Infrastruktur IA im Jahr 2025: Server vor Ort, Cloud-Lösungen oder externe APIs

Einführung

In einem Kontext, in dem künstliche Intelligenz (KI) sich als ein wesentlicher Innovationshebel etabliert, wird die Frage des Hostings und der Bereitstellung ihrer Modelle unerlässlich. Unternehmen stehen zahlreiche Optionen zur Verfügung, sei es die Nutzung einer von einem Anbieter angebotenen API, die Wahl einer Cloud-Lösung (AWS, Google Cloud, Azure, OVH usw.) oder das Hosting ihrer Modelle lokal auf eigenen Servern.

Die Herausforderung ist nicht nur technischer Natur: Sie umfasst eine Bewertung der Kosten, der internen Kompetenzen, der Vertraulichkeit und der Sicherheit sowie der Fähigkeit, die Ressourcen je nach Nachfrage anzupassen. Sich an einen Cloud-Anbieter zu binden, kann eine große Leichtigkeit bei der Bereitstellung und Skalierbarkeit bieten, jedoch zu einem bestimmten Preis und mit einer Form der Abhängigkeit. Auf einen lokalen Server zu setzen, ermöglicht die vollständige Kontrolle über die Infrastruktur, erfordert jedoch erhebliche materielle und personelle Investitionen. Die Nutzung von Drittanbieter-APIs kann unmittelbare Bedürfnisse erfüllen, ohne dass umfangreiche interne Kompetenzen erforderlich sind, wirft jedoch Fragen zur Vertraulichkeit der Daten auf.

Dieser Leitfaden zielt darauf ab, diese verschiedenen Ansätze zu klären und einen Überblick über die wichtigsten Kriterien zu bieten, die die Entscheidungsfindung leiten. Ziel ist es, Akteuren aus allen Sektoren – Startups, KMU, große Unternehmen – zu ermöglichen, die am besten geeignete Lösung für ihre Anforderungen zu identifizieren, sei es in Bezug auf Kosten, Leistung, Sicherheit oder regulatorische Konformität.

Verwandte Artikel:

• Die Schritte zur Integration und Bereitstellung eines Industrie 4.0-Projekts mit KI

Die verschiedenen Ansätze verstehen

Um effektiv zwischen API, Cloud oder lokalem Server zu wählen, ist es notwendig, die spezifischen Merkmale jeder dieser Optionen gut zu unterscheiden.

1) KI-Modell über eine API

Die Nutzung einer API besteht darin, einen bestehenden, bereits trainierten und von einem Anbieter gewarteten Dienst zu nutzen. Sie greifen auf die KI zu, indem Sie Ihre Anfragen an einen externen Zugang senden; der Anbieter übernimmt die Berechnung und sendet die Antwort zurück. Diese Methode zeichnet sich durch eine große Integrationsfreundlichkeit und eine nutzungsabhängige Preisgestaltung aus, kann jedoch die Anpassung einschränken und Fragen zur Datensouveränität aufwerfen.

2) Hosting auf einer Cloud-Plattform

Ein KI-Modell auf AWS, Google Cloud, Microsoft Azure oder OVH bereitzustellen, ermöglicht den Zugang zu einer hoch skalierbaren Infrastruktur, verwalteten Diensten (Datenbanken, Überwachung, Backups) und fortschrittlicher Flexibilität. Die Cloud befreit das Unternehmen von der Hardwareverwaltung und vereinfacht erheblich die Bereitstellung neuer Instanzen. Allerdings kann sie bei starker Beanspruchung hohe wiederkehrende Kosten verursachen und eine technologische Abhängigkeit von einem Anbieter mit sich bringen.

3) Lokaler Server oder On-Premise

Durch die Installation und Ausführung seiner KI-Modelle in seinem eigenen Rechenzentrum oder auf dedizierten Servern behält das Unternehmen die volle Kontrolle über seine Daten und seine Infrastruktur. Diese Option bietet die Garantie für Vertraulichkeit und Anpassungsfähigkeit, erfordert jedoch eine Investition in Hardware, ein kompetentes Team (DevOps, MLOps) und ständige Wartung. Die Anfangskosten können hoch sein, während die Rechenkapazität antizipiert werden muss, um möglichen Lastspitzen gerecht zu werden.

