Die von iX und dpunkt.verlag ausgerichtete Online-Konferenz Mastering GitOps geht in die heiße Phase der Anmeldung: Bis einschließlich 3. Juni 2026 sind noch Tickets zum Frühbucherpreis von 249 Euro (zzgl. Mehrwertsteuer) erhältlich. Die eintägige Veranstaltung am 25. Juni 2026 richtet sich an Softwareentwicklerinnen und Softwareentwickler, DevOps Engineers sowie Plattform-Teams, die ihre Deployment-Pipelines belastbarer, sicherer und nachvollziehbarer aufstellen wollen. Der Fokus liegt unter anderem auf der Automatisierung und Skalierung von GitOps.

Vom Deployment-Werkzeug zum Fundament des Platform Engineering

Inhaltlich nimmt das Programm die Entwicklung von GitOps zum tragenden Betriebsmodell für Platform Engineering, Multi-Cluster-Setups und Progressive Delivery in den Blick. Tools wie Argo CD, Flux, Kargo, Pulumi und Crossplane bilden weiterhin das Rückgrat moderner GitOps-Stacks, ergänzt um Ansätze wie Policy-driven GitOps.

Den Auftakt übernimmt Artem Lajko, Head of Platform Engineering bei iits consulting, mit einer Bestandsaufnahme der GitOps-Evolution – von der schlanken deklarativen Deployment-Strategie hin zum zentralen Baustein moderner Developer Platforms. Regina Voloshin von Octopus Deploy, Maintainerin von Argo CD, widmet sich in ihrem Vortrag „Eliminating Hidden Argo CD Pitfalls in Your GitOps Workflow“ den typischen Fallstricken beim produktiven Einsatz: Skalierungsprobleme in großen Multi-Cluster-Umgebungen, sicheres Secrets-Management und der Umgang mit Konfigurationsdrift, also den Abweichungen zwischen tatsächlichem Cluster-Zustand und dem in Git deklarierten Soll-Zustand.

Autopilot, schnellere Previews und Rendered Manifests

Thorsten Wussow (Slix) zeigt, wie sich GitOps mit dem Flux Operator in den Autopilot-Modus überführen lässt. Dag Bjerre Andersen (Egmont) und Sergey Shevchenko (TangoMe) demonstrieren in einem gemeinsamen Talk, wie sich die Vorschau von Pull-Request-Änderungen mit Argo CD spürbar beschleunigen lässt.

Christian Hernandez von Cisco befasst sich mit dem Rendered-Manifests-Pattern in Verbindung mit OCI-Registries. Statt Helm-Charts oder Kustomize-Overlays erst zur Laufzeit aufzulösen, werden fertige Kubernetes-Manifeste vorab gerendert und als unveränderliche Artefakte in OCI-Registries abgelegt. Damit entfallen Laufzeit-Mutationen durch Argo CD, und es entsteht eine eindeutige Single Source of Truth. Seit Argo CD 3.1 werden OCI-Registries nativ unterstützt – ein Plus für Nachvollziehbarkeit, Auditierbarkeit und Team-Kollaboration.

Praxisbericht von Zeiss: DORA-Metriken in Backstage

Wie sich GitOps in einem Industriekonzern skalieren lässt, schildert Alexander Troppmann von Carl Zeiss. Sein Team betreibt Argo CD in einer Multi-Tenant-Architektur als Kern des konzernweiten Platform-Engineering-Projekts. Die DORA-Kennzahlen Deployment Frequency, Lead Time for Changes, Change Failure Rate und Failed Deployment Recovery Time laufen in Backstage als Single Source of Truth zusammen und werden über Custom Tooling in die GitOps-Welt überführt. Auf diese Weise messen die Entwicklungsteams ihre Deployment-Performance kontinuierlich und behalten zugleich die Plattformkosten im Blick.

Bis 3. Juni 2026 noch Frühbuchertickets sichern

Wer noch ein Ticket zum Frühbucherpreis von 249 Euro buchen möchte, hat bis 3. Juni 2026 Zeit, danach kostet es 299 Euro (jeweils zzgl. MwSt.). Teams ab drei Personen profitieren von Gruppenrabatten. Wer über den Fortgang der Konferenz Mastering GitOps auf dem Laufenden bleiben möchte, kann sich auf der Website für den Newsletter registrieren. Der aktuelle Hashtag auf Social Media lautet #masteringgitops.

(map)

Amin Vahdat trägt den offiziellen Titel Chief Technologist für KI und Infrastruktur bei Google. Damit ist er nicht nur für den Compute-Bereich zuständig, der die Cloud-KI-Infrastruktur einschließt. Er kümmert sich auch um das Design von Googles internem und externem Netzwerk, die zahlreichen Rechenzentren und die dort verwendeten Plattformarchitekturen – von den eingekauften GPUs und anderen Beschleunigern über die Server bis zu Googles hauseigenen KI-Chips.

