Ein KI-Agent brach in eine Produktionsdatenbank ein, korrigierte einen fehlgeschlagenen Anmeldeversuch und schrieb während der technischen Ausführung einen Lösegeldschein, ohne dass ein Mensch an der Tastatur saß. Das Bedrohungsforschungsteam von Sysdig dokumentierte die Operation am 1. Juli 2026 und nannte sie JADEPUFFER. Das Unternehmen bezeichnet es als den ersten dokumentierten Fall von Ransomware, die durchgängig von einem großen Sprachmodell ausgeführt wird, und die technischen Aufzeichnungen stützen einen Großteil der Behauptung, obwohl einige Particulars noch unbestätigt sind.

Was Sysdig gefunden hat

Michael Clark, Direktor für Bedrohungsforschung bei Sysdig, ist Autor des Berichts. Es umfasst zwei separate Systeme: einen mit dem Web verbundenen Langflow-Server, der zum Erstellen von KI-Anwendungen verwendet wird, und eine darüber erreichbare Produktionsdatenbankumgebung. Sysdig hat den Namen JADEPUFFER dem Betreiber hinter der Kampagne zugewiesen, nicht einer wiederverwendbaren Malware mit einer festen Binärdatei. Unabhängige Medien wie BleepingComputer, CSO On-line, The Hacker Information und TechCrunch berichteten in den Tagen nach der Veröffentlichung über die Ergebnisse und bauten dabei weitgehend auf Sysdigs Originalforschung auf.

Ein alter, geflickter Käfer öffnete die Tür

JADEPUFFER erhielt den ersten Zugriff über CVE-2025-3248, einen fehlenden Authentifizierungsfehler im Code-Validierungsendpunkt von Langflow. Der Fehler ermöglicht es einem nicht authentifizierten Angreifer, eine manipulierte Anfrage zu senden und beliebiges Python auf dem Server auszuführen. Langflow hat den Fehler in Model 1.3.0 behoben und CISA hat ihn am 5. Mai 2025 in seinen Katalog „Recognized Exploited Vulnerabilities“ aufgenommen. Viele Server haben das Replace nie erhalten.

Für Unternehmen geht die Lektion über das Patch-Administration hinaus. KI-Entwicklungstools wie Langflow befinden sich in der Regel in der Nähe einer dichten Ansammlung von Geheimnissen: API-Schlüssel von Modellanbietern, Cloud-Anmeldeinformationen, Datenbankkennwörter und Konfigurationsdateien. Ein einzelner ungepatchter Server kann eine Brücke zu einer weitaus wertvolleren Infrastruktur sein als das Instrument selbst.

Wie der Agent den Einbruch verkettete

Sobald der Agent sich im Langflow-Host befand, zählte er das Betriebssystem, die Netzwerkschnittstellen und die laufenden Prozesse auf. Es suchte nach API-Schlüsseln, die mit OpenAI, Anthropic, DeepSeek und Gemini verknüpft sind, sowie nach AWS-, Azure- und GCP-Anmeldeinformationen, Kryptowährungs-Wallets und Datenbankkonfigurationsdateien. Es hat die PostgreSQL-Datenbank von Langflow gelöscht und einen MinIO-Objektspeicherdienst entdeckt, der immer noch die werkseitig voreingestellten Anmeldenamen minioadmin und minioadmin ausführt. Von dort wurden Terraform-Statusdateien und eine .env-Datei mit weiteren Anmeldeinformationen abgerufen.

Der Agent wechselte dann zu einer separaten Produktionsumgebung, in der MySQL und Alibabas Nacos-Konfigurationsdienst ausgeführt wurden. Nacos hatte einen bekannten Authentifizierungs-Bypass-Fehler aus dem Jahr 2021 und einen Customary-Signaturschlüssel, den die Software program seit 2020 unverändert ausliefert. Der Agent fälschte mit dem Schlüssel ein Token, richtete ein Administratorkonto ein und nutzte den neuen Zugriff, um in die Datenbank selbst zu gelangen.

Warum Sysdig glaubt, dass ein LLM die Operation geleitet hat

Sysdig weist auf vier Beweislinien hin. Erstens enthielten entschlüsselte Python-Nutzlasten ungewöhnlich detaillierte Kommentare in natürlicher Sprache, in denen die Zielpriorität und der erwartete Return on Effort erläutert wurden, eine Gewohnheit, die eher mit LLM-generiertem Code als mit handgeschriebenen Angriffsskripten verbunden ist. Zweitens reagierte der Vorgang auf einen Fehler, anstatt ihn zu stoppen: Als ein Anmeldeversuch fehlschlug, überarbeitete der Agent seinen Ansatz und erstellte 31 Sekunden später einen funktionierenden Repair. Drittens lief die Kampagne über 600 verschiedene Nutzlasten über mehrere Systeme und Technologien hinweg, die durch ein kohärentes Ziel zusammengehalten wurden. Viertens deutet die Korrekturgeschwindigkeit selbst eher auf maschinell generierten Code als auf manuelle Fehlerbehebung hin.

Das 31-Sekunden-Element verdient eine sorgfältige Lektüre. Es beschreibt eine Fehlerbehebungsschleife, eine fehlgeschlagene Anmeldung, die korrigiert und erneut versucht wird, nicht den vollständigen Verstoß oder die seitliche Bewegung über ein Netzwerk. Schlagzeilen, in denen behauptet wird, Angreifer hätten sich in weniger als 30 Sekunden durch eine gesamte Umgebung bewegt, übertreiben die von Sysdig berichteten Aussagen. Die engere Behauptung ist immer noch von Bedeutung: Sicherheitsteams können einen fehlgeschlagenen Einbruchsversuch nicht mehr als das Ende eines Vorfalls betrachten. Eine blockierte Aktion kann innerhalb von Sekunden eine überarbeitete Aktion auslösen.

Ein Mensch stellt immer noch die Falle

Sysdigs Bericht und spätere Berichte von TechCrunch ziehen eine Grenze, die die Berichterstattung manchmal verwischt. Eine Individual musste immer noch den Agenten konfigurieren, ihn starten, die Command-and-Management- und Datenbereitstellungsserver bereitstellen und ein Ziel auswählen. Laut TechCrunch hat der Agent die Anmeldeinformationen, die zum Erreichen des Downstream-MySQL-Servers in der beobachteten Umgebung verwendet wurden, nicht erfasst; Jemand hat sie bereitgestellt, wahrscheinlich aus einem früheren, separaten Kompromiss. Der Code enthielt eine vom Agenten selbst verfasste Behauptung, dass gestohlene Daten bereits einen Staging-Server erreicht hätten. Sysdig konnte es nicht bestätigen.

Der Aufruf des Agenten zur Angriffsausführung bleibt bestehen. Die Behauptung, der gesamte Betrieb sei frei von menschlicher Beteiligung, ist nicht geeignet. Die Unterscheidung ist wichtig für die Risikobewertung durch Unternehmen: Die aus der Gleichung entfernte Arbeitskraft ist taktischer und technischer Natur, nicht strategischer Natur.

Der größere Wandel ist wirtschaftlicher und nicht technischer Natur

Keine der einzelnen Techniken in JADEPUFFER gilt als neu. Standardanmeldeinformationen, eine alte Authentifizierungsumgehung, ein gepatchter Fehler bei der Remotecodeausführung und ein fest codierter Signaturschlüssel sind seit Jahren in der Sicherheitsforschung im Umlauf. Der Sysdig-Fall lässt darauf schließen, dass um sie herum etwas anderes passiert: Ein LLM-Agent hat die Aufklärungs-, Anmeldedatenerfassungs-, Fehlerbehebungs-, Priorisierungs- und Querbewegungsarbeit übernommen, die ein erfahrener menschlicher Bediener früher von Hand ausführen musste.

Meiner Meinung nach handelt es sich bei der Veränderung, die es wert ist, beobachtet zu werden, nicht um die Ausgereiftheit der Malware. Dabei handelt es sich um die Arbeitskosten für die Durchführung eines Einbruchs. Ein Bediener kann plausibel mehrere Agentenkampagnen gleichzeitig überwachen, wobei jede eine andere Befehlssequenz für ein anderes Ziel generiert, wodurch statische Erkennungssignaturen, die auf bekannten Nutzlasten basieren, geschwächt werden. Der lange Schwanz ungepatchter und falsch konfigurierter Infrastruktur, der früher für Angreifer eine niedrige Priorität hatte, weil die manuelle Ausnutzung mehr kostete als er einbrachte, wird zu einem attraktiveren Ziel, sobald ein Agent ihn zu geringen Grenzkosten durcharbeiten kann.

Was Sicherheitsteams jetzt ändern sollten

Der Angriffspfad weist eher auf bestimmte Prioritäten als auf einen allgemeinen Aufruf zur Wachsamkeit hin.

Entfernen Sie KI-Entwicklungstools aus dem offenen Web. Langflow-Instanzen, Notebooks, Agent Builder und Modell-Gateways sollten sich hinter privaten Netzwerken, identitätsbewussten Proxys oder einer Webanwendungs-Firewall befinden, nicht einer öffentlichen IP-Adresse.

Beheben Sie zunächst bekannte ausgenutzte Schwachstellen. Der KEV-Katalog von CISA ist ein besseres Priorisierungssignal als CVSS-Schweregradwerte allein. Bestätigen Sie, dass Langflow-Bereitstellungen Model 1.3.0 oder höher ausführen, und prüfen Sie, ob seitdem Schwachstellen bekannt geworden sind.

Rotieren Sie Geheimnisse, die in der Nähe von KI-Workloads gespeichert sind. Angenommen, ein mit dem Web verbundener KI-Server hat seine API-Schlüssel, Cloud-Anmeldeinformationen und Konfigurationsdateien offengelegt. Verschieben Sie Geheimnisse in einen verwalteten Tresor, geben Sie kurzlebige Anmeldeinformationen aus und rotieren Sie alles, was von einem anfälligen Host berührt wird.

Entfernen Sie Standardanmeldeinformationen und Signaturschlüssel. Der Customary-Login von MinIO und der dokumentierte Signaturschlüssel von Nacos tauchten in dem Fall auf, da sie nach der Bereitstellung niemand geändert hatte. Überprüfen Sie das gleiche Muster an anderer Stelle.

