Kommentar von Marshall Choy, SambaNova Systems Zwei Wege um KI-Lösungen zu implementieren – DIY versus Plattformansatz

Anbieter zum Thema

Strategic Alliance Deutschland

Fujitsu Technology Solutions GmbH

QUNIS GmbH

Xpand Solutions GmbH

Künstliche Intelligenz (KI) kommt heute in vielen Anwendungs-Bereichen zum Einsatz. So nutzen beispielsweise Unternehmen im Gesundheitswesen KI, um die Entwicklung neuer Medikamente zu beschleunigen und die Ergebnisse einer Diagnose durch präzisere medizinische Bildverarbeitung für den Patienten zu verbessern.

Mit Deep Learning können Unternehmen heute innovative, marktreife Produkte und Lösungen entwickeln. Diese Technologie treibt einen Wandel voran, der mittlerweile jedes Unternehmen, jeden Markt und jede Branche betrifft. Die Einführung, der Einsatz und die Innovationen von Deep Learning werden sich in den nächsten Jahren weiter beschleunigen und immens zum Wachstum der Wirtschaft beitragen. Einem aktuellen PwC-Bericht zufolge wird aufgrund KI-basierter Innovationen das Bruttoinlandsprodukt in Deutschland bis 2030 um mehr als zehn Prozent steigen.

Doch wie können sich Unternehmen auf diesen Wandel vorbereiten? Es gibt zwei Hauptansätze für die Implementierung von KI in Unternehmen: Sie können sich entweder dafür entscheiden, ihre eigenen KI-Modelle und die Systemumgebung von Grund auf neu zu entwickeln, oder sie wählen einen Plattformansatz und überlassen die Arbeit externen Experten.

KI-Lösungen selbst implementieren – der DIY-Ansatz

Der „Do-it-yourself”-Ansatz ist eine verbreitete Strategie für Unternehmen, die zum ersten Mal KI einsetzen wollen. Er eignet sich für große Unternehmen, die über ausreichend eigene Ressourcen – wie z. B. Data Scientists oder Daten-Architekten – verfügen und damit für einen unternehmensweiten und langfristigen Einsatz erforderlich sind. Andere Unternehmen erzielen damit möglicherweise nicht den gleichen Erfolg. Proprietäre KI-Implementierungen verschaffen vor allem den Firmen einen Wettbewerbsvorteil, deren Modelle besser abschneiden als die der Konkurrenz. Das ist besonders für Unternehmen von Vorteil, die sich auf die Bereiche Spitzenforschung oder experimentelle Forschung konzentrieren.

Der DIY-Ansatz hat allerdings einige Nachteile:

• Zeit: Entwicklung, Erprobung und Implementierung maßgeschneiderter KI-Lösungen können mehr als ein Jahr dauern. Wenn der Innovationswettlauf in Wochen oder Monaten und nicht in Jahren gemessen wird, müssen sich Unternehmen einer großen Herausforderung stellen. Selbst wenn es ihnen gelingt, eine eigene KI-Lösung zu entwickeln, ist es extrem zeitaufwendig, neue Trainingsmodelle und/oder neue Techniken weiterzuentwickeln und dabei mit dem Tempo der Datenentwicklung Schritt zu halten.

• Fachkenntnisse: Der Mangel an Mitarbeitern mit KI-Expertise belastet Unternehmen in allen Branchen. KI-Teams sind jetzt schon überfordert, wenn sie versuchen, die steigende Nachfrage von internen KI-Projekten, die spezielle Fachkenntnisse voraussetzen, zu bedienen. Hinzu kommt, dass der Bedarf, hochqualifizierte KI-Talente wie z. B. Entwickler, Ingenieure, Forscher und Datenwissenschaftler einzustellen, für viele Unternehmen eine große Herausforderung bedeutet. Denn mittlerweile ist ein hochgradiger Wettbewerb bei der Rekrutierung dieser begehrten Mitarbeiter entbrannt.

• Einschränkungen der Flexibilität: Bei der Entwicklung einer maßgeschneiderten KI-Lösung sind Unternehmen oft an bestimmte Systeme gebunden, die wiederum auf bestimmten Programmiermodellen basieren. Der Wunsch, auf eine andere Lösung umzusteigen, die den Anforderungen besser entspricht, wird angesichts früherer Investitionen in Zeit, Geld und organisatorisches Wissen äußerst mühsam.

• Kosten: Die Kosten für die Einstellung von Mitarbeitern mit der richtigen Expertise (einschließlich des Budgets für Personalbeschaffung, Gehälter, Sozialleistungen und Mitarbeiterbindung), die Suche nach der richtigen Software für den jeweiligen Bedarf im Unternehmen und die Aktualisierung der technischen Infrastruktur summieren sich schnell auf unkalkulierbare Dimensionen.