Die wichtigsten Auswahlkriterien und Differenzierungsmerkmale der Ansätze

Die Wahl zwischen der Integration eines KI-Modells über eine API, einer Cloud-Plattform oder einem lokalen Server basiert auf mehreren grundlegenden Kriterien, die sowohl die Leistung der Lösung als auch ihre Nachhaltigkeit beeinflussen. Das Verständnis dieser Kriterien ermöglicht es, die Vor- und Nachteile jeder dieser Ansätze klar zu unterscheiden.

Das erste Kriterium betrifft die Art der Kosten und deren Vorhersehbarkeit. Mit der Wahl einer API profitiert das Unternehmen von einem Pay-per-Use-Modell: Die Anfangsinvestition bleibt gering, aber die Rechnung kann sich erhöhen, während die Aktivität wächst. Die Cloud-Plattform folgt oft demselben Abrechnungsprinzip nach Nutzung, ergänzt durch Optionen für automatische Skalierbarkeit. Diese Flexibilität erweist sich als wertvoll, um vorübergehende Lastspitzen oder schnelles Wachstum abzufangen. Im Gegensatz dazu erfordert das Hosting auf einem lokalen Server (On-Premise) zu Beginn eine signifikante Hardwareinvestition (CAPEX), aber die Betriebskosten (OPEX) können sich im Laufe der Zeit stabilisieren, insbesondere wenn die Organisation bereits über eine geeignete Infrastruktur verfügt.

Das zweite Kriterium betrifft die Verfügbarkeit interner Kompetenzen. Die API stellt die zugänglichste Lösung für technisch eingeschränkte Teams dar, da der Großteil der Komplexität vom Anbieter verwaltet wird: Training, Wartung und Aktualisierung des Modells. Cloud-Plattformen erfordern mehr Fachwissen, insbesondere um die Dienste (Sicherheit, Speicherung, Skalierung, Überwachung) zu konfigurieren. Schließlich erfordert das On-Premise-Hosting fundierte Kenntnisse in der Systemadministration, im Management von GPU-Servern und in MLOps, da alle Aufgaben – von der Inbetriebnahme der Hardware bis zur Sicherung der Daten – auf den internen Teams basieren.

Das dritte Kriterium betrifft die Datenschutz und die Einhaltung von Vorschriften. In bestimmten Sektoren (Bankwesen, Gesundheit, Verteidigung) erfordert die Sensibilität der Daten strenge Schutzmaßnahmen. Die API ist in diesen Fällen wenig geeignet, da die Daten notwendigerweise über externe Server übertragen werden. Die Cloud bietet zwar fortschrittliche Sicherheits- und Verschlüsselungstools, wirft jedoch auch Fragen zur Datensouveränität und zum Standort der Rechenzentren auf. On-Premise-Hosting bietet durch die vollständige Kontrolle über die Umgebung eine unvergleichliche Kontrolle, jedoch auf Kosten einer erhöhten betrieblichen Komplexität.

Schließlich sind die Flexibilität und die Leistung entscheidende Differenzierungsmerkmale. Cloud- und API-Lösungen können sehr schnell auf eine steigende Nachfrage reagieren, ohne dass Hardwareänderungen erforderlich sind. Diese Reaktionsfähigkeit ist ein großer Vorteil für Projekte, die Spitzenzeiten oder schnelles Wachstum erleben. Lokale Server hingegen bieten die Möglichkeit, die Ausführungsumgebung extrem anzupassen (GPU-Einstellungen, Netzwerkkonfiguration usw.) und die Latenz zu minimieren, wenn die Infrastruktur so nah wie möglich an den Nutzern liegt. Diese Anpassung erfordert jedoch mehr Ressourcen und Planung, da die Rechenbedürfnisse antizipiert und der Maschinenpark korrekt dimensioniert werden muss.

Um die Ansätze klar zu unterscheiden, sollte der Fokus auf die folgenden Elemente gelegt werden: die Kostenstruktur auf kurze und lange Sicht, die Verfügbarkeit interner Kompetenzen, die Sensibilität der Daten und die Skalierbarkeit. Es geht nicht nur darum, die modernste Lösung zu wählen, sondern die optimale Übereinstimmung zwischen den betrieblichen Anforderungen des Unternehmens, der Budgetverwaltung und seinen strategischen Ambitionen im Bereich KI zu finden.

Zusammenfassung von wichtigen Modellen und APIs

Hier ist eine Zusammenfassung einiger wichtiger Modelle und APIs, einschließlich der Kosten (sofern sie öffentlich sind), der Verfügbarkeit sowie ihrer Hauptmerkmale. Die angegebenen Preise sind ungefähr und können von den Anbietern geändert werden.