Segmentieren Sie KI-Werkzeuge aus Produktionssystemen. Eine kompromittierte Experimentierplattform sollte keinen Weg zu einer Produktionsdatenbank oder Cloud-Steuerungsebene öffnen. Separate Konten, Netzwerksegmentierung und Datenbankrollen mit den geringsten Rechten begrenzen den Explosionsradius.

Erkennen Sie Verhalten, anstatt sich nur auf bekannte Malware-Signaturen zu verlassen. Agentische Angriffe erzeugen für jedes Ziel unterschiedliche Nutzlasten, sodass statische Signaturen diese übersehen. Achten Sie auf Ausbrüche bei der Aufzählung von Anmeldeinformationen, ungewöhnliche interne Scans von KI-Anwendungshosts und Datenbankaktivitäten, die zu einer Massenverschlüsselung oder einer gelöschten Tabelle führen.

Testen Sie die Wiederherstellung, bevor ein Angreifer dies für Sie erledigt. Sysdig sagte, der im JADEPUFFER-Fall verwendete Verschlüsselungsschlüssel sei kurzlebig und nicht wiederherstellbar, was bedeutete, dass die Zahlung nichts wiederhergestellt hätte. Backups erfordern Isolation, Unveränderlichkeit und einen Wiederherstellungstest nach einem Zeitplan, keine Wette auf Lösegeld für den Kauf eines funktionierenden Entschlüsselers.

Bereiten Sie sich auf automatisiertes Tradecraft vor, nicht auf Science-Fiction-Malware

JADEPUFFER scheiterte aufgrund einer geheimen Offensivfähigkeit. Dies gelang, weil ein exponierter KI-Server, eine gepatchte, aber vernachlässigte Schwachstelle und eine Reihe von Standardanmeldeinformationen in Reichweite eines Agenten lagen, der darauf ausgelegt conflict, sie zu bemerken und zu nutzen. Um darauf zu reagieren, benötigen Unternehmen keine neue Kategorie KI-spezifischer Verteidigung. Schnelleres Patchen, strengere Identitätsgrenzen und Backups unabhängig von einer Lösegeldzahlung klären den Angriffspfad, den Sysdig dokumentiert hat, und sie werden wieder von Bedeutung sein, wenn das nächste Mal ein Agent und nicht eine Individual feststellt, dass die Tür offen gelassen wurde.

# Einführung

An der Schnittstelle von KI und Datenwissenschaft hat sich etwas verändert und die Arbeitsweise von Praktikern verändert. Die heute eingesetzten Systeme erzeugen nicht nur eine Reaktion und stoppen. Sie planen. Sie führen mehrstufige Aufgaben aus. Sie rufen externe Instruments auf, werten ihre eigenen Ausgaben aus und kehren zurück, wenn die Ergebnisse unzureichend sind.

Wir betreten nicht mehr das Agentenzeitalter. Wir leben darin. Dieser Zeitraum wird dadurch definiert, dass KI-Systeme autonomes, zielgerichtetes Verhalten ausführen, und er hat die tägliche Arbeit von Datenwissenschaftlern neu definiert.

Die Rolle erforderte schon immer eine seltene Kombination aus statistischem Denken, Programmierkenntnissen und Fachwissen. Eine vierte Dimension ist nun die Grundlage: die Fähigkeit, Systeme zu entwerfen, bereitzustellen und zu bewerten, die unabhängig im Namen der Benutzer agieren. Wenn Sie diese Verschiebung ignorieren, wird Ihre Produktivität hinter der der Kollegen zurückbleiben. Beschäftigen Sie sich ernsthaft damit, und Ihre Wirksamkeit steigert sich auf alles, was Sie berühren.

# Die Grundlinie neu definieren

Um zu verstehen, worum es geht, schauen wir uns an, was ein KI-Agent heute tatsächlich in der Produktion tut. Ein Agent ist ein System, das seine Umgebung wahrnimmt, Überlegungen zu seinem nächsten Schritt anstellt, mithilfe verfügbarer Instruments Maßnahmen ergreift und die Ergebnisse auswertet.

Im Gegensatz zu einer herkömmlichen LLM-Interaktion (Massive Language Mannequin), bei der Sie eine Eingabeaufforderung senden und eine einzelne statische Antwort erhalten, arbeitet ein Agent in kontinuierlichen, iterativen Schleifen. Es erhält ein Ziel, wählt ein Werkzeug aus, beobachtet das Ergebnis, aktualisiert seine Argumentation und dreht sich entweder um oder treibt voran. Dieser Zyklus kann sich über Dutzende diskreter Schritte hinter den Kulissen abspielen.

Was dieses Paradigma auszeichnet, ist die native Device-Integration. In einem modernen Knowledge-Science-Kontext kann ein Agent einen Datensatz abrufen, ihn bereinigen, eine explorative Analyse durchführen, ein Basismodell trainieren, Ergebnisse auswerten und einen strukturierten Bericht erstellen – alles ohne menschliches Eingreifen während der Verfahrensschritte.

# Das Orchestrierungs-Ökosystem

Die Frameworks, die dies ermöglichen, haben sich von experimentellen Bibliotheken zu Orchestratoren in Produktionsqualität entwickelt. Sie alle basieren auf dem gleichen Grundprinzip – einem Modell einen strukturierten Zugriff auf Instruments und die Argumentationsmaschine für deren Verwendung zu gewähren –, verfolgen jedoch je nach Arbeitsablauf unterschiedliche Ansätze.

Rahmen	Designphilosophie	Primärer Knowledge Science-Anwendungsfall	Kontext 2026
LangGraph	Diagrammbasierte Workflow-Orchestrierung.	Komplexe, bedingte Pipelines, die eine Zustandsverwaltung erfordern.	Industriestandard für Arbeitsabläufe in Produktionsqualität, sowohl mit einem als auch mit mehreren Agenten, bei denen explizite Statusverwaltung und bedingte Verzweigung erforderlich sind.
AutoGen	Gesprächsmuster für mehrere Agenten.	Kollaborative Szenarien, in denen Agenten Ergebnisse diskutieren oder überprüfen.	Intestine geeignet für integrierte Überprüfungsschritte, bei denen ein kritischer Agent die Argumentation eines Programmieragenten befragt. Hinweis: Die Architekturen v0.2 und v0.4/AG2 unterscheiden sich erheblich. Überprüfen Sie daher, auf welche Model Ihre Dokumentation abzielt, bevor Sie sich darauf einlassen.
Smolagenzien	Code-first, minimalistische Ausführung.	Codeintensive Aufgaben mit dem gesamten wissenschaftlichen Python-Stack.	Eine natürliche Lösung für Datenwissenschaftler, die sich bereits in reinen Python-Umgebungen auskennen.

# Verlagerung des Arbeitsablaufs: Von prozedural zu bewertend

Die unmittelbarste Auswirkung auf die tägliche Arbeit ist die Automatisierung routinemäßiger Arbeitsabläufe. Nehmen Sie eine standardmäßige EDA-Pipeline (Exploratory Knowledge Evaluation). Ein Datenwissenschaftler, der früher Daten manuell importierte, zusammenfassende Statistiken erstellte, Verteilungen visualisierte und nach Ausreißern suchte. Heutzutage führt ein intestine konzipierter Agent jeden dieser Schritte auf Anweisung aus, dokumentiert Beobachtungen in strukturierten Formaten und markiert Anomalien zur menschlichen Überprüfung.

Dies erstreckt sich auch auf die maschinelle Lerntechnik. Pipelines, die früher eine manuelle Iteration über Vorverarbeitungsoptionen, Modellauswahl und Hyperparameter-Tuning erforderten, werden heute größtenteils durch agentische Orchestrierung verwaltet, wodurch die Notwendigkeit menschlicher Beurteilung an wichtigen Entscheidungspunkten verringert – aber nicht beseitigt – wird.

Der letzte Teil ist wichtig. Dadurch wird der Datenwissenschaftler nicht eliminiert. Es verändert die Rolle hin zu Entscheidungen höherer Ordnung. Agenten absorbieren das prozedurale Gewicht; Sie behalten das Bewertungsgewicht. Agenten kümmern sich um die Wiederholung des „Wie mache ich das nochmal?“, die Stunden in Anspruch nimmt. Sie kümmern sich um das Urteil „Ist das das Richtige?“, das kein Modell reproduzieren kann.

# Der Talent-Stack 2026

Technische Kenntnisse in Python, Statistik und maschinellem Lernen bleiben die unumgängliche Grundlage. Aber die Agentenrealität erfordert eine neue Ebene von Kompetenzen, die auf dieser Foundation aufbauen.

