KI- und 5G-Lösungen in der Hybrid- und Multi-Cloud​

Red Hat und NVIDIA kooperieren bei der RAN (Radio Access Network)-Bereitstellung auf Industriestandard-Servern in Hybrid- und Multi-Cloud-Umgebungen. Red Hat OpenShift unterstützt jetzt NVIDIAs konvergierte Beschleuniger, das NVIDIA Aerial SDK für softwaredefinierte 5G vRANs (virtual Radio Access Networks) und KI-Anwendungen – in privaten Rechenzentren, in mehreren Public Clouds oder an der Netzwerk-Edge. Nutzer erhalten so eine Composable Infrastructure, mit der sie die Datenanforderungen rechenintensiver Anwendungen in den Bereichen Edge Computing, Private 5G oder KI optimal erfüllen können, verbunden mit  einem schnelleren Return on Investment.

Eine Composable Infrastructure unterstützt bei der Optimierung des Ressourceneinsatzes  und der vorhandenen IT-Umgebungen, da weder eine spezialisierte, platzraubende Hardware noch eine besondere Software benötigt werden. Die GPUs, DPUs und konvergierten Beschleuniger von NVIDIA, die eine NVIDIA Ampere GPU mit einem NVIDIA BlueField-2 in einem einzigen hochperformanten Paket kombinieren, können traditionelle CPUs entlasten, indem sie Rechen-, Speicher- und Netzwerkressourcen disaggregieren. Durch die Isolierung infrastrukturlastiger Bereiche können Aufgaben schneller und mit größerer Sicherheit ausgeführt werden.

Durch den Support von Red Hat profitieren Nutzer unter anderem von

• geringeren TCO durch die Reduzierung der Gesamtsystemkosten im Zusammenhang mit der Bereitstellung und Wartung von RAN und KI
• beschleunigten Netzwerkimplementierungen in der Hybrid- und Multi-Cloud, wodurch die Voraussetzungen für Mandantenfähigkeit und RAN-as-a-Service geschaffen werden
• einer Composable Infrastructure, die den Bedarf an spezialisierter Hardware verringert und in Kombination mit Red Hat Enterprise Linux niedrige Latenzzeiten und eine verbesserte Konsistenz bietet
• einer Konnektivität für Milliarden von Geräten, wobei die Reichweite von KI-Funktionen und -Anwendungen auf alle Geräte an der Ege ausgedehnt wird
• einer schnelleren Umsetzung zusätzlicher Anwendungsfälle, einschließlich Multi-Access Edge Computing (MEC), autonomem Fahren oder industriellen und landwirtschaftlichen Systemen, indem KI und Maschinelles Lernen an der Edge einsetzbar sind.