Hugging Face erweitert seinen Hub um Storage Buckets – eine dedizierte Objektspeicher-Lösung, die professionellen Teams endlich eine flexible Alternative zu Git-basierten Repositories bietet und den Weg zu schlankeren MLOps-Architekturen ebnet.
Hugging Face führt Storage Buckets ein – ein neues Kapitel für KI-Infrastruktur
Hugging Face erweitert seinen Hub um eine neue Funktion: Storage Buckets. Damit erhalten Unternehmen und Entwicklerteams erstmals eine dedizierte Speicherlösung direkt auf der Plattform – jenseits der klassischen Modell-Repositories. Die Neuerung zielt vor allem auf professionelle Anwendungsfälle ab, bei denen große Datenmengen flexibel und effizient verwaltet werden müssen.
Was steckt hinter den Storage Buckets?
Bislang war der Hugging Face Hub primär als Ablage für Modelle, Datensätze und Spaces konzipiert – ein Git-basiertes System, das für versionierte Artefakte gut funktioniert, aber bei großen, unstrukturierten Datenmengen an seine Grenzen stößt. Storage Buckets schließen diese Lücke.
Das Prinzip kennt man aus der Cloud: ähnlich wie Amazon S3 oder Google Cloud Storage bieten die neuen Buckets einen objektbasierten Speicher, der sich unkompliziert in bestehende ML-Pipelines einbinden lässt.
Technisch setzt Hugging Face dabei auf eine S3-kompatible Schnittstelle. Das bedeutet: Wer bereits Tools wie boto3 oder andere S3-Clients im Einsatz hat, kann diese ohne größere Anpassungen weiterverwenden. Dateien lassen sich direkt hochladen, programmatisch abrufen oder über die huggingface_hub-Bibliothek verwalten – das senkt die Einstiegshürde erheblich.
Warum das für Unternehmen relevant ist
Der Unterschied liegt im Detail. Repositories auf dem Hub versionieren jeden Commit – praktisch für Modellgewichte, aber wenig sinnvoll, wenn man täglich Trainingsdaten ergänzt oder Checkpoint-Dateien rotiert.
Genau hier greifen Storage Buckets: keine Versionshistorie, kein Git-Overhead, dafür direkter Lese- und Schreibzugriff auf einzelne Objekte.
Für Teams, die Fine-Tuning-Pipelines betreiben oder große Evaluierungs-Datensätze pflegen, ist das ein spürbarer Unterschied im Arbeitsalltag. Statt umständlicher Workarounds – externe S3-Buckets, manuelle Synchronisierung, separate Zugriffsrechte – läuft alles über die bekannte Hugging Face-Infrastruktur. Berechtigungen, Zugriffssteuerung und Abrechnung sind zentral integriert.
Preismodell und Verfügbarkeit
Storage Buckets sind zunächst für Organisationen mit einem Enterprise-Hub-Abonnement verfügbar. Der Speicher wird nach Nutzung abgerechnet – konkrete Preise kommuniziert Hugging Face direkt über die Plattform. Für kleinere Teams oder Einzelnutzer bleibt abzuwarten, ob und wann eine breitere Verfügbarkeit folgt.
Die Integration in bestehende Workflows ist bewusst niedrigschwellig gehalten. Über die huggingface_hub-Python-Bibliothek lassen sich Buckets anlegen, Dateien übertragen und Zugriffsrechte konfigurieren – alles ohne Plattformwechsel. Wer bislang Daten auf AWS oder Azure ausgelagert hat, findet hier eine konsolidierte Alternative, die sich näher am eigentlichen Modell-Ökosystem bewegt.
Einordnung für deutsche Unternehmen
Gerade mittelständische Unternehmen, die KI-Projekte aufbauen, ohne eine eigene Cloud-Infrastruktur à la Hyperscaler betreiben zu wollen, dürften aufhorchen. Storage Buckets senken die operative Komplexität – ein Anbieter, eine Zugangsverwaltung, ein Abrechnungsmodell.
Wer ohnehin auf Hugging Face als zentrale Plattform für Modellentwicklung setzt, gewinnt damit ein weiteres Puzzlestück für eine schlankere MLOps-Architektur.
Allerdings gilt auch hier: Datenschutz- und Compliance-Anforderungen, insbesondere unter der DSGVO, müssen vor einem produktiven Einsatz sorgfältig geprüft werden – Speicherort und Datenverarbeitung sind Fragen, die man nicht dem Anbieter allein überlassen sollte.
Quelle: Hugging Face Blog
