NVIDIA BlueField Data Processing Units (DPUs), und NVIDIA AI Enterprise dazu beitragen, die Aufbereitung, Indexierung, den Abruf und die Bereitstellung von Daten für KI-Anwendungen zu beschleunigen und gleichzeitig die Unternehmenskontrollen aufrechtzuerhalten.

Was macht Unternehmensdaten KI-fähig?

KI-fähige Daten sind Informationen, die eine autorisierte Workload in der benötigten Form finden, verstehen und nutzen kann. Das bedeutet, dass die Daten vertrauenswürdig und aktuell, aber auch für die richtige Anwendung einfach zu entdecken und zugreifbar sein müssen. Ein Datensatz kann technisch verfügbar und dennoch schwierig zu verwenden sein, wenn eine Anwendung nicht feststellen kann, ob er zuverlässig oder für die Aufgabe geeignet ist.

Das sollten KI-fähige Daten sein:

• Genau und aktuell: Zuverlässig genug für die vorgesehene Workload.
• Erkennbar: Für autorisierte Anwendungen leicht zu finden und zu verstehen.
• Sicher: Nur für genehmigte Benutzer und Workloads zugänglich.
• Nachverfolgbar: Unterstützt durch Metadaten und Abstammung.
• Für den vorgesehenen Zweck geeignet: Verfügbar in einem Format, das für den Anwendungsfall tatsächlich nutzbar ist.

Die Datenversorgung von KI-Anwendungen in Unternehmen ist oft unstrukturiert, fragmentiert und verändert sich schnell, was die Aufbereitung erschwert. Die KI-Datenplattform von Dell mit NVIDIA begegnet dieser Herausforderung, indem sie die Daten- und Speicher-Engines von Dell mit der von NVIDIA beschleunigten Infrastruktur und KI-Software kombiniert. Zusammen helfen diese Funktionen Unternehmen dabei, Unternehmensdaten für KI-Anwendungen in Echtzeit zu entdecken, aufzubereiten und zu aktivieren.

Vielen Unternehmen bleibt noch viel zu tun, bevor ihre Daten neue KI-Anwendungsfälle unterstützen können. Gartner berichtet, dass 90 % der Daten- und Datenanalyseleiter sagen, dass ihre derzeitige Datenarchitektur überarbeitet werden muss, um neue KI-Anwendungsfälle zu unterstützen. Die KI-Datenplattform von Dell erfüllt diese Anforderungen mit Funktionen für die Erkennung, Aufbereitung, Suche und gesteuerte Pipelines. Teams können diese Funktionen nutzen, um Rohdaten aus dem Unternehmen in Datensätze umzuwandeln, die für Modelle und KI-Anwendungen geeignet sind.

Wie können Unternehmen unnötige Datenbewegungen für KI-Workloads reduzieren?

Unternehmen können unnötige Datenbewegungen reduzieren, indem sie die Daten näher daran verarbeiten, wo sie sich bereits befinden, wenn die Workload dies zulässt. Einige Daten müssen noch kopiert, transformiert oder übertragen werden, insbesondere wenn Anwendungen mehrere Quellen kombinieren. 

Vor dem Verschieben von Daten sollten die Teams zunächst feststellen, ob die Workload überhaupt eine lokale Kopie benötigt. Sie sollten auch abwägen, wie aktuell die Daten sein müssen, im Abgleich mit etwaigen Beschränkungen, wo sie gespeichert werden können. Wenn durch die Verlagerung der Daten mehr Infrastruktur zur Verwaltung hinzukommt, ohne dass die Leistung erheblich verbessert wird, kann es sinnvoller sein, die Verarbeitung näher an der Quelle zu halten.

Dies sollte nicht als pauschale Strategie verstanden werden, dass Daten niemals verschoben werden sollten. Es handelt sich um einen auf der Workload basierenden Ansatz: Halten Sie Daten nahe an ihrer Quelle, wenn es auf die Lokalisierung, Governance, Frische oder Größe ankommt, und verschieben oder kopieren Sie Daten, wenn die Workload einen klaren Grund dafür gibt.

Wenn sich Unternehmensdaten über traditionelle Rechenzentren hinaus ausbreiten, müssen Unternehmen möglicherweise mehr davon näher an dem Ort verarbeiten, an dem sie generiert werden. Wenn die Verarbeitung näher an den Daten erfolgt, können Übertragungen zwischen zentralisierten Standorten reduziert werden, während gleichzeitig die Anforderungen an Sicherheit, Prüfungen und Datenhoheit unterstützt werden.

KI-Workloads können auch dort ausgeführt werden, wo sich die Daten bereits befinden. Die KI-fähige Datenplattform von Dell mit NVIDIA ist die Datengrundlage der Dell AI Factory mit NVIDIA und hilft Unternehmen, geregelte Unternehmensdaten mit KI-Workloads zu verbinden und gleichzeitig Daten, Modelle und Abläufe in vertrauenswürdigen Umgebungen zu halten. Unternehmen können diesen Ansatz nutzen, wenn der Datenschutz, der Standort oder das Datenvolumen große Übertragungen unpraktisch machen.

Laut NVIDIA beschleunigen BlueField-3-Datenverarbeitungseinheiten (DPUs) den Zugriff über Speicherinitiatoren, Controller und Ziele hinweg, sodass mehrere GPUs dieselben Datenspeicher teilen können. Laut NVIDIA kann dieser Ansatz die Prozessorauslastung reduzieren, wenn die KI-Arbeitslasten zunehmen.