• Systemdesign und zeitnahes Engineering: Agenten befolgen Anweisungen, und die Architektur dieser Anweisungen legt die Obergrenze für die Ausgabequalität fest. Dies geht weit über das Schreiben einer klaren Aufforderung hinaus. Beim Entwerfen eines Agenten treffen Sie Entscheidungen, die bestimmen, wie er sich über Hunderte verschiedener Eingaben hinweg verhält: Wie zerlegt man ein übergeordnetes Ziel in ausführbare Unteraufgaben, wie definiert man Einschränkungen, damit der Agent keine Lücken selbst füllt, und wie legt man Ausgabeformate fest, damit nachgelagerte Schritte Ergebnisse ohne Mehrdeutigkeit verarbeiten können. Behandeln Sie Immediate Engineering genauso wie Software program-Design. Versionieren Sie Ihre Eingabeaufforderungen, testen Sie sie anhand von Grenzfällen und dokumentieren Sie Ihre Argumentation. Eine Eingabeaufforderung, die bei zehn Beispielen funktioniert, beim elften jedoch abbricht, ist nicht produktionsbereit.
• Werkzeugdesign und -integration: Agenten sind nur so leistungsfähig wie die Instruments, die sie verwenden können. Ein Device ist jede Funktion, die ein Agent aufrufen kann, um mit der Außenwelt zu interagieren: eine Datenbankabfrage, ein Internet Scraper, ein API-Aufruf oder ein Skript, das einen statistischen Check ausführt. Wenn Ihr Device fehlerhafte Eingaben stillschweigend akzeptiert oder mehrdeutige Ausgaben zurückgibt, gibt der Agent diese Fehler in jedem weiteren Schritt weiter. Gutes Device-Design bedeutet typisierte Eingaben, strukturierte Fehlermeldungen, über die der Agent nachdenken kann, und konsistente Rückgabeformate. Betrachten Sie jedes Werkzeug als einen Vertrag: Hier ist, was ich akzeptiere, hier ist, was ich zurückgebe, hier ist, was passiert, wenn etwas schief geht.
• Beobachtbarkeit des Agenten: Wenn ein Agent eine lange Kette aufeinanderfolgender Schritte ausführt, sind für das Debuggen strukturierte Bewertungsrahmen erforderlich. Ausfälle von Agenten sind oft nicht offensichtlich. Ein herkömmlicher Softwarefehler führt zu einem Fehler in einer bestimmten Zeile. Ein Agentenfehler könnte wie eine völlig vernünftige Abfolge von Schritten aussehen, die einige Phasen später zu einem subtil falschen Ergebnis führt. Ohne Rückverfolgung lässt sich nicht rekonstruieren, was tatsächlich passiert ist. Protokollieren Sie mindestens die Eingaben und Ausgaben bei jedem Device-Aufruf, die Argumentation des Agenten an jedem Entscheidungspunkt und die endgültige Ausgabe neben dem ursprünglichen Ziel. Werkzeuge wie LangSmith Und Langfuse sind hier wissenswert. Mit diesen Daten können Sie systematische Auswertungen erstellen und erkennen, wo der Agent dazu neigt, vom Weg abzukommen.
• Multi-Agent-Architektur: Komplexe Aufgaben werden routinemäßig auf spezialisierte Agenten aufgeteilt – beispielsweise einen Datenabrufer, einen statistischen Analysator und einen Berichtsgenerator. Der Grund ist nicht Neuheit; Aus demselben Grund modularisieren Sie Code. Spezialisierte Komponenten lassen sich einfacher testen und isoliert besser beurteilen. Die gestalterische Herausforderung liegt in der Koordination. Agenten müssen Informationen auf eine Weise aneinander weitergeben, die in der gesamten Pipeline kohärent bleibt. Das bedeutet, dass im Vorfeld klare Schnittstellen zwischen Agenten definiert werden müssen. Auch die Fehlerbehandlung muss zur Entwurfszeit entschieden werden: Wenn ein Agent mittendrin ausfällt, versucht das System dann erneut, greift zurück oder zeigt der Fehler einem menschlichen Prüfer auf? Wenn Sie dies von Anfang an richtig machen, ersparen Sie sich später viel Nacharbeit.

# Die Entwicklung der Rollen

Nichts davon führt dazu, dass Arbeitsplätze in der Datenwissenschaft wegfallen. Es erhöht die Obergrenze dessen, was ein einzelner Praktiker liefern kann. Die Rollen, die sich aus dieser Verschiebung ergeben, spiegeln eine klare Kluft zwischen denen, die Agenten einsetzen, und denen, die sie entwickeln, wider.

• KI-Systemdesigner Spezifizieren Sie das Verhalten von Agenten, definieren Sie Bewertungskriterien und überwachen Sie Multi-Agent-Pipelines, indem Sie fundierte datenwissenschaftliche Kenntnisse mit Systemdenken verbinden.
• AgentOps-Ingenieure stellen eine spezielle Weiterentwicklung maschineller Lernoperationen (MLOps) dar, die sich auf die Bereitstellung, Nachverfolgung und Überwachung autonomer Arbeitsabläufe in der Produktion konzentriert, wo Fehlermodi weitaus weniger vorhersehbar sind als beim herkömmlichen maschinellen Lernen.
• Auf Domänen spezialisierte Agentenentwickler besetzen die Nische, die am besten vertretbar ist: ein Datenwissenschaftler mit umfassender Finanz- oder Gesundheitsexpertise, der Agenten-Pipelines für seine spezifische Branche aufbaut. Es ist eine Kombination, die schwer zu reproduzieren ist.

# Schritt halten

Für Praktiker, die noch aufholen, ist der praktische Ausgangspunkt bewusst bescheiden. Versuchen Sie morgen nicht, Ihre gesamte Arbeit zu automatisieren.

Beginnen Sie mit einem Einzelwirkstoffsystem mit Smolagenten oder LangGraph. Geben Sie ihm Zugriff auf zwei Instruments, die für eine Aufgabe related sind, die Sie bereits manuell erledigen, und führen Sie es für ein Drawback aus, bei dem Sie das erwartete Ergebnis kennen. Bewerten Sie es ehrlich. Sobald es zuverlässig funktioniert, stellen Sie einen zweiten Agenten ein, der eine andere Spezialisierung übernimmt. Richten Sie Ihre Protokollierung ein, definieren Sie Ihre Erfolgskriterien und führen Sie systematische Checks durch.

Die Datenwissenschaftler, die hier erfolgreich sein werden, sind diejenigen, die mit diesen Werkzeugen eine praktische Instinct aufbauen und das bewertende Denken entwickeln, das für den verantwortungsvollen Einsatz autonomer Systeme erforderlich ist. Die einzige Möglichkeit, Schritt zu halten, besteht darin, sich am Aufbau zu beteiligen.

Vinod Chugani ist ein KI- und Datenwissenschaftspädagoge, der die Lücke zwischen neuen KI-Technologien und der praktischen Anwendung für Berufstätige schließt. Zu seinen Schwerpunkten zählen Agentische KI, Anwendungen für maschinelles Lernen und Automatisierungsworkflows. Durch seine Arbeit als technischer Mentor und Ausbilder hat Vinod Datenprofis bei der Kompetenzentwicklung und bei Karriereübergängen unterstützt. Er bringt analytisches Fachwissen aus dem quantitativen Finanzwesen in seinen praxisorientierten Lehransatz ein. Sein Inhalt betont umsetzbare Strategien und Rahmenbedingungen, die Fachleute sofort anwenden können.

Als wir in die Datenwissenschaft einstiegen, gab es einen Satz, den wir alle gehört hatten; Jeder weiß es, ob jung oder alt:

„Korrelation bedeutet keine Kausalität.“

Es ist ein eingängiger Satz, und Sie haben ihn bestimmt schon ein- oder zweimal gesagt und vielleicht sogar zuversichtlich genickt, als jemand anderes ihn gesagt hat. Besonders für Datensätze, die keinen Bezug zueinander haben, bei denen es aber lustig und faszinierend ist, einen Kausalzusammenhang zu implizieren!

Hier sind zwei sehr interessante Fakten:

• Länder, die essen mehr Pizza tendiert dazu höher Mathe-Ergebnisse.
• Je mehr Sonnenbrillen verkauft werden, desto mehr Es kommt zu Hai-Angriffen.

Wenn das nun alle Informationen wären, die Sie haben … was sollten Sie daraus schlussfolgern?

Macht Pizzaessen dich besser in Mathe? Wird der Kauf einer neuen Sonnenbrille zu einem Hai-Angriff führen?

Obwohl es lustig ist, darüber nachzudenken, ist die Antwort auf diese Fragen eine „wahrscheinlich nicht“.

Und doch sind dies Beispiele für etwas sehr Reales: Korrelation.

Die Frage, die es sich jetzt zu stellen lohnt, lautet: Wenn Korrelation nicht gleichbedeutend mit Kausalität ist, was bedeutet das dann?

Da wird es unscharf.

Da wir dazu neigen, Korrelation wie eine vage Idee zu behandeln, betrachten wir sie so, als bedeute sie „Sie sind irgendwie verwandt“ oder „Sie bewegen sich irgendwie zusammen.“ Aber Korrelation ist nicht nur ein Gefühl; es ist eine präzise mathematische Messung dafür, wie sich zwei Variablen zusammen bewegen.

Anstatt nur die Warnung zu wiederholen, wollen wir das Konzept tatsächlich verstehen. Sobald Sie dies tun, sind diese seltsamen Beispiele nicht mehr überraschend, sondern beginnen, einen Sinn zu ergeben.

Additionally, legen wir los!

Was ist Korrelation?

Wenn Leute sagen, zwei Dinge seien „korreliert„Sie bedeuten normalerweise eines von drei Dingen:

• „Diese beiden Dinge scheinen zusammenzuhängen.“
• „Diese beiden Dinge gehören zusammen.“
• „Es gibt eine Verbindung zwischen diesen beiden Dingen.“

Oberflächlich betrachtet sind alle drei davon nicht falsch, aber es fehlen einige Nuancen.

Korrelation ist keine Stimmung. Es ist eine Messung! Und wie jede Messung beantwortet sie eine ganz bestimmte Frage.

Gehen Sie einen Schritt zurück und stellen Sie sich vor, Sie sammeln Daten darüber, wie viele Stunden die Schüler gelernt haben und welche Prüfungsergebnisse sie erzielen.

Sie planen es und sehen etwa Folgendes:

Jeder Punkt repräsentiert einen Schüler. Die X-Achse zeigt an, wie lange sie gelernt haben, und die Y-Achse zeigt ihre Punktzahl.

Wenn Sie sich dieses Diagramm ansehen, stellen Sie fest, dass die Punkte dazu neigen, sich nach oben zu bewegen. Sie kommen additionally zu dem Schluss: „Mit zunehmender Lernzeit steigen tendenziell auch die Ergebnisse“, was wir als constructive Korrelation bezeichnen.

Aber ist das nur ein Pattern oder verraten Ihnen die Daten mehr?

In diesem Beispiel ist die Beziehung, die Sie gerade dargestellt haben, wie folgt: Wenn eine Variable über ihrem Durchschnitt liegt, liegt die andere tendenziell ebenfalls über ihrem Durchschnitt.

Das ist der Schlüsselgedanke, den die meisten Menschen übersehen: Bei der Korrelation geht es nicht um Rohwerte, sondern darum, wie sich Variablen relativ zu ihren Durchschnittswerten bewegen.

Die Antwort auf die Fragekorrelation lautet additionally:

Bewegen sich zwei Variablen auf konsistente Weise zusammen?

