KI
Neueste Inhalte
Offene Ökosysteme – ist Open Source die Zukunft von KI?
Proprietäre KI-Modelle sind leistungsfähig, haben jedoch Schwächen bei Nachvollziehbarkeit, Datenschutz und Anpassbarkeit. Offene Ökosysteme könnten für mehr Transparenz, Sicherheit und Flexibilität sorgen.
KI-Inferenz optimieren: Wie leistungsfähige Hardware Kosten und Platz spart
Wie in diesem Video zu sehen ist, können Unternehmen durch die Wahl der richtigen Hardware die Kosten für KI-Inferenz-Umgebungen signifikant senken und Platz im Rechenzentrum sparen.
KI-Workloads: Warum es nicht immer GPUs braucht
Nicht alle KI-Workloads benötigen GPU-Systeme. Mithilfe dieser Infografik erfahren Sie, welche Aufgaben Sie auch auf einer CPU-basierten Infrastruktur ausführen können und welche Vorteile sich daraus ergeben.
So optimieren Sie den Einsatz von High-Performance-GPUs
KI-Beschleuniger können nur dann ihre maximale Leistung erbringen, wenn sie vom Hauptprozessor (CPU) optimal unterstützt werden. Diese Infografik zeigt Ihnen, wie Sie 20 Prozent mehr Leistung aus Ihren GPUs herausholen.
Wie KI den Energieverbrauch explodieren lässt – und was Abhilfe schafft
Entwicklung, Training und Nutzung von KI-Anwendungen erfordern enorme Mengen an Energie. Unternehmen müssen deshalb auf effiziente und ressourcenschonende Technologien setzen, um Kosten und Ressourcenverbrauch in Grenzen zu halten.
KI-Fabrik: künstliche Intelligenz im industriellen Maßstab bereitstellen
Dieser Beitrag zeigt Ihnen, wie Sie in sechs Schritten Ihre eigene KI-Fabrik planen, aufbauen und betreiben. Sie erfahren, welche Kriterien für den Erfolg eines solchen Projekts entscheidend sind.
Unsere Empfehlungen
KI auf allen Ebenen: Wie sich künstliche Intelligenz in der Cloud, im Rechenzentrum und auf Endpunkten nutzen lässt
KI-Technologien und -Services sind heute überall verfügbar. Wie sich Cloud-Services, lokale Server, Clients und Edge Devices für KI einsetzen lassen – und welche technischen Voraussetzungen dafür notwendig sind.
So optimieren Sie den Einsatz von High-Performance-GPUs
KI-Beschleuniger können nur dann ihre maximale Leistung erbringen, wenn sie vom Hauptprozessor (CPU) optimal unterstützt werden. Diese Infografik zeigt Ihnen, wie Sie 20 Prozent mehr Leistung aus Ihren GPUs herausholen.
Datacenter-Anforderungen für KI- und ML-Projekte
Künstliche Intelligenz (KI) und Machine Learning (ML) erfordern hohe Rechenleistung, schnelle Netze und viel Speicherkapazität im Rechenzentrum. Wie Unternehmen diese Anforderungen erfüllen können.