Als wir unsere Geschichte veröffentlichten Plankton-Bildgebungsforschung der Oregon State University Im vergangenen November stand die Wissenschaft im Mittelpunkt: KI-beschleunigte Infrastruktur an Bord von Forschungsschiffen verarbeitete Terabytes an Ozeandaten nahezu in Echtzeit, noch bevor das Schiff den Hafen erreichte. Doch in den darauffolgenden Wochen geschah etwas anderes im Stillen. Auf dem Campus sprach es sich herum, was ein einzelner Dell PowerEdge XE7745 mit acht Solidigm D5-P5336 E3.S SSDs und NVIDIA RTX PRO 6000 GPUs tatsächlich leisten kann. Andere Fachbereiche begannen, Fragen zu stellen. Dann begannen sie anzurufen. Christopher Sullivan, Forschungsdirektor und Leiter des akademischen Rechnens am College für Erd-, Ozean- und Atmosphärenwissenschaften der OSU, möchte nun ein Rack dieser Server anschaffen, um den wachsenden KI-Bedarf der Universität zu decken. Und die Geschichte hinter diesem Vorhaben reicht weit über Plankton hinaus.
Die Oregon State University hat sich durch den Einsatz von KI in Forschung und Lehre als eine der fortschrittlichsten Universitäten der USA etabliert. Die aktuellen Infrastrukturentscheidungen auf dem Campus und die Partnerschaften mit Unternehmen wie Metrum AI, Dell, NVIDIA und Solidigm sind mehr als nur akademische Experimente. Sie schaffen die Grundlage für eine neue Art der Lehre, der Leistungsbewertung und des Schutzes der Studierenden. Dies ist die Geschichte der Entwicklung dieses Modells.
Das Problem, das generative KI verschärft hat
Jahrzehntelang waren schriftliche Arbeiten zentraler Bestandteil der akademischen Leistungsbewertung. Man reichte eine Arbeit ein, zeigte Verständnis und erhielt eine Note. Generative KI hat dieses System grundlegend verändert. Heute kann ein Student einen ausgefeilten, gut strukturierten Essay verfassen, ohne sich wirklich mit dem Stoff auseinanderzusetzen, und selbst erfahrene Dozenten können nicht mehr zuverlässig erkennen, ob es sich um eine authentische Arbeit handelt. Der Nachweis echten Verständnisses, auf den sich Universitäten über Generationen hinweg stützten, hat an Bedeutung verloren.
Die naheliegende Alternative ist die mündliche Prüfung. Man bittet die Studierenden, ihre Argumentation laut zu erläutern, ihre Analyse nachzuvollziehen und ihre Schlussfolgerungen zu verteidigen. Das lässt sich kaum vortäuschen. Das Problem ist der Umfang. Ein Professor, der 200 Studierende unterrichtet, kann nicht jedem einzelnen gegenübersitzen und eine ausführliche mündliche Prüfung abnehmen. An der modernen Universität hat diese Einschränkung die mündliche Prüfung als primäres Bewertungsinstrument praktisch verdrängt. Metrum AI wurde entwickelt, um dies zu ändern.
Was Metrum AI entwickelt hat
Metrum KIMetrum, gegründet von CEO Steen Graham und CTO Chetan Gadgil, basiert auf einer einfachen Überzeugung: KI sollte echte operative Aufgaben übernehmen und nicht nur ihr Potenzial demonstrieren. Das Unternehmen setzt multimodale KI-Agenten ein, die Video-, Audio-, Dokumenten- und strukturierte Daten für Kunden aus Branchen von der Versicherungswirtschaft bis zur Fertigungsindustrie analysieren. Metrum pflegt eine enge Partnerschaft mit Dell Technologies und validiert seine Plattformen anhand der Enterprise-Serverinfrastruktur von Dell mit verschiedenen GPU-Konfigurationen. Das akademische Evaluierungssystem an der Oregon State University ist für Metrum keine Neuausrichtung; es nutzt dieselbe grundlegende Technologie für ein neues Anwendungsgebiet und verfolgt dieselbe On-Premise-Designphilosophie mit menschlicher Interaktion, die allen Produkten des Unternehmens zugrunde liegt.