Auf diese Frage gibt es eine von drei Antworten:

• Hoch + hoch → constructive Korrelation
• Auf + Ab → detrimental Korrelation
• Kein konsistentes Muster → keine Korrelation

Die Mathematik hinter der Korrelation

Versuchen wir, das Nachdenken über Korrelation intuitiver zu gestalten. Wir werden das mit dem tun Pearson-Korrelationskoeffizientwas wir definieren können als:

$r = frac{cov(X, Y)}{ sigma_{X}.sigma_{Y}}$

Okay, ich weiß, dass niemand an eine Gleichung denkt, wenn ich „intuitiv“ sage … Aber bleiben Sie bei mir und packen wir es aus, ohne daraus eine Vorlesung zu machen.

Schritt 1: Kovarianz (auch bekannt als „Bewegen sie sich zusammen?“)

Bei der Kovarianz wird untersucht, wie sich zwei Variablen relativ zu ihren Durchschnittswerten bewegen. Wenn beispielsweise beide Variablen über ihren Durchschnittswerten liegen, erhalten wir eine constructive Kovarianz; Liegt einer darüber und der andere darunter, erhalten wir eine detrimental Kovarianz.

Grundsätzlich antwortet die Kovarianz: „Sind diese Variablen in ihrer Abweichung von ihren Durchschnittswerten übereinstimmend?“

Schritt 2: Normalisieren Sie es

Kovarianz allein ist schwer zu interpretieren, da sie von der Skala abhängt. Um dies zu umgehen, dividieren wir durch die Standardabweichungen: $sigma_{X}$ Und $sigma_{Y}$. Dadurch wird alles in einen sauberen Bereich neu skaliert: -1 bis 1. Das gibt uns eine gemeinsame Grundlage für den Vergleich von Variablenwerten.

Nach diesen beiden Schritten können wir nun den Pearson-Koeffizienten berechnen! Wenn wir bekommen:

1. +1 → perfekte constructive Beziehung.
2. 0 → kein linearer Zusammenhang.
3. -1 → perfekte detrimental Beziehung.

Dieser Code misst einfach, wie konsistent sich diese beiden Variablen zusammen bewegen – nicht wie groß sie sind, sondern wie intestine sie aufeinander abgestimmt sind.

Wie unterschiedliche Zusammenhänge aussehen

• Hyperlinks: starke constructive Korrelation → klares Aufwärtsmuster
• Mitte: keine Korrelation → zufällige Streuung
• Rechts: starke detrimental Korrelation → Abwärtsmuster

Die Korrelation misst die Konsistenz der Bewegung und nicht nur, ob zwei Variablen zusammenhängen.

Was Ihnen die Korrelation tatsächlich sagt

Die Korrelation sagt Ihnen: Diese Variablen bewegen sich auf strukturierte Weise zusammen. Es zeigt uns, dass es hier ein Muster gibt, auf das wir achten müssen.

Aber es sagt Ihnen NICHT, warum oder wie sie wirken oder ob das eine das andere verursacht.

Das klassische Beispiel für Korrelation ist, dass Eisverkäufe und Ertrinkungsvorfälle miteinander korrelieren.

Tatsächlich können wir die Anzahl der Eisverkäufe und Ertrinkungsvorfälle grafisch darstellen, um Folgendes zu erhalten:

Wir können eine klare Aufwärtsbeziehung zwischen diesen beiden Variablen erkennen. Führen mehr Eisverkäufe zu mehr Ertrinkungen?

Aber das ist irreführend. Denn der eigentliche Treiber ist die Temperatur: Heißes Wetter bedeutet mehr Eisverkäufe, mehr Menschen, die an den Strand gehen, und mehr Schwimmen.

Obwohl wir additionally klar erkennen können, dass die Korrelation actual ist, bleibt die Erklärung verborgen.

Korrelation und Nichtlinearität

Betrachten Sie nun diese Beziehung:

y = x²

Dies ist eindeutig eine starke Beziehung, denn wenn x zunimmt oder abnimmt, nimmt y zu! Aber wenn Sie die Korrelation berechnen:

np.corrcoef(x, y)(0,1)

Sie erhalten einen Wert nahe 0.

Das liegt daran, dass die Korrelation nur misst: Wie intestine eine gerade Linie zur Beziehung passt. Dies ist eine entscheidende Einschränkung. Wenn die Beziehung gekrümmt ist, kann die Korrelation fehlschlagen, selbst wenn eine starke Beziehung besteht.

Anstatt additionally zu denken: „Korrelation = Beziehung“, ist es besser zu denken: „Korrelation = wie intestine eine gerade Linie die Beziehung erklärt.“

Das Missverständnis

Die Unbestimmtheit des Konzepts der Korrelation und der Artwork und Weise, wie es uns beigebracht wird, führt zu einigen Missverständnissen. Drei sehr häufige sind:

1. Annahme einer Kausalität: Nur weil sich zwei Variablen gemeinsam bewegen, heißt das nicht, dass die eine die andere verursacht.
2. Versteckte Variablen ignorieren: Möglicherweise gibt es einen dritten Faktor, der beides antreibt.
3. Fehlende nichtlineare Beziehungen: Die Korrelation erkennt nur geradlinige Muster.

Sie fragen sich jetzt: Wenn Korrelation ein sehr einfacher Begriff ist, der uns nicht viel sagt, warum ist er dann trotzdem wichtig?

Weil es als erstes Sign unglaublich nützlich ist. Es sagt Ihnen:

„Hier könnte etwas Interessantes passieren.“

Von dort aus untersuchen Sie weiter. Korrelation misst die Ausrichtung; Weitere Untersuchungen liefern eine Erklärung.

Letzter Imbiss

„Korrelation bedeutet keine Kausalität.“ Das ist wahr. Aber hier liegt das Downside: Die Leute hören das und denken: „Korrelation ist bedeutungslos.“ Das stimmt nicht!

Korrelation misst, wie sich Variablen zusammen bewegen; Es reicht von -1 bis 1 und erfasst lineare Beziehungen, impliziert jedoch KEINE Kausalität.

Korrelation ist nicht irreführend. Wir erwarten einfach zu viel von ihm, wenn es nicht darum geht, die Welt zu erklären. Es ist nur ein Sign, das anzeigt:

„Hey… das sieht interessant aus.“

Jetzt beginnt die eigentliche Arbeit, indem wir untersuchen, warum das wirklich interessant ist.

Zweitens: Als Datenwissenschaftler haben Sie dieses Szenario schon erlebt (wahrscheinlich mehr als einmal). Jemand hat Sie mitten im Gespräch unterbrochen und gefragt: „Was genau bedeutet ein p-Wert?„Ich bin mir auch sehr sicher, dass Ihre Antwort auf diese Frage zu Beginn Ihrer Information-Science-Reise eine andere warfare als ein paar Monate später oder ein paar Jahre später.“

Aber was mich jetzt interessiert: Konnten Sie eine klare, sichere Antwort geben, als Ihnen diese Frage zum ersten Mal gestellt wurde? Oder hast du so etwas gesagt wie: „Es ist… die Wahrscheinlichkeit, dass das Ergebnis zufällig ist?” (nicht unbedingt in genau diesen Worten!)

Die Wahrheit ist, du bist nicht allein. Viele Menschen, die regelmäßig p-Werte verwenden, verstehen nicht wirklich, was sie bedeuten. Und um truthful zu sein, Statistik- und Mathematikunterricht haben dies nicht gerade einfach gemacht. Beide betonten die Bedeutung von p-Werten, stellten jedoch keinen Zusammenhang zwischen ihrer Bedeutung und dieser Bedeutung her.

Hier ist, was die Leute denken, was ein p-Wert bedeutet: Ich wette, Sie haben so etwas gehört wie „Es besteht eine Wahrscheinlichkeit von 5 %, dass mein Ergebnis auf Zufall zurückzuführen ist“, „Die Wahrscheinlichkeit, dass meine Hypothese richtig ist, liegt bei 95 %“, oder vielleicht die häufigste, „niedrigerer p-Wert = wahrer/bessere Ergebnisse“.

Aber hier ist die Sache: All das ist falsch. Nicht leicht falsch, sondern grundsätzlich falsch. Und der Grund dafür ist ziemlich subtil: Wir stellen die falsche Frage. Wir müssen wissen, wie wir die richtige Frage stellen, denn das Verständnis von p-Werten ist in vielen Bereichen sehr wichtig:

• A/B-Assessments in der Technik: Entscheiden, ob eine neue Funktion tatsächlich die Benutzereinbindung verbessert oder ob das Ergebnis nur Rauschen ist.
• Medizin und klinische Studien: Feststellung, ob eine Behandlung im Vergleich zu einem Placebo eine echte Wirkung hat.
• Wirtschafts- und Sozialwissenschaften: Testen von Beziehungen zwischen Variablen wie Einkommen und Bildung.
• Psychologie: Bewertung, ob beobachtete Verhaltensweisen oder Interventionen statistisch aussagekräftig sind.
• Marketinganalyse: Messen, ob Kampagnen tatsächlich Auswirkungen auf Conversions haben.

In all diesen Fällen ist das Ziel dasselbe:
um herauszufinden, ob das, was wir sehen, ein Sign ist … oder einfach nur Glück, das vorgibt, Bedeutung zu haben.

Was ist additionally ein p-Wert?

Es ist höchste Zeit, dass wir diese Frage stellen. Hier ist die sauberste Artwork, darüber nachzudenken:

Ein p-Wert misst, wie überraschend Ihre Daten wären, wenn nichts Reales passieren würde.

Oder noch einfacher:

„Wenn alles nur zufällig wäre … wie seltsam ist dann, was ich gerade gesehen habe?“

Stellen Sie sich vor, Ihre Daten leben in einem Spektrum. Wenn nichts passiert, werden Ihre Ergebnisse in den meisten Fällen bei „kein Unterschied“ liegen. Aber manchmal führt der Zufall zu seltsamen Ergebnissen.

Wenn Ihr Ergebnis ganz weit draußen landet, fragen Sie:

„Wie oft würde ich so etwas Extremes nur zufällig sehen?“

Diese Wahrscheinlichkeit ist Ihr p-Wert. Versuchen wir das anhand eines Beispiels zu beschreiben:

Stellen Sie sich vor, Sie betreiben eine kleine Bäckerei. Sie haben ein neues Keksrezept erstellt und denken, es sei besser als das alte. Aber als kluger Unternehmer benötigen Sie Daten, um diese Hypothese zu stützen. Sie führen additionally einen einfachen Check durch:

1. Geben Sie 100 Kunden den alten Keks.
2. Geben Sie 100 Kunden den neuen Cookie.
3. Fragen Sie: „Gefällt Ihnen das?“

Was Sie beobachten:

1. Alter Keks: 52 % mochten ihn.
2. Neuer Keks: 60 % mochten ihn.

Nun, wir haben es geschafft! Der Neue hat eine bessere Kundenbewertung! Oder doch?

