Lerne Sprachen natürlich mit frischen, authentischen Inhalten!

Beliebte Themen
Nach Region erkunden
Fast die Hälfte der Unternehmen verschwendet Millionen auf zu wenig genutzte GPUs trotz Kostenbedenken, was Werkzeuge wie ClearML dazu veranlasst, die Effizienz durch fraktionelle GPU-Sharing zu steigern.
Ein neuer ClearML-Bericht zeigt, dass fast die Hälfte der Unternehmen Millionen durch unzureichende GPU-Kapazität verschwendet, obwohl sie in den Jahren 2025–2026 Kostenkontrolle und Effizienz priorisieren.
Während 35 % darauf abzielen, die GPU-Auslastung zu verbessern, verlassen sich 44 % weiterhin auf manuelle Arbeitslastzuweisungen oder fehlen formale Strategien, was zu Verzögerungen bei der KI-Entwicklung führt.
Das Kostenmanagement ist die größte Herausforderung für 53 %, und die Verwaltung von Daten, Modellen und Berechnungen ist für viele eine zentrale Priorität.
Zur Behebung von Ineffizienzen hat ClearML die Unterstützung für fraktionelle GPU-Partitionierung auf AMD Instinct GPUs erweitert, wodurch mehrere Workloads gleichzeitig auf einer einzigen GPU mit automatisierter, zentralisierter Verwaltung ausgeführt werden können.
Die silizium-agnostische Plattform verbessert die Ressourceneffizienz, reduziert die Leerlaufkapazität und unterstützt heterogene Umgebungen – und hilft Unternehmen dabei, den ROI zu maximieren, ohne die Infrastrukturkosten zu erhöhen.
Nearly half of enterprises waste millions on underused GPUs despite cost concerns, prompting tools like ClearML to boost efficiency via fractional GPU sharing.