{"id":25143,"date":"2023-10-16T11:51:39","date_gmt":"2023-10-16T09:51:39","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=25143"},"modified":"2023-10-03T12:00:55","modified_gmt":"2023-10-03T10:00:55","slug":"ki-modelle-im-vergleich-die-integration-generativer-ki-ist-auf-dem-vormarsch","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=25143","title":{"rendered":"KI-Modelle im Vergleich: Die Integration generativer KI ist auf dem Vormarsch"},"content":{"rendered":"\n

Autorin\/Redakteur: Elena Simon ist General Manager f\u00fcr die Region DACH bei Gcore<\/a>\/gg<\/p>\n\n\n\n

Die Einbindung von K\u00fcnstlicher Intelligenz (KI) in gesch\u00e4ftliche und industrielle Anwendungen kann Wettbewerbsvorteile schaffen \u2013 Unternehmen k\u00f6nnen effizienter und produktiver arbeiten und schneller am Markt agieren. Doch welche Integrationsm\u00f6glichkeiten gibt es heute und welches Modell eignet sich f\u00fcr Ihr Unternehmen?<\/p>\n\n\n\n

\"\"<\/a>
Bild: Gcore<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

Das Thema generative KI ist derzeit in aller Munde. Der bahnbrechende Erfolg von Large Language Models (LLMs) wie ChatGPT (Chat Generative Pre-trained Transformer), Google Bard und Dall-E hat das Thema aus IT-Labors, die im Verborgenen arbeiten, in die Schlagzeilen katapultiert. Aber dies ist nicht nur ein Hype. In den vergangenen Jahren hat die generative KI tats\u00e4chlich einen Quantensprung vollzogen und kann heute in einer Reihe von wegweisenden Unternehmensanwendungen zum Einsatz kommen. Wenn Sie Ideen entwickeln und \u00fcber gen\u00fcgend Daten verf\u00fcgen, um Ihr Modell zu trainieren, ist die generative KI zu atemberaubenden Leistungen f\u00e4hig.<\/p>\n\n\n\n

In diesem Zusammenhang ist die Prognose der Unternehmensberatung McKinsey, dass generative KI \u201edas Potenzial hat, einen j\u00e4hrlichen Produktivit\u00e4tszuwachs<\/a> von 2,6 bis 4,4 Billionen US-Dollar zu erm\u00f6glichen\u201c, durchaus einleuchtend. Auch die Bundesregierung ist sich der gro\u00dfen Chancen bewusst, die diese Technologie f\u00fcr Unternehmen in Deutschland bieten kann. Sie stellte bereits im Jahr 2018 ihre erste KI-Strategie vor, aktualisierte diese im Jahr 2020 und verfeinert ihren Ansatz weiter<\/a>, um sicherzustellen, dass Deutschland und seine Unternehmen weiterhin an der Spitze der Innovation stehen.<\/p>\n\n\n\n

Buy versus Build \u2013 welche Strategie ist die richtige?<\/strong><\/p>\n\n\n\n

CIOs und ihre Teams stehen heute vor der einmaligen Chance, sich von der Konkurrenz abzuheben und ihren Mitbewerbern einen Schritt voraus zu sein, wenn sie KI-Modelle nutzen, um schneller, effizienter und produktiver zu arbeiten als andere Unternehmen. Um diese Chance zu nutzen, m\u00fcssen sie abw\u00e4gen, welcher Ansatz f\u00fcr die KI-Integration der Beste ist. Bis vor Kurzem gab es im Wesentlichen zwei Optionen: kaufen oder selbst entwickeln.<\/p>\n\n\n\n

Bei dem Ansatz \u201eBuy\u201c verbinden sich Unternehmen einfach \u00fcber eine API mit einem generativen Standard-KI-Tool, beispielsweise von OpenAI. Das KI-Tool greift dann auf die Daten des Unternehmens zu und wendet seine generativen AI-Funktionalit\u00e4ten auf die Daten an. Die Alternative ist die Entwicklung eines eigenen KI-Systems. Bei diesem Ansatz stellt das IT-Team seine eigene technologische Infrastruktur zusammen, um ma\u00dfgeschneiderte LLMs zu unterst\u00fctzen, die dann ihre Datenbest\u00e4nde nutzen.<\/p>\n\n\n\n

Nat\u00fcrlich hat jeder Ansatz Vor- und Nachteile. So ist beispielsweise die Verwendung einer Standardversion schnell und einfach, bietet jedoch nur begrenzte M\u00f6glichkeiten zur Anpassung, f\u00fcr die Kontrolle oder den Aufbau von Wettbewerbsvorteilen. Zudem werden Unternehmen nicht bereit sein, ihre eigenen Datenbest\u00e4nde an externe Service-Provider weiterzugeben, \u00fcber die sie dann nur noch begrenzte Kontrolle haben. Wenn Sie hingegen Ihr eigenes Modell erstellen, k\u00f6nnen Sie dieses anpassen, haben die Kontrolle \u00fcber Ihre Daten und k\u00f6nnen sich damit von Mitbewerbern absetzen.<\/p>\n\n\n\n