Aber hier wird es etwas knifflig: „Ist das neue Keksrezept tatsächlich besser … oder habe ich mit der Kundengruppe einfach nur Glück gehabt?„p-Werte werden uns bei der Beantwortung dieser Frage helfen!“

Schritt 1: Gehen Sie davon aus, dass nichts passiert

Sie beginnen mit der Nullhypothese: „Es gibt keinen wirklichen Unterschied zwischen den Cookies.“ Mit anderen Worten: Beide Kekse sind gleich intestine und jeder Unterschied, den wir sahen, ist nur eine zufällige Variation.

Schritt 2: Simulieren Sie eine „Zufallswelt“.

Stellen Sie sich nun vor, Sie würden dieses Experiment tausende Male wiederholen: Wenn die Kekse tatsächlich gleich wären, würde sie manchmal der einen Gruppe mehr gefallen, manchmal der anderen. Denn genau so funktioniert Zufälligkeit.

Anstelle mathematischer Formeln machen wir etwas sehr Intuitives: Stellen Sie sich vor, beide Cookies wären gleich intestine, simulieren Sie Tausende von Experimenten unter dieser Annahme und fragen Sie dann:

„Wie oft sehe ich durch Zufall einen Unterschied von bis zu 8 %?“

Lassen Sie es uns herausholen.

Laut Kodex p-Wert = 0,2.

Das heißt, wenn die Kekse tatsächlich gleich wären, würde ich in etwa 20 % der Fälle einen so großen Unterschied feststellen. Wenn wir die Anzahl der Kunden erhöhen, die wir zu einem Geschmackstest befragen, wird sich dieser p-Wert erheblich ändern.

Beachten Sie, dass wir nicht beweisen mussten, dass das neue Cookie besser ist. Stattdessen kamen wir auf der Grundlage der Daten zu dem Schluss, dass „Dieses Ergebnis wäre ziemlich seltsam, wenn nichts passieren würde.“ Das reicht aus, um an den Nullhypothesen zu zweifeln.

Stellen Sie sich nun vor, Sie hätten den Cookie-Check nicht nur einmal, sondern 200 Mal durchgeführt, jeweils mit neuen Kunden. Für jedes Experiment fragen Sie:

„Was ist der Unterschied darin, wie sehr den Leuten der neue Keks im Vergleich zum alten gefiel?“

Was oft übersehen wird

Hier ist der Teil, der alle aus der Fassung bringt (einschließlich mir selbst, als ich zum ersten Mal an einem Statistikkurs teilnahm). Ein p-Wert beantwortet diese Frage:

„Wenn die Nullhypothese wahr ist, wie wahrscheinlich sind diese Daten?“

Was wir aber wollen, ist:

„Wie wahrscheinlich ist meine Hypothese angesichts dieser Daten wahr?“

Das ist nicht dasselbe. Es ist, als würde man fragen: „Wie wahrscheinlich ist es, dass ich nasse Straßen sehe, wenn es regnet?”
vs „Wenn ich nasse Straßen sehe, wie wahrscheinlich ist es, dass es regnet?“

Da unser Gehirn umgekehrt arbeitet, wollen wir aus den Daten, die wir sehen, auf die Wahrheit schließen. Aber p-Werte gehen in die andere Richtung: Nehmen Sie eine Welt an → Bewerten Sie, wie seltsam Ihre Daten in dieser Welt sind.

Anstatt additionally zu denken: „p = 0,03 bedeutet, dass die Wahrscheinlichkeit, dass ich falsch liege, bei 3 % liegt“, denken wir „Wenn nichts Wirkliches passieren würde, würde ich so etwas Extremes nur in 3 % der Fälle sehen.“

Das ist es! Keine Erwähnung von Wahrheit oder Richtigkeit.

Warum ist es wichtig, p-Werte zu verstehen?

Ein Missverständnis der Bedeutung von p-Werten führt zu echten Problemen, wenn Sie versuchen, das Verhalten Ihrer Daten zu verstehen.

1. Falsches Vertrauen

Die Leute denken: „p < 0,05 → das stimmt“. Das ist nicht korrekt; es bedeutet lediglich „unter den Nullhypothesen unwahrscheinlich“.

2. Überreagieren auf Lärm

Ein kleiner p-Wert kann immer noch zufällig auftreten, insbesondere wenn Sie viele Assessments durchführen.

3. Ignorieren der Effektgröße (oder des Kontexts der Daten)

Ein Ergebnis kann statistisch signifikant, aber praktisch bedeutungslos sein. Beispielsweise könnte eine Verbesserung um 0,1 % mit p < 0,01 technisch „signifikant“ sein, ist aber praktisch nutzlos.

Stellen Sie sich einen p-Wert wie einen „Verrücktheitswert“ vor.

• Hoher p-Wert → „Das sieht regular aus.“
• Niedriger p-Wert → „Das sieht seltsam aus.“

Und seltsame Daten lassen Sie Ihre Annahmen in Frage stellen. Das ist alles, was Hypothesentests bewirken.

Warum ist 0,05 die magische Zahl?

Irgendwann haben Sie wahrscheinlich diese Regel gesehen:

„Wenn p < 0,05, ist das Ergebnis statistisch signifikant.“

Der Schwellenwert von 0,05 wurde dank Ronald Fisher, einer der ersten Figuren der modernen Statistik, populär. Er schlug 5 % als vernünftigen Grenzwert für den Fall vor, dass die Ergebnisse „selten genug“ erscheinen, um die Annahme der Zufälligkeit in Frage zu stellen.

Nicht weil es mathematisch optimum oder allgemein korrekt ist, sondern nur weil es … praktisch warfare. Und mit der Zeit wurde es zur Standardeinstellung. p < 0,05 bedeutet, dass ich in weniger als 5 % der Fälle so etwas Extremes sehen würde, wenn nichts passieren würde.

Bei der Wahl von 0,05 ging es darum, zwei Arten von Fehlern auszugleichen:

• Falsch constructive Ergebnisse → denken, dass etwas passiert, obwohl dies nicht der Fall ist.
• Falsche Destructive → ein echter Effekt fehlt.

Wenn Sie den Schwellenwert strenger festlegen (z. B. 0,01), verringern Sie die Zahl der Fehlalarme, verpassen aber mehr reale Auswirkungen. Wenn Sie den Wert dagegen lockern (z. B. 0,10), erhalten Sie mehr reale Effekte, riskieren aber mehr Rauschen. 0,05 liegt additionally irgendwo in der Mitte.

Der Imbiss

Wenn Sie diesen Artikel mit nur einer Sache verlassen, sei es so, dass ein p-Wert Ihnen nicht sagt, dass Ihre Hypothese wahr ist; Es gibt Ihnen auch nicht die Wahrscheinlichkeit, dass Sie falsch liegen! Es zeigt Ihnen, wie überraschend Ihre Daten unter der Annahme sind, dass sie keinen Effekt haben.

Der Grund, warum die meisten Menschen zunächst von p-Werten verwirrt sind, liegt nicht darin, dass p-Werte kompliziert sind, sondern darin, dass sie oft nur rückwärts erklärt werden. Anstatt additionally zu fragen: „Habe ich 0,05 bestanden?“fragen: „Wie überraschend ist dieses Ergebnis?”

Und um das zu beantworten, müssen Sie sich p-Werte als Spektrum vorstellen:

• 0,4 → völlig regular
• 0,1 → einigermaßen interessant
• 0,03 → etwas überraschend
• 0,001 → sehr überraschend

Es handelt sich nicht um einen binären Schalter; es handelt sich vielmehr um einen Beweisgradienten.

Sobald Sie Ihr Denken von „Ist das wahr?“ ändern zu „Wie seltsam wäre das, wenn nichts passieren würde?“ fängt alles an zu klicken. Und was noch wichtiger ist: Sie beginnen, anhand Ihrer Daten bessere Entscheidungen zu treffen.

Egal, ob Sie ein Supervisor, ein Datenwissenschaftler, ein Ingenieur oder ein Produktbesitzer sind, Sie haben mit ziemlicher Sicherheit an mindestens einer Besprechung teilgenommen, in der es um die „Einführung eines Modells in die Produktion“ ging.

Aber im Ernst, was bedeutet Produktion überhaupt?

Wie Sie vielleicht wissen, bin ich KI-Ingenieur. Ich begann meinen ersten Job im Bereich Knowledge Science im Jahr 2015 bei einem großen französischen Unternehmen im Energiesektor. Damals gehörten wir zu den ersten Akteuren, die KI-Anwendungen für das Energiemanagement und die Energieproduktion (Kernkraft, Wasserkraft und erneuerbare Energien) entwickelten. Und wenn es einen Bereich gibt, in dem die Umsetzung von KI in die Produktion stark reguliert ist, dann ist es die Energie, insbesondere die Kernenergie. Dies hängt eng mit der Artwork der Daten und der Tatsache zusammen, dass Sie Modelle für maschinelles Lernen nicht einfach in eine vorhandene Umgebung integrieren können.

Dank dieser Erfahrung habe ich schon sehr früh gelernt, dass die Erstellung eines Modells in einem Notizbuch nur die Spitze des Eisbergs ist. Ich habe auch sehr schnell angefangen, über die Produktion zu reden, ohne wirklich zu wissen, was das bedeutet. Aus diesen Gründen möchte ich mit Ihnen die klarere Sichtweise teilen, die ich im Laufe der Jahre entwickelt habe, wenn es darum geht, maschinelle Lernprojekte in die Produktion zu bringen.

---

Aber lassen Sie uns einen Second innehalten und über unsere Hauptfrage nachdenken.

Was bedeutet eigentlich Produktion?

Manchmal ist es schwer zu lesen und zu verstehen, was sich hinter diesem Schlagwort „Produktion“ verbirgt. Es gibt unzählige YouTube-Movies und Artikel darüber, aber nur sehr wenige, die sich in etwas übersetzen lassen, das Sie tatsächlich in realen Projekten anwenden können.