Die Plattform, die im Bereich der akademischen Leistungsbewertung eingesetzt wird, verarbeitet aufgezeichnete studentische Videopräsentationen mithilfe multimodaler KI und liefert den Dozenten Entwurfsbewertungen, die auf Bewertungskriterien abgestimmt sind. Der Nutzen ist klar: Dozenten erhalten einen KI-Partner, der die repetitive und zeitaufwändige Extraktionsarbeit übernimmt, sodass sie sich auf die Beurteilungen konzentrieren können, die tatsächlich menschliche Expertise erfordern.
Auf funktionaler Ebene führt die Plattform drei Operationen aus. Sie extrahiert multimodale Artefakte aus eingereichten Videos, erstellt zeitgestempelte Audiotranskripte mit OpenAI Whisper und erfasst Folieninhalte mittels visueller Analyse mit Qwen3-VL-30B. Anschließend wendet sie von Dozenten erstellte Bewertungsraster auf die extrahierten Inhalte an, wobei Qwen3-30B-A3B-Inferenzmodelle auf vLLM zum Einsatz kommen. Abschließend präsentiert sie Entwurfsbewertungen mit Hinweisen auf die Evidenz, wobei jede Bewertung mit einem spezifischen Zeitstempel im Transkript oder einer Folienkennung verknüpft wird. So können die Dozenten die Bewertung prüfen und genehmigen, bevor sie an die Studierenden weitergeleitet wird.
Dieser letzte Schritt ist entscheidend. Keine Note, kein Kommentar und kein Feedback ist für Studierende sichtbar, bevor ein Dozent sie geprüft, gegebenenfalls angepasst und ausdrücklich freigegeben hat. Das System basiert auf der Autorität der Lehrenden. Zudem wird die Plattform ausschließlich lokal betrieben. Diese Entscheidung beeinflusst die Funktionsweise des Systems, das Vertrauen in das System und die benötigte Hardware.
Vom Nebenprojekt eines Professors zum Auftrag des Prorektors
Jonathan Kalodimos ist außerordentlicher Professor für Finanzen und Harley-und-Brigitte-Smith-Stipendiat am College of Business der Oregon State University. Sein Werdegang ist ungewöhnlich für jemanden, der im Zentrum einer Geschichte über KI-Infrastruktur steht. Vor seiner Tätigkeit an der OSU war er Finanzökonom bei der US-Börsenaufsichtsbehörde (SEC), wo er als leitender Ökonom für Abschnitt 954 des Dodd-Frank Act verantwortlich war. Dieser Abschnitt regelt die Rückforderung von Vorstandsvergütungen. Seine Forschung zu Corporate Governance und Finanzregulierung wurde unter anderem im Wall Street Journal, der New York Times, bei Bloomberg und der Harvard Business Review zitiert. Und wie sich herausstellt, besitzt er den Instinkt eines Physikers für präzise Messungen.
Vor etwa einem Jahr programmierte Kalodimos für seinen MBA-Kurs ein einfaches Tool: einen KI-Agenten zur Bewertung der mündlichen Präsentation von Fallstudien. Die Studierenden waren von der Qualität des Feedbacks beeindruckt. Er präsentierte das Projekt während der KI-Woche an der Oregon State University. Dell wurde darauf aufmerksam, stellte den Kontakt zu Metrum AI her, und aus einem kleinen Experiment im Hörsaal entwickelte sich etwas viel Größeres.
„Sobald man das Werkzeug hat, kann man seinen Lehrstil und seine Lehrmethoden verfeinern, um die Stärken des Werkzeugs zu nutzen und ein besseres Lernerlebnis zu bieten.“
— Jonathan Kalodimos, außerordentlicher Professor für Finanzen und Harley & Brigitte Smith Fellow, Oregon State University
Kalodimos arbeitet an einer, wie er es nennt, evidenzbasierten Extraktion, die auf einem von ihm so beschriebenen Rubrik-Engineering basiert. Dabei geht es darum, die aus einer studentischen Präsentation extrahierbaren Merkmale zu bestimmen, diese zu Lernzielen zusammenzufassen und den Dozenten einen strukturierten Überblick darüber zu geben, wo jeder Studierende Verständnis gezeigt und wo er Lücken aufweist. „Skeptischen Studierenden erkläre ich das so“, sagte er, „als hätte ich eine sehr detaillierte Checkliste und würde Ihre Präsentation durchgehen und die einzelnen Punkte abhaken – genau das macht das System. Natürlich ist es viel komplexer, aber es ermöglicht mir, alle Möglichkeiten zu erkennen, wie der Studierende sein Wissen über den Stoff unter Beweis stellen kann.“
Er nannte zwei Beispiele, die verdeutlichen, was das System in der Praxis verändert. Im ersten Beispiel kürzte ein Student eine zehnminütige Präsentation auf fünf Minuten, sprach monoton und in einem Tempo, als wäre Englisch nicht seine Muttersprache. Seine Vortragsweise verdeckte sein Verständnis völlig. „Obwohl ich aufmerksam zuhörte“, sagte Kalodimos, „konnte oder wollte ich die Inhalte einfach nicht so detailliert analysieren, um mich auf die eigentlichen Beweise zu konzentrieren.“ Als er später die KI-generierte Beweisanalyse in 15-Sekunden-Abschnitten durchging, wurde deutlich, dass der Student den Stoff verstanden hatte. Bewertet worden war die Vortragsweise, nicht das Wissen.