Die gr\u00f6\u00dfte Herausforderung bei dem Ansatz \u201eBuild\u201c sind jedoch die Kosten \u2013 und das ist das fatale. Der Aufbau eines generativen KI-Systems von Grund auf verschlingt Millionen von Euro an Initialkosten und erfordert den Einsatz von ohnehin schon knappen IT-Komponenten: Der weltweite Mangel an Grafikprozessoren, die Bilder, Texte und andere Daten besser, schneller und zielgerichteter auswerten und analysieren sowie KI-Modelle effizient erstellen, an Chips, die die Entwicklung fortschrittlicher KI-Funktionen voranbringen, treibt die Preise in die H\u00f6he<\/a>. Folglich ist die Aussicht, LLMs intern aufzubauen, f\u00fcr die \u00fcberwiegende Mehrheit der Unternehmen au\u00dfer Reichweite.<\/p>\n\n\n\n

AI-Infrastructure-as-a-Service \u2013 die dritte Variante<\/strong><\/p>\n\n\n\n

Gl\u00fccklicherweise gibt es jetzt eine neue Option, die die besten Elemente der Ans\u00e4tze \u201eBuy\u201c und \u201eBuild\u201c kombiniert. Diese dritte M\u00f6glichkeit besteht darin, die KI-Infrastruktur \u201eas-a-Service\u201c zu nutzen. In diesem Fall k\u00f6nnen Unternehmen die KI-Technologie \u2013 einschlie\u00dflich Hardware, Cloud-Services und Experten-Support \u2013 von einem Managed-Service-Provider beziehen. Das hei\u00dft, dass Unternehmen jeder Gr\u00f6\u00dfenordnung kosteneffizient auf generative KI-Ressourcen im Hyperscale-Verfahren zugreifen, ohne die Kontrolle \u00fcber ihre Modelle oder Daten aufgeben zu m\u00fcssen.<\/p>\n\n\n\n

Der Ansatz hat bereits bewiesen, dass er f\u00fcr Unternehmen zu bahnbrechenden Ergebnissen f\u00fchrt. K\u00fcrzlich haben wir bei Gcore beispielsweise AI-Infrastructure-as-a-Service genutzt, um ein eigenes KI-Modell<\/a> in nur zwei Stunden zu erstellen, zu testen und auszuf\u00fchren. Das Modell wurde anhand von 112.000 R\u00f6ntgenbildern des Brustkorbs trainiert und ist nun in der Lage, Erkrankungen des Brustkorbs zu diagnostizieren. Die meisten Prognosen stimmten ganz oder teilweise mit der Diagnose eines Arztes \u00fcberein.<\/p>\n\n\n\n

Die H\u00fcrden der KI-Integration \u00fcberwinden<\/strong><\/p>\n\n\n\n

Abgesehen von der Geschwindigkeit, der Leistung und der komfortablen Nutzung besteht ein weiterer gro\u00dfer Vorteil von AI-Infrastructure-as-a-Service darin, dass dieses Modell Unternehmen dabei unterst\u00fctzen kann, mehrere gro\u00dfe Herausforderungen zu \u00fcberwinden, die bisher die KI-Innovation gebremst haben. Die erste Herausforderung bezieht sich auf den Zugang zur richtigen Art von Rechenleistung.<\/p>\n\n\n\n

Standard-CPUs sind nicht leistungsstark genug, um gro\u00dfe Datenmengen zu verarbeiten, w\u00e4hrend GPUs teuer und knapp sind. Mit AI-Infrastructure-as-a-Service k\u00f6nnen IT-Teams nun jedoch auf eine neue Art von Processing Unit zugreifen: Die Intelligence Processing Unit (IPU) wurde die speziell f\u00fcr die Verarbeitung von KI-Workloads entwickelt.<\/p>\n\n\n\n

Die Verbesserung der Qualit\u00e4t von Trainingsdaten<\/strong><\/p>\n\n\n\n

Eine zweite Herausforderung bei KI-Implementierungen in Unternehmen ist h\u00e4ufig die Datenqualit\u00e4t. KI-Anwendungen sind nur so gut wie die Daten, auf denen sie basieren. Daher m\u00fcssen die Daten kuratiert und bereinigt, zug\u00e4nglich und sicher sein. Die Erfassung und Speicherung von KI-Datenbest\u00e4nden kann jedoch komplex und kostspielig werden. Viele Unternehmen m\u00fcssen ihre Daten zun\u00e4chst von lokalen Legacy-Systemen in die Cloud migrieren. Das kostet M\u00fche und nimmt viel Zeit in Anspruch \u2013 insbesondere dann, wenn die jeweiligen Verantwortlichen \u00e4ltere Dateiformate manuell nachbearbeiten m\u00fcssen.<\/p>\n\n\n\n