Wenn Sie versuchen, die Frage zu beantworten, werden unsere Ansichten am Ende dieses Artikels wahrscheinlich übereinstimmen, auch wenn die Methoden, mit denen wir die Produktion erreichen, von Kontext zu Kontext unterschiedlich sein können.

---

Die Hauptdefinition

Im Zusammenhang mit maschinellem Lernen bedeutet Produktion, dass sich die Ausgaben Ihres Modells direkt auf einen Benutzer oder ein Produkt auswirken.

Diese Wirkung kann viele Formen annehmen, z. B. jemanden aufklären, ihm bei der Entscheidungsfindung helfen oder etwas ermöglichen, was er vorher nicht tun konnte; Es kann auch bedeuten, dass dem Empfehlungssystem einer Buying-App eine Funktion hinzugefügt wird.

Jedes Programm, das einen Algorithmus für maschinelles Lernen enthält, der von einem Endbenutzer oder einem anderen Produkt oder einer anderen Anwendung verwendet wird, kann als Modell in der Produktion betrachtet werden.

Neben der Wirkung bringt die Produktion auch eine Ebene der Verantwortung mit sich. Ich meine damit, dass Ihr Modell möglicherweise bereitgestellt wird, aber nicht in der Produktion, wenn niemand oder kein System dafür verantwortlich ist, das Modell zu korrigieren, wenn es falsch ist.

Es wird allgemein angenommen, dass 87 % der ML-Projekte nicht die endgültige Produktionsphase erreichen. Ich weiß nicht, ob das wirklich stimmt, aber meine Interpretation ist einfach: Viele ML-Modelle erreichen nie den Punkt, an dem sie tatsächlich Auswirkungen auf einen Benutzer oder ein Produkt haben. Und selbst wenn dies der Fall ist, gibt es oft kein System, das sie langfristig zuverlässig macht, sodass sie einfach bereitgestellt und zugänglich sind.

Wenn wir uns additionally einig sind, dass Produktion bedeutet, ein ML-Projekt zu haben, das wirkungsvoll und rechenschaftspflichtig ist, wie kommen wir dann dorthin?

---

Die vielen Gesichter der Produktion

Um dies zu beantworten, müssen wir akzeptieren, dass die Produktion viele Gesichter hat. Das Modell ist nur eine Komponente innerhalb einer größeren ETL-Pipeline.

Dieser Punkt ist entscheidend.

Wir stellen uns ein Modell oft als eine Blackbox vor, in die Daten eingehen, mathematische Zauberei geschieht und eine Vorhersage herauskommt. In Wirklichkeit ist das eine große Vereinfachung. In der Produktion sind Modelle normalerweise Teil eines umfassenderen Datenflusses, oft näher an einer Datentransformation als an einer isolierten Entscheidungsmaschine.

Außerdem sieht nicht jede „Produktion“ gleich aus, je nachdem, wie leistungsstark das Modell im endgültigen System ist.

Manchmal unterstützt das Modell eine Entscheidung, beispielsweise eine Bewertung, eine Empfehlung, eine Warnung oder ein Dashboard.

Manchmal trifft es eine Entscheidung, etwa automatische Aktionen, Echtzeitblockierungen oder das Auslösen von Workflows.

Der Unterschied ist sehr wichtig. Wenn Ihr System automatisch agiert, sind die Kosten eines Fehlers nicht gleich hoch und die technischen Anforderungen steigen in der Regel sehr schnell.

Meiner Erfahrung nach lassen sich die meisten Produktionssysteme wie folgt unterteilen:

→ Das Datenspeichersystem in der Produktion, Das bedeutet, dass alle Daten in Dateisystemen oder Datenbanken gespeichert werden, die sicher in Produktionsumgebungen (Cloud oder On-Premise) gehostet werden.

→ Die Herstellung des Datenerfassungsteils, Dies bedeutet, dass Sie über ein System oder einen Workflow verfügen, der eine Verbindung zu Produktionsdatenbanken herstellt und die Daten abruft, die als Eingabe für das Modell verwendet werden. Diese Workflows können die Datenvorbereitungsschritte enthalten.

→ Die maschinelle Lernkomponente in die Produktion bringen, Das ist der Teil, der uns interessiert. Das bedeutet, dass das Modell bereits trainiert ist und wir ein System benötigen, das es ermöglicht, es in derselben Umgebung wie die anderen Komponenten auszuführen.

Diese drei Teile zeigen uns deutlich, dass es bei ML in der Produktion nicht um das Modell des maschinellen Lernens selbst geht, sondern um alles drumherum.

Konzentrieren wir uns jedoch nur auf Komponente 3, „das ML in die Produktion bringen“, da die anderen Schritte häufig von verschiedenen Groups in einem Unternehmen durchgeführt werden.

---

Die 4-Schritte-Aufschlüsselung

Wenn ich einen Junior-Datenwissenschaftler hätte, dem ich erklären müsste, wie man an dieser Komponente arbeitet, würde ich sie wie folgt aufteilen:

Schritt 1: Die Funktion

Sie beginnen mit einem trainierten Modell. Das erste, was Sie benötigen, ist eine Funktion, ein Code, der das Modell lädt, Eingabedaten empfängt, die Vorhersage durchführt und eine Ausgabe zurückgibt.

Zu diesem Zeitpunkt funktioniert alles lokal. Es ist aufregend, wenn man zum ersten Mal Vorhersagen sieht, aber wir wollen damit nicht aufhören.

Ein praktisches Element, das von Anfang an wichtig ist. Denken Sie nicht nur an „Prognostiziert es?“, sondern auch an „Wird es sauber scheitern?“ In der Produktion erhält Ihre Funktion möglicherweise seltsame Eingaben, fehlende Werte, unerwartete Kategorien, beschädigte Dateien oder Signale, die außerhalb des zulässigen Bereichs liegen. Ihr zukünftiges Ich wird Ihnen für die grundlegende Validierung und klare Fehlermeldungen danken.

Schritt 2: Die Schnittstelle

Um diese Funktion für andere nutzbar zu machen (ohne sie aufzufordern, Ihren Code auszuführen), benötigen Sie eine Schnittstelle, meist eine API.

Nach der Bereitstellung empfängt diese API standardisierte Anfragen mit Eingabedaten, übergibt sie an Ihre Vorhersagefunktion und gibt die Ausgabe zurück. Dadurch können andere Systeme, Anwendungen oder Benutzer mit Ihrem Modell interagieren.

Und hier ist eine Produktionsrealität: Die Schnittstelle ist nicht nur eine technische Sache, sie ist ein Vertrag. Wenn ein anderes System eine Vorhersage erwartet und Sie etwas anderes offenlegen, ist Reibung garantiert. Das Gleiche gilt, wenn Sie das Schema alle zwei Wochen ändern. Wenn Groups sagen: „Das Modell ist in Produktion“, meinen sie oft in Wirklichkeit: „Wir haben einen Vertrag erstellt, auf den andere Menschen angewiesen sind.“

Schritt 3: Die Umgebung

Jetzt brauchen wir Portabilität. Das bedeutet, die Umgebung, den Code, die API und alle Abhängigkeiten zu packen, damit das System ohne Änderungen an anderer Stelle ausgeführt werden kann.

Wenn Sie die Schritte bisher befolgt haben, haben Sie ein Modell erstellt, es in eine Funktion eingeschlossen und über eine API verfügbar gemacht. Aber all das spielt keine Rolle, wenn alles in Ihrer lokalen Umgebung verschlossen bleibt.

Hier wird es professioneller: Reproduzierbarkeit, Versionierung und Nachvollziehbarkeit. Nicht unbedingt ausgefallen, aber gerade genug, damit Sie, wenn Sie heute Model 1.2 bereitstellen, in drei Monaten erklären können, was sich geändert hat und warum.

Schritt 4: Die Infrastruktur

Der letzte Schritt besteht darin, alles an einem Ort zu hosten, an dem Benutzer oder Anwendungen tatsächlich darauf zugreifen können.

In der Praxis ist damit häufig die Cloud gemeint, es können aber auch unternehmensinterne Server oder Edge-Infrastruktur sein. Der entscheidende Punkt ist, dass das, was Sie bauen, erreichbar, stabil und dort verwendbar sein muss, wo es benötigt wird.

Und hier lernen viele Groups eine harte Lektion. In der Produktion ist das „beste Modell“ oft nicht dasjenige mit den besten Messwerten in einem Pocket book. Es ist diejenige, die reale Einschränkungen, Latenz, Kosten, Sicherheit, Regulierung, Überwachung, Wartbarkeit und manchmal auch einfach die Frage erfüllt: „Können wir das mit dem Workforce, das wir haben, betreiben?“

Schritt 5: Die Überwachung

Sie können die sauberste API und die schönste Infrastruktur haben und trotzdem in der Produktion scheitern, weil Sie Probleme nicht frühzeitig erkennen.

Ein Modell in der Produktion, das nicht überwacht wird, ist im Grunde schon kaputt, man weiß es nur noch nicht.

Überwachung muss nicht kompliziert sein. Sie möchten mindestens Folgendes wissen:

• Ist der Dienst verfügbar und die Latenz erträglich?
• Sehen die Eingaben immer noch „regular“ aus?
• Driften die Datenausgaben?
• Sind die geschäftlichen Auswirkungen noch sinnvoll?

Bei vielen realen Projekten bricht die Leistung nicht durch einen großen Absturz ein. Es verfällt leise.

Wenn alle diese Komponenten vorhanden sind, wird ein Modell zu etwas Nützlichem und Wirkungsvollem. Basierend auf Erfahrung, Hier sind ein paar praktische Richtlinien.

Für Schritt 1 (Die Funktion) Bleiben Sie bei den Instruments, die Sie kennen (scikit-learn, PyTorch, TensorFlow), aber denken Sie frühzeitig über die Portabilität nach. Formate wie ONNX können die zukünftige Automatisierung erheblich erleichtern. Wenn Sie Ihre eigenen Pakete entwickeln, müssen Sie als Supervisor oder Datenwissenschaftler sicherstellen, dass die erforderlichen Software program-Engineering- oder Knowledge-Engineering-Fähigkeiten vorhanden sind, denn der Aufbau interner Bibliotheken ist etwas ganz anderes als der Einsatz von Standardtools.