Anbieter / Modell	Typ	Verfügbarkeit / API	Preis	Hauptmerkmale
OpenAI - GPT-3.5 (Turbo)	Sprachmodell (NLP)	Öffentliche API (HTTP-Anfrage)	- Eingabe : 0,0015 USD / 1 000 Tokens - Ausgabe : 0,002 USD / 1 000 Tokens	- Ausgezeichnet für Textgenerierung, Konversation, Zusammenfassung, Übersetzung usw. - Großes Ökosystem von Werkzeugen und Bibliotheken - Abrechnung nach Nutzung (verarbeitete Tokens).
OpenAI - GPT-4 (8K Kontext)	Sprachmodell (NLP)	Öffentliche API (kostenpflichtiger Zugang, Warteliste oder erweiterter Zugang je nach Konto)	- Eingabe : 0,03 USD / 1 000 Tokens - Ausgabe : 0,06 USD / 1 000 Tokens	- Bessere kontextuelle Verständnis und höhere Genauigkeit als GPT-3.5 - Ideal für Anwendungen, die ein hohes Maß an Analyse erfordern (fortgeschrittene Chatbots usw.) - Deutlich höhere Kosten als GPT-3.5.
OpenAI - GPT-4 (32K Kontext)	Sprachmodell (NLP)	Öffentliche API (eingeschränkter Zugang, ähnlich wie GPT-4 8K)	- Eingabe : 0,06 USD / 1 000 Tokens - Ausgabe : 0,12 USD / 1 000 Tokens	- Erweiterter Kontext bis zu 32K Tokens - Ermöglicht die Verarbeitung oder Generierung von sehr langen Texten - Potenziell hohe Rechnungen für massive Nutzungen.
Anthropic - Claude 2	Sprachmodell (NLP)	Öffentliche API (nach Anmeldung, Nutzung über die Kommandozeile oder über SDK)	- Prompt : 1,63 USD / Million Tokens (~0,00163 USD/1 000 Tokens) - Antwort : 5,51 USD / Million Tokens (~0,00551 USD/1 000 Tokens)	- Sehr leistungsfähig in der Textverständnis und -generierung - Ausgerichtet auf „konversationellen Assistenten“ - Günstige Preise für moderate Nutzung, können steigen, wenn die Textausgabe umfangreich ist.
Google - PaLM 2 (Text-Bison)	Sprachmodell (NLP)	Über Google Cloud Vertex AI (kostenpflichtige API) oder Nutzung über die Vertex AI UI	- Eingabe : 0,0005 USD / 1 000 Zeichen (~0,002 USD / 1 000 Tokens) - Ausgabe : 0,0010 USD / 1 000 Zeichen (~0,004 USD / 1 000 Tokens)	- In das Google Cloud (GCP) Ökosystem integriert - Gut für Textgenerierung, kontextuelle Analyse, Übersetzung usw. - Abrechnung nach Anfrage basierend auf der Zeichenanzahl (ca. 1 Token ≈ 4 Zeichen).
Mistral AI (Mistral 7B)	Open-Source-Modell (NLP)	Herunterladbares Modell (GitHub, Hugging Face) ; keine offizielle proprietäre API zum Start (Okt. 2023)	- Kostenlos bei Selbsthosting (keine Lizenzgebühren) - Infrastrukturkosten (GPU, Cloud) sind zu berücksichtigen, wenn man es selbst hostet	- Open-Source-Modell mit 7 Milliarden Parametern, das auf Textgenerierung und -verständnis ausgerichtet ist - Kann auf lokalem Server oder Cloud (z. B. Docker-Container) bereitgestellt werden - Vollständige Anpassung möglich, aber interne Fähigkeiten für Fine-Tuning und Inferenz erforderlich.
Meta - Llama 2	Open-Source-Modell (NLP)	Herunterladbar (GitHub, Hugging Face) oder Zugang über Drittanbieter-Lösungen (Hugging Face Inference, Azure usw.)	- Kostenlos für Forschungsnutzung oder unter Lizenzbedingungen - Einige Anbieter (Hugging Face, Azure) bieten kostenpflichtiges Hosting an	- Leistungsstarkes Open-Source-Modell (verschiedene Größen: 7B, 13B, 70B) - Besondere Lizenz für kommerzielle Nutzung in großem Umfang - Große Community und Unterstützung auf GitHub, Hugging Face Forum

Daten vom März 2025

Vergleichstabelle der wichtigsten Cloud-Angebote

Hier ist eine Vergleichstabelle der wichtigsten Cloud-Angebote (basierend auf einer GPU Nvidia T4 oder gleichwertig) für das Hosting von KI-Modellen. Die Preise sind ungefähr und können je nach Region, Vertrag (on-demand, reserviert, spot) und Optionen (Speicher, Bandbreite usw.) variieren. Die angegebenen Beträge basieren auf einer standardmäßigen Nutzung „on-demand“ (ohne Verpflichtung) und sind in US-Dollar umgerechnet, zur Orientierung.