AI Infrastructure as a Service rationalisiert diesen Datenvorbereitungsprozess. Wenn Entwickler ihre KI-Daten bereits in einem sicheren Cloud-Rechenzentrum gespeichert haben, k\u00f6nnen sie die Daten direkt auf lokale Festplatten herunterladen und ihre Trainingsdaten sofort f\u00fcr das maschinelle Lernen vorbereiten.\u00a0 F\u00fcr diesen Prozess sind lokale NVMe-Festplatten (Nonvolatile Memory Express) erforderlich, da sonst die Netzwerkbandbreite zu einem Problem f\u00fcr leistungsstarke IPUs werden k\u00f6nnte. Da die Daten aus einer nativen Cloud-Umgebung stammen, stehen sie den Entwicklern sofort zur Verf\u00fcgung, wenn ihre Modelle fertig sind.<\/p>\n\n\n\n

Die Integration in bestehende Systeme<\/strong><\/p>\n\n\n\n

Die KI-Integration ist ein drittes, wesentliches Hindernis. Um eine schnelle und nahtlose Integration in die bestehenden Systeme eines Unternehmens zu erm\u00f6glichen, muss die KI-Infrastruktur eine breite Palette von Werkzeugen und Integrationsm\u00f6glichkeiten unterst\u00fctzen \u2013 einschlie\u00dflich Daten-Tools, Entwicklungs-Tools und KI-Plattformen. Die geeigneten L\u00f6sungen f\u00fcr AI-Infrastructure-as-a-Service leisten genau dies und erm\u00f6glichen es den IT-Verantwortlichen, sich auf die Wertsch\u00f6pfung und nicht auf die Back-Office-Integration zu konzentrieren.<\/p>\n\n\n\n

Ein sofort einsatzbereiter AI-Infrastructure-as-a-Service kann die Herausforderungen bew\u00e4ltigen, mit denen Unternehmen bei der Integration von KI konfrontiert werden. Dieser Managed-Service bietet einen praktikablen Mittelweg zwischen der Erstellung und dem Training eines eigenen KI-Modells von Grund auf und der Einbindung allgemeiner, generativer KI-Funktionen.<\/p>\n\n\n\n

Laut einer Studie von McKinsey k\u00f6nnte Deutschland sein BIP-Ziel f\u00fcr 2030 um vier Prozent \u00fcbertreffen, wenn es fr\u00fchzeitig auf KI setzt<\/a>. Dieselbe Studie deutet darauf hin, dass KI die Leistung in allen Branchen in Deutschland steigern wird, insbesondere in solchen, in denen die pr\u00e4dikative Analytik eine gro\u00dfe Rolle spielt, wie beispielsweise im deutschen Industriesektor. Infolgedessen k\u00f6nnte KI-gest\u00fctztes Arbeiten die Produktivit\u00e4t in Deutschland j\u00e4hrlich um 0,8 bis 1,4 Prozent steigern.<\/p>\n\n\n\n

Der Einsatz von KI d\u00fcrfte daher das n\u00e4chste gro\u00dfe Differenzierungsmerkmal in der Wirtschaft sein und wird ma\u00dfgeblich dar\u00fcber entscheiden, welche Unternehmen in den kommenden Jahren erfolgreich sein werden. Ein fr\u00fchzeitiger Einstieg in die KI ist daher unerl\u00e4sslich. Diejenigen, die die Vorteile von AI-Infrastructure-as-a-Service nutzen, um zu experimentieren und ihre Modelle zu verfeinern, werden ein beispielloses Ma\u00df an Erkenntnissen, Automatisierung und Innovation freisetzen und das Beste aus den M\u00f6glichkeiten machen, die sich bieten. Die anderen Unternehmen hingegen werden es schwer haben, mitzuhalten.<\/p>\n","protected":false},"excerpt":{"rendered":"

Die Einbindung von K\u00fcnstlicher Intelligenz (KI) in gesch\u00e4ftliche und industrielle Anwendungen kann Wettbewerbsvorteile schaffen \u2013 Unternehmen k\u00f6nnen effizienter und produktiver arbeiten und schneller am Markt agieren. Doch welche Integrationsm\u00f6glichkeiten gibt es heute und welches Modell eignet sich f\u00fcr Ihr Unternehmen?<\/p>\n","protected":false},"author":81,"featured_media":25145,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,10036],"tags":[17590,13622,17589,16745,3648],"class_list":["post-25143","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-kuenstliche-intelligenz","tag-ai-infrastructure-as-a-service","tag-build","tag-buy","tag-gcore","tag-integration"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/25143","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/81"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=25143"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/25143\/revisions"}],"predecessor-version":[{"id":25146,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/25143\/revisions\/25146"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/25145"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=25143"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=25143"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=25143"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}