Für Schritt 2 (Die Schnittstelle) Frameworks wie FastAPI funktionieren sehr intestine, denken Sie aber immer an den Verbraucher. Wenn ein anderes System eine Vorhersage erwartet und Sie etwas anderes offenlegen, ist Reibung garantiert. Sie müssen mit Ihren Stakeholdern im Einklang sein. Alle technischen Punkte darüber, wohin die Ergebnisse des maschinellen Lernens gehen, sollten sehr klar sein.

Für Schritt 3 (Die Umgebung) Hier kommt Docker ins Spiel. Sie müssen nicht alles sofort beherrschen, aber Sie sollten die Grundlagen verstehen. Stellen Sie sich Docker so vor, als würden Sie alles, was Sie eingebaut haben, in einer Field unterbringen, die quick überall ausgeführt werden kann. Wenn Sie bereits über gute Kenntnisse im Bereich Knowledge Engineering verfügen, sollte dies in Ordnung sein. Wenn nicht, müssen Sie sie entweder aufbauen oder sich auf jemanden im Workforce verlassen, der sie hat.

Für Schritt 4 (Die Infrastruktur) Einschränkungen diktieren Entscheidungen. Lambda, Microservices, Edge-Geräte und natürlich GPUs. ML-Workloads benötigen oft eine spezielle Infrastruktur, manchmal über verwaltete Dienste wie SageMaker.

---

Über alle Schritte hinweg gilt eine Regel, die Leben rettet: Halten Sie immer eine einfache Möglichkeit zum Zurücksetzen bereit. Bei der Produktion geht es nicht nur um die Bereitstellung, sondern auch um die Wiederherstellung, wenn die Realität eintrifft.

Betrachten Sie diesen Schritt Ihres Knowledge-Science-Projekts nicht als einen einzelnen Meilenstein. Es ist eine Abfolge von Schritten und eine Änderung der Denkweise. In einem Unternehmen warten wir nicht darauf, dass Sie das komplizierteste Modell vorantreiben. Wir möchten, dass Sie ein Modell erstellen, das Geschäftsfragen beantwortet oder eine von einem bestimmten Produkt erwartete Funktion hinzufügt. Wir brauchen dieses Modell, um das Produkt oder den Benutzer zu erreichen und überwacht zu werden, damit die Menschen ihm weiterhin vertrauen und es verwenden.

Es ist sehr wichtig, Ihre Umgebung zu verstehen. Die Instruments, die ich zuvor erwähnt habe, können von Workforce zu Workforce unterschiedlich sein, aber die Methodik ist dieselbe. Ich teile sie nur, um Ihnen eine konkrete Vorstellung zu geben.

Man kann ein tolles Modell bauen, aber wenn es niemand nutzt, ist das egal.

Und wenn Menschen es nutzen, dann wird es actual, es braucht Eigentum, Überwachung, Einschränkungen und ein System um es herum.

Lassen Sie Ihre Arbeit nicht bei den 87 % bleiben.

---

Notiz: Einige Teile dieses Artikels wurden ursprünglich auf Französisch verfasst und mit Unterstützung von Gemini ins Englische übersetzt.

Bleiben Sie in Verbindung

Wenn Ihnen dieser Artikel gefallen hat, folgen Sie mir gerne auf LinkedIn, um weitere ehrliche Einblicke in KI, Knowledge Science und Karrieren zu erhalten.

LinkedIn: Sabrine Bendimerad

Medium: https://medium.com/@sabrine.bEndeimerad1

Instagram: https://tinyurl.com/datailearn

Bild vom Herausgeber

# Einführung

Seit Jahrzehnten ist Pythons World Interpreter Lock (GIL) Segen und Fluch zugleich. Aus diesem Grund ist Python einfach, vorhersehbar und zugänglich. sondern auch der Grund, warum es Probleme mit echtem Multithreading gibt.

Entwickler haben es verflucht, es optimiert und sogar ganze Architekturen gebaut, um es zu umgehen. Mit den bevorstehenden Änderungen in Python 3.13 und höher wird die GIL nun endgültig abgebaut. Die Auswirkungen sind nicht nur technischer Natur; Sie sind kulturell. Dieser Wandel könnte die Artwork und Weise, wie wir Python in der Neuzeit schreiben, skalieren und sogar denken, neu definieren.

# Der lange Schatten der GIL

Um zu verstehen, warum die Entfernung der GIL wichtig ist, muss man begreifen, was sie wirklich bewirkt hat. Die GIL struggle ein Mutex – eine globale Sperre, die sicherstellt, dass jeweils nur ein Thread Python-Bytecode ausführt. Dies machte die Speicherverwaltung einfach und sicher, insbesondere in den frühen Tagen, als der Interpreter von Python noch nicht für Parallelität ausgelegt struggle. Es schützte Entwickler vor Race Situations, allerdings mit enormen Kosten: Python konnte niemals echte Parallelität zwischen Threads auf Multi-Core-CPUs erreichen.

Das Ergebnis struggle ein unsicherer Waffenstillstand. Bibliotheken mögen NumPy, TensorFlowUnd PyTorch hat die GIL umgangen, indem sie sie während umfangreicher C-Degree-Berechnungen freigegeben hat. Andere verließen sich auf Multiprocessing und führten separate Interpreterprozesse ein, um Parallelität zu simulieren. Es hat funktioniert – allerdings auf Kosten der Komplexität und des Speicheraufwands. Die GIL wurde zu einem festen Sternchen in Pythons Lebenslauf: „Schnell genug … für einen einzelnen Kern.“

Jahrelang wirkten die Diskussionen über die Abschaffung der GIL quick mythisch. Vorschläge kamen und gingen und scheiterten meist unter der Final der Abwärtskompatibilität und Leistungsrückgängen. Doch dank der Bemühungen hinter PEP 703 ist das Ende der Sperre nun endlich realistisch – und es verändert alles.

# PEP 703: Das Schloss löst sich

PEP 703 mit dem Titel „Making the World Interpreter Lock Optionally available“ markierte einen historischen Wandel in der Designphilosophie von Python. Anstatt die GIL vollständig zu entfernen, wird ein Construct von Python eingeführt, der ohne sie läuft. Dies bedeutet, dass Entwickler Python je nach Anwendungsfall mit oder ohne GIL kompilieren können. Es ist vorsichtig, aber es ist ein Fortschritt.

Die wichtigste Neuerung besteht nicht nur darin, das Schloss zu entfernen; Es geht darum, das Speichermodell von CPython umzugestalten. Speicherobjekte und Referenzzählung – das Rückgrat der Rubbish Assortment von Python – mussten neu gestaltet werden, um sicher über Threads hinweg zu funktionieren. Die Implementierung führt feinkörnige Sperren und atomare Referenzzähler ein und gewährleistet so die Datenkonsistenz ohne globale Serialisierung.

Benchmarks zeigen erste Aussichten. CPU-gebundene Aufgaben die zuvor durch die GIL einen Engpass hatten, skalieren jetzt quick linear über die Kerne hinweg. Der Kompromiss beeinträchtigt die Single-Threaded-Leistung leicht, aber für viele Workloads – insbesondere Knowledge Science, KI und Backend-Server – ist das ein geringer Preis. Die Überschrift lautet nicht nur „Python wird schneller“. Es heißt: „Python geht endlich parallel.“

# Der Welleneffekt im gesamten Ökosystem

Wenn man eine Grundannahme wie die GIL entfernt, gerät alles, was darauf aufbaut, ins Wanken. Bibliotheken, Frameworks und bestehende Cloud-Automatisierungsworkflows müssen angepasst werden. Vor allem C-Erweiterungen stehen vor einer Rechenschaft. Viele wurden unter der Annahme geschrieben, dass die GIL den gemeinsamen Speicher schützen würde. Ohne sie könnten über Nacht Parallelitätsfehler auftauchen.

Um den Übergang zu erleichtern, führt die Python-Neighborhood Kompatibilitätsebenen und APIs ein, die Thread-Sicherheitsdetails abstrahieren. Der größere Wandel ist jedoch philosophischer Natur: Entwickler können jetzt Systeme entwerfen, die echte Parallelität voraussetzen. Stellen Sie sich Datenpipelines vor, in denen Parsing, Berechnung und Serialisierung tatsächlich parallel laufen – oder Net-Frameworks, die Anfragen mit echtem Multithread-Durchsatz verarbeiten, ohne dass eine Prozessverzweigung erforderlich ist.

Für Datenwissenschaftler bedeutet dies ein schnelleres Modelltraining und reaktionsfähigere Instruments. Pandas, NumPyUnd SciPy könnte bald echte parallele Schleifen nutzen, ohne auf Multiprocessing zurückgreifen zu müssen.

// Was es für Python-Entwickler bedeutet

Für Entwickler ist diese Änderung sowohl aufregend als auch einschüchternd. Das Ende der GIL bedeutet, dass sich Python eher wie andere Multithread-Sprachen wie Java, C++ oder Go verhält. Das bedeutet mehr Macht, aber auch mehr Verantwortung. Race Situations, Deadlocks und Synchronisationsfehler sind keine abstrakten Sorgen mehr. Erinnern als Deep-Studying-Modelle anspruchsvoller und zugleich komplexer waren?

Die Einfachheit, die die GIL bot, ging zu Lasten der Skalierbarkeit, schützte Entwickler aber auch vor einer Klasse von Fehlern, mit denen sich viele Python-Programmierer nie befasst hatten. Mit der Weiterentwicklung der Nebenläufigkeitsgeschichte von Python muss sich auch seine Pädagogik weiterentwickeln. Tutorials, Dokumentationen und Frameworks müssen neue Muster für sichere Parallelität vermitteln. Instruments wie Thread-sichere Container, nebenläufige Datenstrukturen und atomare Operationen werden für die alltägliche Codierung von zentraler Bedeutung sein.

Dies ist die Artwork von Komplexität, die mit der Reife einhergeht. Die GIL hielt Python komfortabel, aber eingeschränkt. Seine Entfernung zwingt die Neighborhood, sich einer Wahrheit zu stellen: Wenn Python in Hochleistungs- und KI-gesteuerten Kontexten related bleiben will, muss es erwachsen werden.