Die Tensor Processing Units (TPUs) haben in den vergangenen zehn Jahren acht Generationen durchlaufen. Die neueste Generation besteht aus zwei Varianten und wurde im April vorgestellt. Im Interview mit heise online spricht der promovierte Informatiker Vahdat, der seit 16 Jahren bei Google arbeitet und davor unter anderem Professor an der University of California in San Diego war, über Googles KI-Hardware.

heise online: Herr Vahdat, Sie haben jetzt erstmals spezielle TPU-Varianten für das Training (8t) und die Inferenz (8i). Was genau macht die neuen TPUs aus diesem Jahr besser als die alten?

Amin Vahdat: Mit unserer achten TPU-Generation haben wir uns vom Konzept eines einzelnen, generischen Beschleunigers gelöst, weil wir überzeugt sind, dass sich die physikalischen Gegebenheiten von KI-Workloads grundlegend verändert haben.

„Ein einzelner Prompt kann mittlerweile Tausende autonomer Sub-Agenten anstoßen, die dann wiederum mehrstufige Aufgaben ausführen.“

Für das Training von Frontier-Modellen erreicht die TPU 8t jetzt 121 ExaFlops pro Pod und hält einen Goodput von 97 Prozent aufrecht, sodass die Rechenleistung direkt ins aktive Lernen fließen kann. Auf der Serving-Seite verdreifacht die TPU 8i den On-Chip-SRAM auf 384 MB, um den massiven Working-Memory-Bedarf von Agenten direkt auf dem Silizium vorzuhalten. Mit unserer neuen Collectives Acceleration Engine platzieren wir die richtige Menge an Rechenleistung direkt im Netzwerkpfad. Dabei senken wir die interne Latenz um bis zu Faktor fünf und erzielen sehr geringe Antwortzeiten bei komplexem Reasoning.

Solche Verbesserungen zeigen, wie wir das Hochskalieren von KI für Unternehmen durch integrierte Lösungen wirtschaftlich machen können. Das liefert für alle Workloads von vorne bis hinten Verbesserungen.

Sie haben also die Chip-Typen verändert und auch die Namen. Was steckt strategisch dahinter?

Hardware-Entwicklungszyklen dauern bekanntlich Jahre, also mussten wir die Marktentwicklung vorausplanen, noch bevor der aktuelle Boom einsetzte. Wir haben geschätzt, dass die Branche bis 2026 an eine Weggabelung kommen würde, bei der Inferenz- und Serving-Workloads einen erheblichen Anteil der Nachfrage ausmachen.

Wir haben die Architektur daher in zwei spezialisierte Systeme aufgeteilt, weil wir gesehen haben, dass die Workloads für das Training riesiger Modelle und den Betrieb von Echtzeit-KI-Agenten auseinanderlaufen und jeweils angepasste Technologien benötigen. Das „t“ in TPU 8t steht, wie Sie bereits erwähnt haben, für Training, das eine massive Skalierung und hohen Durchsatz für die Entwicklung von Frontier-Modellen erfordert. Das „i“ in TPU 8i steht für Inferenz, die schnelle Verarbeitung mit niedriger Latenz für komplexe Reasoning-Aufgaben verlangt. Dieser Ansatz gibt uns und Kunden die Flexibilität, genau die Hardware auszuwählen, die für ihre spezifischen Workloads optimal ist.

Warum sind solche spezialisierten Chips überhaupt notwendig?

Der Übergang von einfachen Chatbots zu agentischer KI bedeutet, dass ein einzelner Prompt mittlerweile Tausende autonomer Sub-Agenten anstoßen kann, die dann wiederum mehrstufige Aufgaben ausführen. KI-Agenten, die planen, Aufgaben ausführen und lernen, müssen sich auf die Latenz einzelner Operationen konzentrieren können – nicht auf den Durchsatz, der sich erzielen lässt, wenn viele Einzeloperationen gebündelt verarbeitet werden. Historisch hatten wir Hardware für diesen letzteren, durchsatzorientierten Fall optimiert, bei einer grundlegenden Unterstützung für latenzoptimierte Inferenz.

