Nicht zuletzt wegen des Fachkräftemangels steht die Automatisierung mittels Robotic Software Automation, kurz RPA, in den Unternehmen hoch im Kurs. Doch leider können Softwareroboter weniger gut mit Veränderungen umgehen als Menschen. Die Kombination mit künstlicher Intelligenz und Low-Code verspricht Abhilfe.

Für viele Anwender eine große Herausforderung: Die möglichst genaue Prognose der Kosten für das Hosten von Workloads in Kubernetes. Wie lassen sich Cloud-Ressourcen für CPU und Arbeitsspeicher möglichst genau planen?

Programmieren erfordert unterschiedlichste Fertigkeiten. Neben dem Konzipieren und Planen einer App müssen Developer und Teams auch die technische Umsetzbarkeit und Korrektheit im Blick behalten. No-Code kann diesen Prozess rationalisieren.

Cisco gründet mit acht weiteren Tech-Firmen ein Konsortium, um die Auswirkungen von Künstlicher Intelligenz auf die Tech-Beschäftigten zu untersuchen. Des Weiteren sollen Möglichkeiten für Umschulungen und Weiterbildungen erschlossen werden.

Snowflake hat mit „Arctic“ ein Large Language Model für Generative KI vorgestellt. Es ist quelloffen und soll sich besonders für „Enterprise Intelligence“ eignen. Es sei besonders effizient und leistungsfähig im Generieren von Programmcode und SQL-Abfragen.

Appian kooperiert mit Amazon Web Services, um Künstliche Intelligenz in Geschäftsprozessen zugänglicher zu machen. Die Integration ausgewählter AWS-Dienste in die eigene Plattform ermögliche es, generative KI direkt in Appian-Anwendungen zu nutzen und anwendungsspezifisch anzupassen.

Einer der wichtigsten neuen Player im KI-Umfeld ist zwei weitere Kooperationen eingegangen, um seine parallele Architektur noch weiter zu verfeinern: Supermicro und Nvidia helfen Vast, aus Supercomputern „KI-Maschinen“ zu machen und im Rechenzentrum Computing und Storage noch dezidierter zuzuweisen.

JetBrains hat mit den „IDE Services“ eine Suite aus fünf frei kombinier- und abonnierbaren Produkten vorgestellt. Diese sollen für eine bessere Developer Experience, automatisierte Prozesse, Teamarbeit und Ressourcen-Planung sowie mehr Standardisierung sorgen.

Pruning und Sparsification sind Schlüsseltechnologien, wenn Unternehmen entscheiden, ob und wie sie KI einsetzen. Sie verschlanken Algorithmen und schonen so Ressourcen. Schlanke Systeme kann man eher im eigenen Rechenzentrum betreiben. Man ist dann nicht auf die Serverfarmen der Hyperscaler angewiesen. Und sicherer als in den USA sind die zugehörigen Daten hier auch.

Die Rechenzentrumsmärkte wachsen weltweit weiter signifikant. Ein Motor des Expansionstrends ist die zunehmende Nutzung Künstlicher Intelligenz. Trotz des Booms und guter Auslastung stehen die Rechenzentrumsbetreiber auch vor Herausforderungen.