# Wie dies die Identität von Python verändern könnte

Der Reiz von Python lag schon immer in seiner Klarheit und Lesbarkeit – Dies erstreckt sich auch darauf, wie einfach es ist, Anwendungen mit großen Sprachmodellen zu erstellen. Seltsamerweise hat die GIL dazu beigetragen. Dadurch konnten Entwickler Multithread-ähnlichen Code schreiben, ohne den mentalen Aufwand für die Verwaltung echter Parallelität auf sich nehmen zu müssen. Das Entfernen könnte Python zu einer neuen Identität verhelfen: einer, bei der Leistung und Skalierbarkeit mit C++ oder Rust konkurrieren, aber die Einfachheit, die es definiert hat, unter Druck steht.

Diese Entwicklung spiegelt einen umfassenderen Wandel im Python-Ökosystem wider. Die Sprache ist nicht mehr nur ein Skript-Instrument, sondern eine echte Plattform für Datenwissenschaft, KI und Backend-Engineering. Diese Bereiche erfordern Durchsatz und Parallelität, nicht nur Eleganz. Die Entfernung der GIL verrät nicht die Wurzeln von Python; Es erkennt seine neue Rolle in einer datenintensiven Welt mit mehreren Kernen an.

# Die Zukunft: Ein schnelleres, freies Python

Wenn die GIL endgültig in die Geschichte eingeht, wird sie nicht nur als technischer Meilenstein in Erinnerung bleiben. Es wird als Wendepunkt in Pythons Erzählung gesehen, als ein Second, in dem der Pragmatismus das Erbe überholte. Dieselbe Sprache, die einst mit Parallelität zu kämpfen hatte, wird endlich die volle Leistungsfähigkeit moderner {Hardware} nutzen können.

Für Entwickler bedeutet es, alte Annahmen neu zu schreiben. Für Bibliotheksautoren bedeutet dies eine Umgestaltung zur Thread-Sicherheit. Und für die Neighborhood ist es eine Erinnerung daran, dass Python nicht statisch ist – es ist lebendig, entwickelt sich weiter und hat keine Angst davor, sich seinen Grenzen zu stellen.

In gewisser Weise ist das Ende der GIL poetisch. Die Sperre, die Python schützte, hielt es auch klein. Durch die Entfernung wird nicht nur Leistung, sondern auch Potenzial freigesetzt. Die Sprache, die dadurch wuchs, dass sie „Nein“ zur Komplexität sagte, ist jetzt ausgereift genug, um „Ja“ zur Parallelität zu sagen – und zur Zukunft, die damit einhergeht.

Nahla Davies ist Softwareentwickler und technischer Autor. Bevor sie sich hauptberuflich dem technischen Schreiben widmete, schaffte sie es – neben anderen faszinierenden Dingen –, als leitende Programmiererin bei einer Inc. 5.000-Organisation für experimentelles Branding zu arbeiten, zu deren Kunden Samsung, Time Warner, Netflix und Sony gehören.

Als Anfang dieses Jahres die Stargate-Ankündigung im Weißen Haus eine Welle atemberaubender Investitionen in Rechenzentren in Höhe von Hunderten von Milliarden Greenback auslöste, hätten wir mit Fug und Recht annehmen können, dass dies die Technologiegeschichte des Jahres sein würde.

Dann erst vor ein paar Wochen verblüffte NVIDIA die Technologiewelt, indem es 10 Milliarden US-Greenback in Intel investierte und dem ehemaligen Marktführer in der Chipbranche einen finanziellen Aufschwung von einem Unternehmen verschaffte, das in den letzten Jahren maßgeblich dazu beigetragen hat, die Marktposition von Intel zu schwächen. Intel könnte sich keinen besseren Accomplice als NVIDIA für den aggressiven Einstieg in den Markt für KI-Rechenzentrumsserverchips wünschen. Vor einer Woche hätten wir additionally vielleicht vermutet, dass NVIDIA-Intel die Tech-Story des Jahres sein wird.

Aber jetzt haben wir einen Deal im Wert von mehr als 95 Milliarden US-Greenback zwischen dem ChatGPT-Monster OpenAI und AMD, das nach einer Möglichkeit sucht, mit NVIDIA auf dem GPU-Markt zu konkurrieren. Ja, es gab einen Deal zwischen AMD und Oracle, im Juni angekündigtin dem Oracle aufgefordert wurde, 130.000 AMD MI355X-GPUs auf der Oracle Cloud-Infrastruktur bereitzustellen, und im März diskutierte Oracle während einer Telefonkonferenz über die Ergebnisse die Absicht, 30.000 AMD MI355X-Prozessoren bereitzustellen. Und dann sind da noch AMD-GPUs, die zwei der ersten drei in den USA ansässigen Exascale-Supercomputer antreiben, die derzeit auf der Rangliste stehen Nr. Platz 1 und 2 der TOP500-Liste eines der leistungsstärksten HPC-Systeme.

Aber das ist viel größer und verleiht AMD zusätzliche Glaubwürdigkeit auf dem KI-Computing-Markt, den NVIDIA mit einem Anteil von mehr als 90 Prozent dominiert.

Von allen Tagen seit dem letzten „AMD-Winter“ (additionally kurz bevor Lisa Su 2014 die Geschäftsführung übernommen hat) gehört der gestrige Tag zu den denkwürdigsten und nach Ansicht des Unternehmens bedeutsamsten (vielleicht ist es an der Zeit, die Erinnerungen an den alten Growth-and-Bust von AMD beiseite zu lassen, der sich im letzten Jahrzehnt bewundernswert geschlagen hat).

Der AMD-OpenAI-Deal sieht vor, dass Letzterer in den nächsten Jahren 6 Gigawatt Rechenkapazität mit AMD-Chips nutzt. Der Chip im Rampenlicht ist AMDs kommender Rackscale-KI-Prozessor MI450, der in der zweiten Hälfte des Jahres 2026 ausgeliefert werden soll. Er wird gegen den Vera Rubin der nächsten Technology antreten, der laut NVIDIA die dreifache Leistung der aktuellen Flaggschiff-Blackwell-Chips des Unternehmens liefern wird. Die Auslieferung von Vera Rubin ist ebenfalls für das dritte oder vierte Quartal nächsten Jahres geplant.

Es kann additionally sein, dass sich NVIDIA zum ersten Mal in einem echten GPU-Rennen befindet – vorausgesetzt, beide Unternehmen liefern ihre Subsequent-Gen-Chips termingerecht aus.

Als Analyst der Chipindustrie Dr. Ian Cutress erklärt es„Aufgebaut auf der CDNA4-Architektur wird MI450 voraussichtlich die erste Produktlinie des Unternehmens sein, die für den Einsatz im echten Rack-Maßstab optimiert ist und Rechen-, Verbindungs- und Speicherbandbreite auf Systemebene und nicht auf Geräteebene integriert. AMDs Helios-Plattform, seine neue Referenzarchitektur für große KI-Cluster, wird MI450-GPUs mit Zen 6-basierten CPUs, Speicher mit hoher Bandbreite und fortschrittlicher Verbindungsstruktur kombinieren.“ vorgefertigte Rack-Systeme, die so konzipiert sind, dass sie direkt mit den HGX- und DGX-SuperPODs von NVIDIA konkurrieren können.“

Kurz gesagt, AMD steigt in ein anspruchsvolles KI-Computing-Unternehmen ein, und die Konkurrenz, der es beitritt, erinnert daran, wie AMD vor acht Jahren Intels scheinbar uneinnehmbare Führung bei CPUs übernahm.

Ein Schlüssel für die potenzielle Rack-Scale-Fähigkeit des MI450 ist AMDs Kauf des Server- und Herstellers ZT Methods im August 2024 für quick 5 Milliarden US-Greenback ein Artikel in CRNin dem Su im vergangenen Juni mit den Worten zitiert wurde: „Die Übernahme würde dem Unternehmen ‚Weltklasse-Systemdesign und Rack-Scale-Lösungskompetenz‘ verleihen, um ‚unsere Rechenzentrums-KI-Systeme und Kundenaktivierungsfähigkeiten erheblich zu stärken‘.“

Man könnte sich durchaus fragen, warum OpenAI sich für eine Partnerschaft mit AMD statt mit NVIDIA entschieden hat. Die Antwort ist, dass OpenAI GPU-unabhängig ist und eine Lieferkette mit mehreren Anbietern benötigt, um seinen enormen Bedarf an KI-Computern zu decken, und natürlich auch daran hat eine Partnerschaft mit NVIDIA, die Ende letzten Monats angekündigt wurde und die sogar größer ist als die AMD-Vereinbarung.

Im Rahmen des NVIDIA-Vertrags wird OpenAI mindestens 10 Gigawatt KI-Rechenzentren bereitstellen, wobei NVIDIA-Systeme Millionen von GPUs für die KI-Infrastruktur der nächsten Technology von OpenAI darstellen. NVIDIA wird seinerseits mit jedem bereitgestellten Gigawatt schrittweise bis zu 100 Milliarden US-Greenback in OpenAI investieren. Die Einführung ist gleichzeitig mit den AMD-basierten Bereitstellungen von OpenAI geplant.

Um die finanziellen Vorteile des OpenAI-Offers zu nutzen, muss AMD nun ein extrem hohes Niveau erreichen. Wie Cutress sagte: „Die Bereitstellung von sechs Gigawatt GPU-Kapazität für Rechenzentren erfordert eine konsistente Foundry-Zuteilung, Substratverfügbarkeit und Speicherversorgung mit hoher Bandbreite über mehrere Jahre hinweg. Dies struggle … (als) … AMD seine mehrjährigen Investitionen in die Stabilität der Lieferkette anführte. Jede Unterbrechung bei Wafer-Begins oder Verpackungskapazitäten, insbesondere da AMD mit NVIDIA und anderen um die CoWoS-Kapazität von TSMC konkurriert, könnte die Erfüllung verzögern.“

Aber AMD hat seit dem Ende seiner schlechten alten Zeiten vor mehr als einem Jahrzehnt, vor so langer Zeit, dass sie aus der Erinnerung verschwunden sind, konstant gute Leistungen erbracht.