Lieferant	Instanz / Reihe	GPU	vCPU / RAM	Geschätzter Stundensatz (USD/h)	Monatliche Kosten (~720 h) in USD	Kommentare
AWS	g4dn.xlarge (Beispiel)	1×Nvidia T4	4 vCPU / 16 Go RAM	~0,52 USD/Stunde	~375 USD/Monat	- Enthält 125 Go lokalen SSD-Speicher - Ideal für Inferenz oder moderate KI-Workloads
GCP	n1-standard-8 + 1×T4	1×Nvidia T4	8 vCPU / 30 Go RAM	~1,30 USD/Stunde	~935 USD/Monat	- Kombination aus VM-Kosten + GPU-Kosten - Getrennte Abrechnung für persistenten Speicher und Netzwerkverkehr
Azure	NV T4 v3 (Beispiel)	1×Nvidia T4	4 vCPU / 28 Go RAM	~1,00–1,20 USD/Stunde	~720–865 USD/Monat	- Preisgestaltung je nach Azure-Region - Möglichkeit zur Kostenreduktion durch 1- oder 3-Jahresbuchungen
OVHcloud	GPU T4-60 (Öffentliche Cloud)	1×Nvidia T4	8 vCPU / 60 GB RAM	~1,20–1,40 USD/Stunde	~865–1 000 USD/Monat	- Dediziertes KI-Angebot mit großen Speicherkapazitäten - Interessant für moderates Deep Learning

Daten vom März 2025

Investition für einen lokalen GPU-Server

Hier ist eine Tabelle, die die wichtigsten Elemente zur Beschaffung und zum Betrieb eines lokalen Servers (on-premise) für KI-Projekte veranschaulicht. Die angegebenen Zahlen dienen nur als Richtwert und können je nach Anbieter, Region und Marktschwankungen (Preise für GPUs usw.) variieren. Ziel ist es, eine Größenordnung der Investitionen und der wiederkehrenden Kosten zu bieten.