Der zweite Fall betraf einen Studenten, der seine Präsentation langsam und mit scheinbar zusammenhanglosen Folien aufbaute und die Argumentation erst auf der letzten Folie zusammenfasste. Kalodimos, der die Präsentation live verfolgte, hatte sich bereits eine negative Meinung gebildet. Das System bewertete die Arbeit jedoch als in sich abgeschlossenen Prozess und gab ihr eine gute Note. „Ich hätte gar nicht gedacht, dass das ein Vorteil dieser Bewertungsmethode sein würde“, sagte er. „Dadurch rückt der Zeitfaktor bei der Bewertung in den Hintergrund.“
Christopher Sullivan, Direktor für Forschung und akademisches Rechnen, leitet die Infrastrukturimplementierung. Sein Engagement verstärkte sich, als im ursprünglichen Design von Metrum und Dell eine kritische Lücke in der Konformität auftrat.
FERPA, Datensouveränität und warum die Cloud nicht die Lösung ist
Als Sullivan mit dem Aufbau der On-Premises-Implementierung der Metrum-Plattform an der OSU beauftragt wurde, stieß er als erstes auf ein Problem, das noch niemand vollständig gelöst hatte: den Family Educational Rights and Privacy Act (FERPA).
FERPA ist das Bundesgesetz, das den Schutz von Schülerdaten regelt. Es legt strenge Anforderungen fest, wer unter welchen Bedingungen auf Schülerdaten zugreifen darf und wie diese geschützt werden müssen. Für ein System wie das von Metrum, das Schülervideos verarbeitet, Zeugnisse erstellt, Bewertungen generiert und die vollständige Historie jeder Benotungsentscheidung speichert, ist die Einhaltung von FERPA keine bloße Pflichterfüllung, sondern eine architektonische Anforderung.
„Wir brauchten eine lokale Lösung, die alle meine FERPA-Vorgaben erfüllte“, sagte Sullivan, „und gleichzeitig über viel Speicherplatz verfügte.“ Cloud-Verarbeitung war mit dieser Anforderung nicht vereinbar. Die Weiterleitung von Videodateien, Audiotranskripten und Bewertungsunterlagen von Studierenden über externe KI-APIs hätte bedeutet, personenbezogene Daten von Studierenden an Drittsysteme außerhalb der direkten Kontrolle der Universität zu übermitteln. Die vertragliche und technische Komplexität, die mit der Einhaltung der FERPA-Vorgaben in dieser Umgebung und bei jedem einzelnen Anbieter entlang der Kette verbunden gewesen wäre, machte diese Lösung unbrauchbar.
Es gibt auch eine praktische Dimension für die Studierenden. Studierende, die aufgezeichnete Präsentationen einreichen, geben etwas Persönliches preis: ihre Stimme, ihr Gesicht, ihre Argumentation unter Druck, manchmal in ihrer Fremdsprache. Wenn sie verstehen, dass ihr Video auf einem OSU-Server gespeichert, von einem auf OSU-Hardware laufenden Modell verarbeitet und den Datenschutzrichtlinien der OSU unterliegt, ändert sich die Dynamik. Kalodimos erlebte dies direkt während des Pilotprojekts. „Die Vorstellung, dass es sich um ein lokales Modell mit lokalem Speicher handelt und die OSU die Studierenden unterstützt“, sagte er, „war deutlich spürbar. Wir müssen das institutionelle Vertrauen, das die OSU aufgebaut hat, nutzen, unsere Studierenden schützen und diese On-Premise-Lösungen optimal einsetzen.“
Cloud-KI-Plattformen lassen sich einfach und schnell implementieren, doch Institutionen müssen dabei eher einem Vertrag als der Architektur selbst vertrauen. Für Studierende, die ohnehin schon skeptisch gegenüber dem Umgang mit ihren Daten sind, kann diese Unterscheidung ihre Akzeptanzbereitschaft erheblich beeinflussen. Die Implementierung vor Ort dient nicht nur der Einhaltung von Vorschriften, sondern schafft auch eine Vertrauensbasis.