Auch wenn die KI-Initiativen durch den DIY-Ansatz im Unternehmen ins Rollen kommen, gibt es weitere Herausforderungen: KI-Modelle müssen kontinuierlich gepflegt und bewertet und Implementierungen müssen stets unterstützt und abgestimmt werden, damit die KI-Teams über die schnelllebigen Entwicklungen in der Welt des Deep Learnings auf dem Laufenden bleiben. Darüber hinaus verfügen die meisten Unternehmen wahrscheinlich nicht über einen großen Mitarbeiterpool an Datenexperten oder über große Budgets für KI-Projekte. Sie können auch nicht Monate oder gar Jahre warten, bis die KI-Initiative erste Ergebnisse liefert. Diese Herausforderungen hindern die meisten Unternehmen daran, KI-Initiativen aus eigener Kraft zu implementieren.

Einbindung von externen KI-Experten – der Plattform-Ansatz

Bei der Implementierung von KI-Lösungen scheint der Plattformansatz aufgrund der oben geschilderten Stolpersteine die bessere Option für die meisten Unternehmen zu sein. Durch die Nutzung einer integrierten KI-Software-Hardware-Plattform, die bereits mit vorgefertigten Deep-Learning-Modellen ausgestattet ist und als Service („as-a-Service“) bereitgestellt wird, können sich Unternehmen auf Innovation und Ergebnisse konzentrieren. So müssen sie sich nicht mit der Komplexität für Training und Feinabstimmung der Modelle befassen oder mit der Einstellung von Talenten beschäftigen, die für den Aufbau robuster Lösungen von Grund auf erforderlich sind. Außerdem bietet Outsourcing die nötige Flexibilität, um neue Lösungen einfach zu testen und zu integrieren, wenn die Geschäftsanforderungen wachsen. Letztlich senkt die Zusammenarbeit mit einem vertrauenswürdigen Partner auch die Hürden für den Einstieg in die KI und ermöglicht es, KI-Projekte schneller, mit reduzierter Komplexität und zu einem Bruchteil der Kosten zu starten.

Einige Führungskräfte haben aber immer noch Bedenken, wenn Dritte mit ihren sensiblen und vertraulichen Daten arbeiten und setzen deshalb mehr Vertrauen in die Sicherheit ihres eigenen Systems. Diese Denkweise ist weit überholt, denn Unternehmen sind heute in allen Bereichen immer wieder von Datenschutzverletzungen betroffen und treffen dementsprechend Vorsorge. Auch verstärken Anbieter angesichts immer wieder neu auftretender Sicherheitsbedrohungen permanent ihre Sicherheitskonfigurationen und Compliance-Maßnahmen. So kann beispielsweise das Dataflow-as-a-Service-Modell von SambaNova KI-Systeme hinter der Firewall eines Unternehmens bereitstellen und ermöglicht dadurch den Einsatz auch in hochsicheren Branchen wie dem öffentlichen Sektor und dem Finanzwesen.

Durch die Einbindung von externen Experten haben Unternehmen auch jenseits der großen Player und Hyperscaler die Möglichkeit, einen einfachen Zugang zu Deep Learning zu bekommen. Sie können ihre KI-Projekte schneller implementieren und skalieren, sodass sich der Wert ihrer KI-Investitionen schnell zeigen wird.

Fazit

Für welchen Ansatz sich Unternehmen auch entscheiden, gewiss ist, dass KI in allen Marktsegmenten angekommen ist und ganze Unternehmen und Branchen verändert. Der Start von KI-Initiativen darf deshalb nicht davon abhängen, ob es möglich ist, in absehbarer Zeit KI-Experten einstellen zu können oder ob das KI-Team in der Lage ist, neue Modelle zu trainieren. Unternehmen, die jetzt noch abwarten, laufen Gefahr, hinter ihren Mitbewerbern zurückzufallen. Wenn sie mit der Entwicklung der KI und mit der Konkurrenz mithalten wollen, müssen sie den effizientesten Weg zur Umsetzung von KI in großem Maßstab wählen. Die Entscheidung für oder gegen einen bestimmten Ansatz hängt von den individuellen Bedürfnissen und Anforderungen im Unternehmen unabhängig von der Unternehmensgröße ab. Um die Möglichkeiten der KI nutzen zu können, brauchen Unternehmen nur den richtigen Ansatz und den richtigen Partner.

(ID:48458917)