Mit TPU 8i und TPU 8t haben wir die Spezialisierung konsequent weitergetrieben. Auch wenn die TPU 8t als sehr guter Inferenz-Chip dienen könnte, konzentrierten sich alle unsere Optimierungen auf Leistungseffizienz und Skalierung für das Training. Ebenso kann die TPU 8i eigentlich auch als sehr guter Trainings-Chip fungieren, aber alle unsere architektonischen Innovationen zielten auf Inferenz-Latenzoptimierungen. TPU 8i und 8t zeigen, wie wir das grundlegende Compute-Fabric so umbauen, dass Energie- und Skalierungsherausforderungen gelöst werden, an denen generische Infrastruktur zunehmend scheitert.

Meta arbeitet laut einem Bericht an mehreren neuen KI-Brillen und einem KI-Anhänger, die dazu beitragen sollen, die hohen Verluste seines Zukunftslabors Reality Labs einzudämmen. Neben dem Verkauf der Geräte wolle Meta diese auch über damit verbundene KI-Dienste monetarisieren. Das geht aus einem internen Memo hervor, über das The Information berichtet.

Die erste neue KI-Brille mit dem Codenamen „Modelo“ soll dem Bericht zufolge bereits im Juni erscheinen. Im Herbst sollen die Modelle „Luna“ und „RBM2 Refresh“ folgen, bevor im Dezember eine vierte KI-Brille mit dem Codenamen „Mojito VIP“ auf den Markt kommen soll. Darüber hinaus teste Meta interne Prototypen mit den Bezeichnungen „Artemis“ und „SSG“ („Supersensing Glasses“), die zu einem späteren Zeitpunkt erscheinen könnten.

Bei „Artemis“ handelt es sich vermutlich um Metas erste kommerzielle AR-Brille. Hinter „SSG“ könnte dagegen eine KI-Brille stecken, deren Kameras und KI-Systeme die Umgebung kontinuierlich erfassen und analysieren und die eine eingeschränkte Form der Gesichtserkennung unterstützen könnte. Das legt ein früherer Bericht von The Information nahe.

Der neuen Meldung zufolge plant Meta auch mit internen Tests eines KI-Anhängers im kommenden Frühjahr. Dem Memo zufolge könnte das Gerät über eine Kamera verfügen, weitere Angaben zu Ausstattung, Funktionen oder Design enthält das Dokument jedoch nicht. Meta hat im vergangenen Jahr das Start-up Limitless übernommen, das einen KI-Anhänger entwickelte.

Meta setzt auf breites Portfolio und KI-Abos

Laut des internen Schreibens hat Meta ambitionierte Ziele für sein Wearables-Geschäft. In der zweiten Jahreshälfte will das Unternehmen demnach zehn Millionen Wearables verkaufen. Zum Vergleich: Im gesamten vergangenen Jahr setzte Meta sieben Millionen KI-Brillen ab. Erreicht werden soll die neue Zielmarke durch neue Produkte und eine Ausweitung des Verkaufs auf weitere Länder.

Weitere Einnahmen sollen durch mit den Wearables verbundene KI-Dienste erzielt werden. „Um ein nachhaltiges Geschäft aufzubauen, das nicht allein von Hardwaremargen abhängt, müssen wir die Softwaredienste monetarisieren, die unsere Geräte von der Konkurrenz abheben“, schreibt Alex Himel, Metas Vice President of Wearables, in dem Memo.

Die Strategie ziele unter anderem darauf ab, die Nutzung von Metas KI-Modellen zu steigern und durch kostenpflichtige Meta-AI-Abonnements wiederkehrende Einnahmen zu erzielen. Die Wearables sollen auf Metas aktuellem KI-Modell Muse Spark sowie weiteren geplanten Modellen basieren. Ergänzt werden sollen diese durch einen noch nicht veröffentlichten KI-Agenten namens Hatch, der sich an Endkunden richtet. Bis zum Jahresende strebe Meta 6,8 Millionen monatlich aktive Nutzer seiner Wearables an.

Die nächste große Wette: KI-Wearables

Der Handlungsdruck ist hoch, denn Meta verliert mit Reality Labs, der Sparte für VR-Headsets, Smart Glasses und zugehörige Software, jedes Jahr zweistellige Milliardenbeträge. Trotz immenser Investitionen erwirtschaftet die Hardware-Sparte bislang nur vergleichsweise geringe Umsätze.

Nachdem der große Durchbruch von VR-Brillen bislang ausgeblieben ist und entsprechende Investitionen jüngst zurückgefahren wurden, hofft Meta nun, dass Smart Glasses zum bevorzugten Endgerät für KI-Assistenten werden.

In diesem Bereich wartet jedoch bereits die Konkurrenz: Google will gemeinsam mit mehreren Partnern im Herbst erste KI-Brillen auf den Markt bringen, während Apple für das kommende Jahr entsprechende Produkte vorbereiten soll. Auch OpenAI arbeitet an KI-Gadgets, darunter womöglich Smart Glasses.

(tobe)