Der Pilot, der Prorektor und was als Nächstes an der OSU kommt
Das Pilotprojekt läuft. Rund 500 Studierende aus verschiedenen Kursen reichen zum Ende der Prüfungsphase ihre Abschlussarbeiten ein. Die bewerteten Arbeiten müssen innerhalb von vier Tagen nach der letzten Abgabefrist eingereicht werden. Die KI-generierten Berichte müssen fertig sein, bevor die Dozenten mit der Bewertung beginnen. „Es gibt zwar auch eine menschliche Komponente, die parallel arbeitet“, bemerkte Kalodimos, „aber die benötigten Berichte zuerst. Wenn die Bearbeitung aller Arbeiten zwei Tage dauert, wird die menschliche Komponente noch stärker beansprucht.“ Der Druck ist groß, die Frist ist festgelegt, und die Infrastruktur funktioniert.
Das Pilotprojekt hat noch etwas anderes Bemerkenswertes zutage gefördert. Als ein Professor kürzlich mitten im Semester in eine administrative Position befördert wurde, musste kurzfristig ein Dozent einspringen und den Kurs beenden. Ein bereits etabliertes, konsistentes KI-gestütztes Bewertungssystem mit definierten Bewertungskriterien und einem festgelegten Überprüfungsprozess ermöglichte diesem Dozenten eine Kontinuität, die sonst nicht gegeben gewesen wäre. „Ein konsistentes KI-Bewertungssystem“, so Kalodimos, „wird die Lernerfahrung der Studierenden genau in solchen Situationen verbessern“, in denen die Kontinuität des Unterrichts durch einen Dozenten nicht gewährleistet werden kann.
Die Geschichte erreichte schließlich den Prorektor der OSU. Kalodimos präsentierte das gesamte System – das Dell-System, die Leistung des Solidigm-Speichers, die Entwicklerfunktionen und die Infrastruktur-Benchmarks – in einem Meeting, das eigentlich nur zehn Minuten dauern sollte. Es dauerte vierzig Minuten. Der Prorektor informierte daraufhin den CIO, den CTO und Sullivan per E-Mail. Die OSU plant nun eine universitätsweite Einführung, um die Ressource ab dem Frühjahrssemester allen Fakultätsmitgliedern zur Verfügung zu stellen. Die Verwaltung übernimmt ein neu eingerichtetes Büro für Forschungsinformatik, das dem Prorektor und dem Forschungsreferat unterstellt ist.
Sullivan plant die Implementierung einer Rack-basierten Infrastruktur. Die XE7745-Plattform, die bereits die Grundlage für die Plankton-Bildgebung bildete und nun die Metrum-KI-Evaluierungspipeline antreibt, soll als Basis für die Skalierung dienen. Ziel ist ein Rack mit diesen Servern, das je nach Bedarf flexibel zwischen akademischer und Forschungs-Rechenlast wechseln kann. Idealerweise würden die Server während der Prüfungsspitzen der Metrum-Evaluierungspipeline zugeordnet und in ruhigeren Phasen des akademischen Jahres für Forschungsprojekte eingesetzt. „Wir können einzelne Maschinen aus diesem Bestand für eine gewisse Zeit in die akademische Rechenumgebung integrieren und sie anschließend wieder für die Forschung nutzen“, so Sullivan. „Wir wollen sie flexibel und bedarfsgerecht umverteilen können.“
Die organische Verbreitung hat bereits begonnen. Dozenten der Fakultät für Gesundheitswissenschaften und der Fakultät für Ingenieurwissenschaften haben unabhängig voneinander Kontakt zu Kalodimos aufgenommen, nachdem sie über informelle Kanäle von dem Projekt erfahren hatten. Die Plattform wurde über die Pilotphase hinaus nicht offiziell angekündigt. Sie hat dennoch ihre Nutzer gefunden.
Das Kapazitätsproblem hinter dem Bewertungsproblem
Es gibt eine Version dieser Geschichte, in der es nur um die Beschleunigung der Benotung geht. Das ist eine unvollständige Sichtweise.