Niveau / Nutzung	Typische Spezifikationen	Anschaffungskosten (USD)	Geschätzte wiederkehrende Kosten	Vorteile	Einschränkungen
1) Kleine Konfiguration / Workstation	- 1× GPU für den Endverbraucher oder Semi-Profi (z.B. Nvidia RTX 3080/3090 oder RTX A4000) - CPU : 8 bis 16 Kerne - RAM: 32 bis 64 Go - SSD: 1 To - Stromversorgung: ~750 W	~3.000 bis 6.000 USD	- Elektrizität: ~30 bis 50 USD/Monat (mäßige Nutzung) - „Handwerkliche“ Wartung (Herstellergarantie)	- Geringe Anfangskosten - Ausreichend für Prototyping oder Inferenz von Modellen mittlerer Größe - Platzsparend, integrierbar in ein Büro	- Begrenzte Trainingskapazität für komplexe Netzwerke - Skalierbarkeit schwierig (wenig Platz für zusätzliche GPUs) - Wärmeabfuhr manchmal laut
2) Durchschnittliche Konfiguration / Rack-Server 1-2 GPU	- 1 bis 2× GPU Nvidia T4 oder RTX A5000 - CPU: 16 bis 32 Kerne (Intel Xeon / AMD EPYC) - RAM: 64 bis 128 Go - SSD-Speicher: 2 bis 4 To - Rack 1U oder 2U + geeignete Kühlung	~8.000 bis 15.000 USD	- Elektrizität: ~50 bis 100 USD/Monat (dauerhafte Nutzung) - Wartung: IT-Team, Austausch von Teilen	- Guter Kompromiss für das Training von Modellen mittlerer Größe - Einfach einzurichten in einem kleinen Rechenzentrum oder Serverraum - Bessere Zuverlässigkeit als ein Arbeitsplatzrechner	- Höhere Anfangsinvestition - Begrenzte GPU-Ressourcen, wenn man sehr große Modelle schnell trainieren möchte - Bedarf an kontinuierlicher Klimatisierung im Raum oder Lokal
3) Erweiterte Konfiguration / Multi-GPU-Server (2-4 GPUs)	- 2 bis 4× Nvidia A100 / RTX 6000 / T4 GPU - CPU: 32 bis 64 Kerne - RAM: 128 bis 512 GB - Speicher: 4 bis 8 TB (SSD NVMe) - 2U oder 4U Rack, redundante Stromversorgung	~25.000 bis 60.000 USD	- Strom: 150 bis 300 USD/Monat - Wartungsverträge: 5 bis 10% des Preises/Jahr	- Gute Leistung für das Training von tiefen Modellen (Vision, NLP…) - Robuste, skalierbare Infrastruktur (zusätzliche GPU-Slots, RAM usw.) - Vollständige Kontrolle über die Daten	- Hohe Eintrittskosten - Erfordert eine Serverraumumgebung (Kühlung, USV…) - Komplexere Wartung (Firmware, Treiber usw.) - Bedarf an einem kompetenten internen Team
4) KI-Cluster / Rechenzentrum (4+ GPUs pro Knoten)	- Mehrere Knoten mit jeweils 4 bis 8× Nvidia A100 / H100 GPUs - CPU: 64+ Kerne pro Knoten - RAM: 512 GB bis 1 TB - Hochgeschwindigkeitsnetzwerk (Infiniband oder 25/40/100 GbE) - SAN/NAS-Speicher	> 100 000 USD (kann auf 500 000 USD und mehr steigen, je nach Anzahl der Knoten)	- Strom: mehrere Hundert bis Tausende USD/Monat - Dediziertes Personal (Administration, Sicherheit usw.) - Premium-Supportverträge sind erforderlich	- Massive Rechenleistung für Deep Learning in großem Maßstab - Möglichkeit, die Trainingslasten zu verteilen - Hohe Ausfallsicherheit durch Redundanz und Virtualisierung	- Sehr hohe Anfangs- und Betriebskosten - Anspruchsvolle Infrastruktur (Klimaanlage, elektrische Redundanz, dedizierter Raum) - Erfordert ein hohes Maß an Fachwissen (MLOps, Cluster, Container, Orchestrierung)

Wichtige Punkte

1. Investition (CAPEX) vs. Betriebskosten (OPEX)

   • Bei einem kleinen Server (oder Workstation) bleiben die Anfangskosten moderat (<10.000 USD), aber die Rechenkapazität ist begrenzt.

   • Sobald man auf größere Konfigurationen (Multi-GPU, Cluster) abzielt, steigen die Kosten schnell (von Zehntausenden bis zu mehreren Hunderttausend Euro/Dollar).

2. Strom und Kühlung

   • Die GPUs verbrauchen viel (bis zu 300 W oder mehr pro GPU).

   • Die monatlichen Kosten für Strom und Klimatisierung können erheblich werden, insbesondere wenn der Server rund um die Uhr läuft.

3. Wartung und Upgrades

   • Regelmäßiger Austausch von Komponenten (Lüfter, Festplatten, Netzteile).

   • Software-Updates (GPU-Treiber, Firmware, Betriebssystem) und Fehlermanagement (defekter RAM, überhitzte GPUs…).

4. Interne Kompetenzen

   • Ein IT-/MLOps-Team muss die Installation, die Konfiguration der Frameworks (PyTorch, TensorFlow) und die Sicherheit verwalten.

   • In großen Clustern muss auch die Orchestrierung (Kubernetes, Slurm usw.), die Überwachung und die Optimierungen (GPU-Profiling) verwaltet werden.

5. Amortisation und Skalierbarkeit

   • Um eine Investition vor Ort rentabel zu machen, strebt man eine Amortisation über 3 bis 5 Jahre an.

   • Die Skalierbarkeit kann heikel sein: Man kann GPUs bis zu bestimmten Grenzen hinzufügen (PCIe-Slots, ausreichende Stromversorgung, Kühlung), mit dem Risiko, schnell einen weiteren kompletten Server kaufen zu müssen.

