Modernes KI erfordert NaaS: Die Zukunft des verteilten Netzwerks

Die Zeiten, in denen KI-Operationen in einem einzelnen Rechenzentrum oder einer zentralen Cloud-Einrichtung liefen, sind vorbei. Moderne KI-Anwendungen müssen hochverteilte Services und Fähigkeiten nutzen. Diese Ressourcen nahtlos zusammenzuführen, erfordert einen neuen Netzwerkansatz. Hier kommt NaaS ins Spiel – Network-as-a-Service, ein Cloud-Service-Modell, bei dem Anbieter Netzwerkfähigkeiten wie Konnektivität, Sicherheit und Management auf Abonnementbasis bedarfsgerecht an Unternehmen liefern.

Ein kurzer Blick darauf, wie moderne KI-Anwendungen funktionieren, veranschaulicht die Notwendigkeit von NaaS. Zum einen werden Daten zum Trainieren von KI-Modellen typischerweise an verschiedenen Orten gespeichert und generiert. Compute-Ressourcen für Training und Inferenz sind oft verstreut, besonders mit dem Aufkommen neuer Angebote wie GPUs-as-a-Service und Neoclouds. Die Notwendigkeit schneller Analysen und umsetzbarer Erkenntnisse in Echtzeitanwendungen bedeutet, dass Datenverarbeitung und Inferenz nah dort stattfinden müssen, wo die Daten generiert werden oder die Aktion erfolgt (z. B. ein autonomes Fahrzeug, das einem Hindernis ausweicht).

Angesichts dieser Faktoren erhielt die Konvergenz von KI und Netzwerken in diesem Jahr erhebliche Aufmerksamkeit. Mplify (ehemals MEF), die Organisation, die den NaaS-Markt seit Jahren vorantreibt, brachte KI in den Fokus. „Wir sind in die KI-Rolle gewechselt“, sagte Pascal Menezes, CTO von Mplify. Er merkte an, dass mit KI-Agenten und Modellen aller Art überall Netzwerke sehr kritisch geworden sind.

Siehe auch: Warum Echtzeit-KI verteiltes Cloud-Computing am Edge benötigt

NaaS betritt die Bühne

Heute benötigen Unternehmen und die Anbieter, die Services zur Unterstützung von KI-Bemühungen liefern, im Wesentlichen KI-Konnektivität als Service. Genau hier kann NaaS eine kritische Rolle spielen.

NaaS ist ein Cloud-ähnliches Verbrauchsmodell für Netzwerke. Anstatt eigene Netzwerk-Hardware und -Software zu besitzen, zu konfigurieren und zu verwalten, können Unternehmen Konnektivität, Bandbreite, Sicherheit und Optimierungsfunktionen bedarfsgerecht von einem Anbieter beziehen.

Wesentliche Aspekte umfassen:

• Bedarfsgerecht und abonnementbasiert: Ähnlich wie SaaS oder IaaS können Unternehmen basierend auf Nutzung hoch- oder runterskalieren.
• Policy-gesteuerte Automatisierung: Netzwerkfunktionen werden als APIs und Services bereitgestellt statt manueller Konfiguration.
• Abstrahierte Infrastruktur: Unternehmen müssen sich nicht um physische Links, Routing oder herstellerspezifische Hardware kümmern.

Siehe auch: Was sind Neoclouds und warum braucht KI sie?

Mplifys Rolle bei NaaS

Mplify hat eine lange Geschichte darin, Konnektivitätstechnologien in den Markt zu bringen. Der Fokus auf Frameworks, Lifecycle Service Orchestration (LSO) APIs und Zertifizierungen half dabei, Carrier Ethernet zu einem allgegenwärtigen Angebot zu machen, auf das Unternehmen jahrzehntelang vertrauten.

Die Gruppe ging einen ähnlichen Weg mit NaaS. Sie entwickelte LSO APIs und Frameworks, die es Service-Providern ermöglichen, Netzwerk-Services wie SD-WAN, Secure Access Service Edge (SASE) und mehr auf standardisierte Weise bereitzustellen.

Mit Mplifys Standards können Unternehmen Netzwerk-Services über mehrere Operatoren hinweg bestellen, aktivieren und überwachen, als würden sie mit einem einzigen Cloud-Anbieter arbeiten. Zusätzlich können Anbieter ihre Angebote nach Mplifys Standards zertifizieren lassen, was Vertrauen erhöht und die Adoption beschleunigt.

Warum NaaS für KI wichtig ist

KI, Edge Computing und GPU-Beschleunigung sind hochverteilt und ressourcenintensiv. Sie erfordern flexible Konnektivität. KI-Workloads können zwischen Rechenzentren, Clouds und Edge-Standorten platzen. NaaS lässt Unternehmen und Anbieter High-Bandwidth-Links nur dann aufbauen, wenn sie gebraucht werden. Damit unterstützt NaaS schwankende Anforderungen basierend auf vorhersehbaren und unvorhersehbaren Änderungen der Geschäftsnachfrage.

Moderne KI-Anwendungen benötigen auch niedrige Latenz und zugesicherte Quality of Service (QoS). Das ist ein weiterer Bereich, in dem NaaS eine Rolle spielen kann. Beispielsweise benötigt Inferenz am Edge (z. B. in der Fertigung oder in autonomen Systemen) deterministisches, zuverlässiges Networking. NaaS ermöglicht policy-basierte Performance-Garantien. In diesem Punkt bieten NaaS-Anbieter in der Regel Service Level Agreements (SLAs), die spezifische Levels an Performance, Zuverlässigkeit und Verfügbarkeit garantieren.

Ein weiterer Aspekt von NaaS ist die enge Integration von Sicherheit. Das ist wichtig, weil sich mit verteilten GPUs und Edge-Nodes die Angriffsfläche erweitert. NaaS integriert Sicherheit als Teil des Service Fabric. Die meisten NaaS-Angebote unterstützen SASE, das Wide-Area-Networking (WAN) Konnektivität mit Netzwerksicherheitsfunktionen kombiniert, wie Secure Web Gateways, Zero-Trust Network Access (ZTNA), Firewall-as-a-Service (FWaaS) und Cloud Access Security Broker (CASB).

Fazit

Unternehmen sind an Compute-as-a-Service-Angebote gewöhnt. Doch wenn sie ihre KI-Initiativen ausweiten und neue Angebote wie GPUs-as-a-Service nutzen, überfordern die Compute-Fähigkeiten schnell das zugrunde liegende Netzwerk. Das schafft Engpässe und führt zu Performance-Problemen.

NaaS adressiert diese Probleme, indem es ebenso elastische, hochbandbreite Interconnects anbietet. Solche Services stellen sicher, dass Unternehmen und Anbieter große KI-Datensätze verschieben und verteilte Modelle ausführen können, ohne Latenz und andere Verzögerungen einzuführen.