Die Welt wird zunehmend von einer hybriden Cloud geprägt, da immer mehr Unternehmen Workloads über mehrere öffentliche Cloud-Anbieter sowie private Clouds hinweg bereitstellen. Natürlich gibt es viele gute Gründe für den Wechsel in die Cloud, darunter die elastische Rechenleistung und der Bedarf an einer modernen Anwendungsumgebung.
Ein Bereich, der in den meisten Unternehmen jedoch nicht genügend Beachtung findet, ist die Notwendigkeit, hybrides Computing im Hinblick auf eine kompatible Datenmanagement-Fähigkeit zu betrachten.
Zusammengefasst müssen Unternehmen, um den vollen Nutzen eines hybriden Computing-Modells auszuschöpfen, auch ein Datenmodell einführen, das es Benutzern ermöglicht, mit den Daten dort zu arbeiten, wo es sinnvoll ist – ob in einer öffentlichen oder privaten Cloud, in einem lokalen Rechenzentrum oder sogar über einen Datenaustausch zwischen mehreren Organisationen hinweg – und dies mit minimalen Reibungsverlusten.
Mit den Daten beginnen
Der erste Schritt jeder Hybrid-Cloud-Strategie besteht darin, sicherzustellen, dass die Daten selbst portierbar und vollständig verwaltet sind. Das eigentliche Ziel ist ein einheitliches Daten-Repository für Ihre Analyse- und KI-Softwareplattform bereitzustellen, das für alle Implementierungen in öffentlichen und privaten Clouds verfügbar ist und sich gleichzeitig zu einer wirklich „agnostischen“ Plattform weiterentwickelt, die transparent beliebige Workloads auf jeder Cloud-Plattform unterstützt.
Eine solche Lösung muss eine Reihe von Funktionen implementieren, die die Daten für eine große Vielfalt von Workloads verfügbar machen. Sie muss in einer sicheren, skalierbaren und elastischen Umgebung betrieben werden, die eine gemeinsame Steuerungsebene zur Verwaltung aller Daten für die lokale Datenreplikation und die globale Datensuche sowie für die Daten-Governance zur Erfüllung regulatorischer Anforderungen umfasst.
Die Lösung muss eine umfassende Vorlagenabdeckung und Laufzeitkompatibilität über Plattformen hinweg bieten und mit allen großen Public Clouds (AWS, Azure, GCP) sowie mit KI-Beschleunigern (z. B. Nvidia) funktionieren. Der Einsatz von Data Warehouses und/oder proprietären Datenspeicherlösungen einzelner Cloud-Anbieter verhindert eine Maximierung des Werts der Datenbestände und erschwert deren einfachen Transport.
Datenqualität ist wichtiger als Datenmenge
Eine weitere wichtige Überlegung für eine verteilte, hybride Umgebung: Da immer mehr Unternehmen auf KI-gestützte Systeme umsteigen und Modelle auf Grundlage ihrer Datensätze entwickeln, wird es immer wichtiger, die Qualität der Daten zu bestätigen. Modelle für maschinelles Lernen und künstliche Intelligenz sowie Algorithmen, die auf beschädigten Daten basieren, erzeugen fehlerhafte Modelle und unzuverlässige Erkenntnisse.
Um den Wert von Unternehmensdaten zu maximieren und die daraus gewonnenen hochwertigen Erkenntnisse direkt voranzutreiben, benötigen Unternehmen eine Datenplattform, die saubere, aktuelle, vollständig verwaltete und sichere Daten bereitstellt. Dazu muss auch nachvollziehbar sein, wer auf die Daten „zugegriffen“ hat – nicht nur einzelne Personen, sondern auch KI-Modelle und Workload-Prozesse.
Dafür ist es entscheidend, die Herkunft der Daten nachzuverfolgen; nicht alle Data Warehouses bieten solche Funktionen standardmäßig.
Die Entwicklung der Daten vom lokalen Rechenzentrum in die Cloud
Organisationen beginnen den Übergang in die Cloud häufig mit der Einführung moderner cloudbasierter Anwendungsstrategien wie Containern und Microservices, setzen diese zunächst lokal ein und verschieben sie anschließend in die Public Cloud. Diese Methodik ermöglicht sichere Experimente und kann bestätigen, welche Workloads sicher und effektiv in die Public Cloud verlagert werden können und welche besser lokal verbleiben.
Diese Praxis muss keine Einbahnstraße sein, da es sinnvoll sein kann, Workloads aus der Cloud zurück in eine lokale Bereitstellung oder bei Bedarf zu einem anderen Public-Cloud-Anbieter zu verschieben. Dafür wird eine Möglichkeit benötigt, Cloud-Instanzen zu erstellen, die nicht durch proprietäre APIs und Systemkomponenten fest an einen Anbieter gebunden sind – Komponenten, die so häufig verhindern, dass sowohl Anwendungen als auch Daten von einer Cloud in eine andere verschoben werden. Der Vendor-Lock-in ist ein echtes Problem, selbst bei Anbietern, die vollständig offene Cloud-Umgebungen versprechen. Der Punkt ist: In einer Umgebung mit Vendor-Lock-in lässt sich das Datenmanagement nicht ordnungsgemäß betreiben.
Die richtige Datenplattform wählen
Der Einsatz einer unternehmensweiten, hybridfähigen Datenplattform verbessert die Möglichkeit, Daten zu den erforderlichen Workloads zu verschieben, die lokal oder in der Cloud auf verschiedenen Prozessoren ausgeführt werden. Darüber hinaus gewährleistet sie die Datenqualität, indem sie eine einzige Instanz verwaltet, anstatt unterschiedliche Datensätze über mehrere Plattformen zu verteilen.
Schließlich ist es in regulierten Branchen und/oder bei geografischen Compliance-Vorgaben mit Datenbeschränkungen entscheidend, die Governance der Daten zu maximieren, um Bußgelder und Datenschutzverletzungen zu verhindern. Letztlich erwarten wir, dass führende Datenplattformen eine umfassendere Möglichkeit bieten werden, einmal zu schreiben und in jeder Cloud-Umgebung auszuführen, sodass Workloads tatsächlich beliebig kombiniert und verarbeitet werden können. Unternehmen müssen echte Hybrid-Cloud-Fähigkeiten für ihre Daten aufbauen, wenn sie den maximalen Nutzen aus einer Hybrid-Cloud-Umgebung ziehen wollen.