Die ausführlichere Version betrifft die Kurskapazität. Sullivan beschrieb einen Geologiekurs der Stufe 100, einen Kurs, den die OSU als Teil ihrer zentralen Bildungsmission betrachtet und den jeder Studierende belegen soll. Derzeit gibt es zwei Kurse mit je 300 Studierenden, insgesamt also 600 pro Semester. Die Dozenten sind am Limit. Zusätzliche Kurse sind angesichts der aktuellen Lehrbelastung nicht realisierbar. „Ich kann den Dozenten nicht noch mehr Arbeit zumuten“, sagte Sullivan. „Ich muss Wege finden, entweder durch eine Reduzierung der Lehrbelastung mehr Kurse anzubieten oder die bestehenden Kurse aufzustocken.“
Kalodimos beschrieb die Dimension des College of Business ähnlich. Professoren, deren Kurse aus Brandschutzgründen auf 45 Studierende begrenzt sind, hätten die Möglichkeit, größere Vorlesungsformate mit Breakout-Räumen zu erproben, sobald die individualisierte Bewertung skalierbar sei. „Es geht nicht nur darum, die Hörsäle zu füllen“, sagte er. „Es geht darum, die Qualität zu erhalten und gleichzeitig verschiedene Lehrformen zu erproben.“ Die KI-gestützte Bewertungsebene ermöglicht die individualisierte Bewertung im Hörsaalmaßstab.
„Die KI hilft uns dabei, die Zahlen zu erhöhen, ohne die Wirkung, die Botschaft oder die gewonnenen Erkenntnisse zu verändern.“
— Christopher Sullivan, Direktor für Forschung und akademisches Rechnen, Oregon State University
Der Stauraum war das fehlende Puzzleteil
Als Sullivan den Aufwand für die Implementierung des Metrum-Systems vor Ort an der OSU unter vollständiger Einhaltung der FERPA-Richtlinien prüfte, war die GPU-Komponente bereits vorhanden. Die Referenzarchitektur von Metrum und Dell hatte gezeigt, dass der XE7745 mit NVIDIA RTX PRO 6000 GPUs die Inferenzlast in großem Umfang bewältigen konnte. Ungeklärt blieb jedoch die Speicherlösung.
Das XE7745 ist eine luftgekühlte 4U-Plattform, die für hohe GPU-Dichte optimiert ist. Diese Bauweise ist ihre Stärke, bringt aber auch eine Einschränkung mit sich: Die Anzahl der Laufwerksschächte ist begrenzt. „Ich musste viel Platz in einem einzigen Gerät unterbringen, ohne Kompromisse bei der Geschwindigkeit einzugehen“, sagte Sullivan, „denn ich wollte den Wert der GPUs und alles, was das XE7745 ausmacht, nicht verlieren. Und es gab nicht viele SSD-Lösungen mit hoher Kapazität, die das in einem Gehäuse ermöglichten.“
Die Speicherschicht eines solchen Systems trägt mehr als nur die primäre KI-Last. Videodateien aus dem Studierendenportal müssen sofort zwischengespeichert werden. Extrahierte Audiospuren und zeitgestempelte Transkripte werden als separate Artefakte zur Überprüfung durch die Dozenten gespeichert. Folienbilder und OCR-Ausgaben belegen eine eigene Speicherebene. Die Supabase-Datenbank, die Metadaten zu Einreichungen, Entwürfe von Bewertungen, Änderungen durch Dozenten und Genehmigungen erfasst, läuft kontinuierlich. Modellgewichte für Whisper, Qwen3-VL und das Inferenzmodell müssen schnell genug geladen werden, um Engpässe bei der Inferenz zu vermeiden. Und der vollständige Prüfpfad für jeden KI-generierten Entwurf, jede Änderung durch Dozenten und jede Genehmigung muss als abfragbarer Datensatz für Akkreditierungsprüfungen, Untersuchungen zur akademischen Integrität und administrative Berichte gespeichert werden.
Alle diese Arbeitslasten werden auf dem Speicher verarbeitet. Die GPU erhält die Anerkennung für die KI-Ausgabe. Der Speicher sorgt dafür, dass die GPU kontinuierlich mit Strom versorgt wird und arbeitet.