Schritte zur richtigen Entscheidung

1. Die Ziele klar definieren

Der erste Schritt besteht darin, den Zweck des KI-Projekts zu identifizieren, sei es Bildverarbeitung, Textanalyse oder Vorhersage. Es ist entscheidend zu klären, ob die Lösung für einen sensiblen Einsatz (personenbezogene Daten, regulierter Sektor) gedacht ist oder ob sie einfach eine bestehende Funktionalität beschleunigen soll. Diese Klarstellung ermöglicht es bereits, die Anforderungen an Datenschutz und Compliance zu erkennen, die die Wahl einer lokalen Infrastruktur oder im Gegenteil eine Cloud-Lösung beeinflussen könnten.

2. Die Datenvolumetrie verstehen

Es ist dann wichtig, die Menge der zu verarbeitenden Daten sowohl für das Training als auch für die Inferenz zu schätzen. Je größer das Volumen, desto höher könnte die Cloud-Rechnung ausfallen. Umgekehrt kann ein lokaler Server schnell überlastet werden, wenn die Hardware-Ressourcen (GPU, CPU, Speicher) nicht richtig dimensioniert sind. Das Volumen und die Wachstumsrate der Daten beeinflussen daher direkt die finanzielle und technische Tragfähigkeit der gewählten Plattform.

3. Die Kosten analysieren (CAPEX, OPEX)

Der Vergleich der anfänglichen Investitionen (CAPEX) und der Betriebskosten (OPEX) über einen Zeitraum von mindestens drei bis fünf Jahren ist ein unverzichtbarer Schritt. Die Cloud ist attraktiv, um hohe Anfangskosten zu vermeiden, kann jedoch hohe wiederkehrende Ausgaben verursachen, wenn das Geschäft wächst. Im Gegensatz dazu erfordert ein On-Premise-Server von Anfang an ein erhebliches Budget, dessen Amortisation sich jedoch bei intensiver und nachhaltiger Nutzung als vorteilhaft erweisen kann.

4. Die internen Fähigkeiten bewerten

Jede Lösung erfordert ein Mindestmaß an Fachwissen, aber der Umfang der erforderlichen Fähigkeiten variiert stark. Eine Cloud-Plattform erspart die Verwaltung der Hardware, während ein lokaler Einsatz die Anwesenheit eines technisch versierten Teams in Systemadministration, MLOps und Sicherheit voraussetzt. In einigen Fällen führt ein Mangel an personellen Ressourcen natürlich zur Cloud oder zu einer von Dritten verwalteten API.

5. Die Skalierbarkeit antizipieren

Bevor eine Entscheidung getroffen wird, ist es wichtig, potenzielle Anstiege im Datenverkehr, in den Daten oder im Rechenbedarf vorherzusehen. Die Cloud vereinfacht die Skalierung, indem sie bei Bedarf zusätzliche Ressourcen bereitstellt. Im Gegensatz dazu erfordert ein lokaler Server eine größere Investition in die physische Infrastruktur, einschließlich Kühlung und Hosting-Raum, um einem möglichen mittelfristigen Wachstum gerecht zu werden.

6. Ein Proof of Concept (POC) durchführen

Ein kleines Proof of Concept hilft, die Zuverlässigkeit, die Leistung und die tatsächlichen Kosten der angestrebten Lösung zu bewerten. Ein Pilotprojekt in einer öffentlichen Cloud oder auf einer reduzierten Hardwarekonfiguration zu testen, ermöglicht es, konkrete Daten (Latenz, Durchsatz, Ausgaben) zu sammeln und die Implementierungsstrategie fundiert anzupassen.

7. Ein hybrides Modell in Betracht ziehen

Wenn die Anforderungen komplex sind, kann ein Kompromiss zwischen lokalem Hosting und Cloud entstehen. Sensible Daten können vor Ort bleiben, während Rechenlastspitzen oder nicht kritische Funktionen in eine externe Infrastruktur migrieren. Dieser Ansatz erfordert eine feine Orchestrierung, um die Umgebungen zu synchronisieren, kann jedoch sowohl die Kosten als auch die Vertraulichkeit optimieren.

8. Die Bereitstellungsstrategie finalisieren

Sobald die Tests und Entscheidungen getroffen sind, ist es möglich, einen detaillierten Bereitstellungsplan zu erstellen: Hardwarekonfiguration, Auswahl des Cloud-Anbieters, Sicherheitsmaßnahmen, Überwachung usw. Dieses Fahrplan muss auch zukünftige Entwicklungen berücksichtigen, sei es das Hinzufügen von GPUs in einem lokalen Cluster oder das Reservieren neuer Instanzen in der Cloud, um einen Spielraum für Unvorhergesehenes zu behalten.