Wie können Unternehmen die Zugänglichkeit von Daten für KI verbessern und gleichzeitig Governance und Kontrolle aufrechterhalten?

Unternehmen können die Zugänglichkeit von Daten für KI verbessern, indem sie genehmigten Workloads Zugriff auf die benötigten Daten gewähren und gleichzeitig Governance-Kontrollen durchsetzen. Bestehende Zuständigkeits- und Zugriffsregeln müssen weiter gelten, während sich immer mehr Modelle und Anwendungen mit Unternehmensdaten verbinden.

Praktische Governance-Kontrollen können Folgendes umfassen:

• Zugriffskontrolle: Beschränken Sie den Datenzugriff nach Rolle, Attribut oder Workload.
• Zuständigkeit und Abstammung: Erfassen Sie, wer zuständig für die Daten ist und wie sich die Zuständigkeit im Laufe der Zeit ändert.
• Schutz sensibler Daten: Verwenden Sie bei Bedarf Datenmaskierung, Redaktion oder Tokenisierung.
• Aufbewahrungsregeln: Legen Sie fest, wann Daten aufbewahrt oder gelöscht werden sollen.
• Kontinuierliche Überwachung: Verfolgen Sie die Datenqualität und den Zugriff mit der Zeit.

Geregelte Pipelines können diese Kontrollen während der Datenaufbereitung anwenden. Die KI-Datenplattform von Dell mit NVIDIA kann unstrukturierte Daten indexieren und aufbereiten und sie mit geregelten Pipelines für die Datenentdeckung und Datensatzerstellung verbinden. Ein verwalteter Pfad für die Aufbereitung kann die Abhängigkeit von Ad-hoc-Kopien reduzieren und Teams eine festgelegte Möglichkeit geben, Zugriffs-, Abstammungs-, Qualitäts- und Governance-Anforderungen anzuwenden, bevor Daten eine KI-Workload erreichen. 

Mit NVIDIA beschleunigte Infrastruktur und KI-Software tragen Sicherheitskontrollen zur integrierten Lösung bei, darunter Richtliniendurchsetzung, Isolierung und Verschlüsselung von Daten im Ruhezustand und während der Übertragung. Diese Kontrollen ergänzen die Speicher-, Cyberresilienz-, Zugriffs- und Governance-Funktionen von Dell.

Für die Governance sind auch Informationen darüber wichtig, wer zuständig für die Daten ist, wer sie nutzen kann und wie sie im Laufe der Zeit verwaltet werden. Im Zuge seiner Entwicklung des Daten-Governance und -Managementprofils legt das National Institute of Standards and Technology (NIST) großen Wert auf die Verwaltung des Zugriffs und die Aufrechterhaltung der Datenqualität. Dies erfordert auch genügend Metadaten, um zu zeigen, woher die Daten stammen und wie sie sich im Laufe der Zeit verändert haben. Klare Zuständigkeiten und einheitliche Zugriffsregeln geben Teams die Möglichkeit, Daten KI-Anwendungen zur Verfügung zu stellen, ohne die Kontrolle über ihre Nutzung zu verlieren.

Wie helfen Datenpipelines und Orchestrierung Unternehmen beim Skalieren von KI?

Datenpipelines und Orchestrierung helfen Unternehmen, KI zu skalieren, indem sie die Aufbereitung und Bereitstellung reproduzierbar machen. Gartner empfiehlt die Aufbereitung von Daten-Pipelines sowohl für Datensätze zum Modelltraining als auch für Live-Daten-Feeds an KI-Systeme in der Produktion. 

Datenpipelines kümmern sich um wiederkehrende Aufbereitungsarbeiten, während die Datenorchestrierung koordiniert, wann diese Pipelines laufen und wie Daten zwischen den Phasen fließen. Die Orchestrierung kann auch die Planung, Wiederholungen und Vorgangsabhängigkeiten verwalten und gleichzeitig verfolgen, wie sich Daten durch die Pipeline bewegen. Zusammen bieten sie Teams einen einheitlicheren Prozess für die Anwendung von Validierung und Governance, wenn neue KI-Workloads in die Produktion übergehen.

Die KI-Datenplattform von Dell mit NVIDIA kann Milliarden unstrukturierter Dateien indexieren und sie in geregelte Pipelines einbinden, wodurch die Datenentdeckung und Datensatzerstellung beschleunigt werden. Die Datendienste von Dell Technologies befassen sich mit der Datenaufbereitung und der betrieblichen Komplexität, während KI-Projekte von Pilotprojekten in die Produktion übergehen.

Basierend auf derAnalyse von Kundenauftragsdaten durch Dell setzten bis August 2026 mehr als 65.000 Kunden Dell AI Factory ein. Dell AI Factory mit NVIDIA unterstützt KI-Arbeitslasten vom Training bis zur Bereitstellung und kombiniert Dell-Infrastruktur und -Dienste mit NVIDIA Accelerated Computing und KI-Software. Eine starke KI-Datenstrategie für Unternehmen beginnt mit einer einfachen Frage: Wo sollte jede Workload auf die benötigten Daten zugreifen und diese verarbeiten? Eine gute Antwort auf diese Frage kann unnötige Bewegungen reduzieren und Unternehmen gleichzeitig mehr Kontrolle geben, wenn KI-Projekte wachsen.