Sullivans Team wählte die Solidigm D5-P5336 im E3.S-Formfaktor. Der XE7745 beherbergt acht dieser Laufwerke. Bei 30.72 TB pro Laufwerk ergibt das über 245 TB Flash-Speicher in einem einzigen 4U-Gehäuse. Die D5-P5336 verwendet QLC-NAND mit Enterprise-Firmware, die für dauerhafte Schreibleistung und Datenintegrität optimiert ist. Dies ist hier wichtig, da das System keine sporadischen Datenspitzen verarbeiten kann. Während der Prüfungsphasen mit hohem Datenaufkommen verarbeitet es gleichzeitig Videos, erstellt Transkripte, protokolliert die Bewertungsergebnisse und aktualisiert die Datenbank.
Wie wir in unserem Bericht über die Meeresforschung mit derselben Hardwarekonfiguration dokumentiert haben, lieferten die Solidigm-Laufwerke im RAID-10-Verbund eine konstant hohe Lese- und Schreibleistung, ohne hinter der Verarbeitungskette zurückzubleiben. Der Speicher war nicht der Flaschenhals. Die Architektur legte die tatsächlichen Einschränkungen der Arbeitslast offen, sodass das Team diese gezielt optimieren konnte. Diese bestätigte Erkenntnis lässt sich direkt in die akademische Evaluierung einbringen.
Die OSU als Vorbild für eine KI-fähige Hochschulbildung
Der Ansatz der Oregon State University zur KI-Infrastruktur ist durchdacht und als Vorbild für andere Bildungseinrichtungen vorbildlich. Anstatt KI-Tools opportunistisch über Cloud-APIs einzusetzen, hat die Universität eine Reihe architektonischer Entscheidungen getroffen, die KI als dauerhafte institutionelle Kompetenz und nicht als Dienstleistung eines externen Anbieters betrachten. Die Hardware ist auf standardisierten Plattformen aufgebaut, die Forschungs- und akademische Rechenlasten abdecken. Der Speicher ist lokal, hochdicht und von Grund auf konform. Die Fakultäten behalten die endgültige Entscheidungsgewalt über alle vom System erstellten Auswertungen.
Kalodimos betont ausdrücklich, dass die Plattform über die OSU hinaus Verbreitung finden soll. „Nicht jede Universität verfügt über so gute Ressourcen wie wir“, sagte er. „Ich möchte sicherstellen, dass diese Technologie allen Universitäten zur Verfügung steht.“ Diese Grundlage verleiht dem umfassenderen Argument für Bildungsgerechtigkeit Glaubwürdigkeit. Ein Dozent an einer kleineren Hochschule mit höherer Lehrbelastung und weniger Ressourcen benötigt dieses Werkzeug wohl am dringendsten.
„Ich brauche Speicherplatz, und dieser Speicherplatz muss schnell sein. Ohne Speicherplatz ist KI eine tote Technologie. Es ist ein datengetriebenes System. Die Algorithmen hatten wir bereits in den 1960er und 70er Jahren. Wir hatten aber keine Daten, um sie anzuwenden, weil wir keinen Speicherplatz hatten, um diese Daten zu speichern.“
— Christopher Sullivan, Direktor für Forschung und akademisches Rechnen, Oregon State University
Sullivan geht bei der Hardwareplanung genauso vor wie bei jeder anderen Infrastrukturentscheidung an der OSU. Modelle werden sich ändern. Die Beiträge der Studierenden werden sich weiterentwickeln. Die von den Dozenten eingesetzten Evaluierungsmethoden werden immer ausgefeilter. „Ich werde mir eine größere Gabel, ein größeres Messer oder einen größeren Löffel besorgen“, sagte er, „aber hardwareseitig bleiben es Gabel, Messer und Löffel. Ich werde die Modelle und die Inputfaktoren in den kommenden Jahren grundlegend verändern, und mir ist es im Moment wichtiger, dass die Hardware diesen Entwicklungen immer einen Schritt voraus ist.“
Jedes verarbeitete Transkript, jede extrahierte Folie, jeder Entwurf einer Bewertung, jede genehmigte Note und jeder Prüfbericht muss irgendwo gespeichert werden. In diesem System befinden sich 245 TB Solidigm QLC-Flashspeicher in der Infrastruktur der OSU, die im Hintergrund die Arbeit verrichten, die die sichtbare KI erst ermöglicht. Das von Sullivan geplante Rack wird nicht das letzte sein. Die Universität beobachtet die Ergebnisse dieses Pilotprojekts, und andere Institutionen werden die Entwicklung der OSU genau verfolgen. Das bedeutet, führend im Bereich KI zu sein.
Amazon