Thought Leadership
Nicht wenige Unternehmen verlieren angesichts der großen Masse an KI-Lösungen auf dem Markt den Überblick. Weil KI aber nicht gleich KI ist, muss die Entscheidungsfindung von Anfang an auf die eigenen Bedürfnisse ausgerichtet werden – dabei helfen ein strukturierter Fahrplan und die Beantwortung von zentralen Fragen.
Der Einsatz von künstlicher Intelligenz entwickelt sich in rasender Geschwindigkeit und quer durch alle Branchen zum neuen Standard. Mit der großen Nachfrage ist dabei auch das Angebot gestiegen, aus dem Unternehmen eine passende Lösung für ihre Anforderungen aussuchen müssen. Die Qual der Wahl beginnt schon auf den ersten Metern: Kommt das proprietäre Modell eines erfahren Anbieters in Frage, oder doch eher Open Source? Soll es komplett in der Cloud laufen oder lieber On-Premises? Oder sogar eine vollständige, hochindividuelle Eigenentwicklung? Eine allgemeingültige Antwort auf diese Fragen kann es natürlich nicht geben, im Einzelfall entscheiden die jeweiligen Voraussetzungen und Anforderungen.
Unabhängig davon, für welche Richtung sich Unternehmen letztlich entscheiden, müssen sie allerdings in jedem Fall einige Voraussetzungen erfüllen, um KI-Projekte erfolgreich umzusetzen. Eine der wichtigsten Grundlagen besteht dabei aus dem richtigen Datenmanagement, das sowohl die Qualität als auch die Quantitäten der Daten für ein KI-Modell zur Verfügung stellt. In den meisten Szenarien haben Unternehmen dafür große Datenbanken oder Data Lakes zur Hand, aus deren Speicher sie die notwendigen Informationen auswählen und für den Einsatz entsprechend aufbereiten. Um dem Modell darüber hinaus weiteres Wissen einzuspeisen, bietet sich auch das Data Scraping an. Dabei bezieht die Software automatisiert Informationen und Daten von Webseiten aus dem Internet oder Intranet – auch in Form von Texten, Bildern oder Tabellen.
Haben Unternehmen ein funktionierendes und effizientes Datenmanagement auf den Weg gebracht, schließt sich die nächste Phase an. Hier stellt sich die Frage, ob eine bereits vorhandene KI geeignet ist oder sich eine Eigenentwicklung, also ein „From-Scratch“-Ansatz, eher anbietet. Mit Blick auf die anfallenden Kosten, den großen Aufwand und die Komplexität einer selbstentwickelten Lösung, wird die Entscheidung der meisten Unternehmen auf bereits vorhandene Modelle fallen. Ausnahmen gibt es dabei sicherlich in vielen spezialisierten Segmenten und der Forschung, bei denen es schlicht keine vorgefertigten KI-Lösungen gibt.
Die Frage nach der Cloud
Die Implementierung eines KI-Modells geht mit hohen Anforderungen an die Infrastruktur einher. So setzen datenintensive Workloads bei On-Premises-Lösungen den Einsatz von leistungsfähiger und kostspieliger Hardware voraus – etwa teuren GPUs (Graphics Processing Units). Für viele Unternehmen bietet die Cloud daher eine natürliche Alternative, die mit kosteneffizienten „Pay per use“-Modellen weitaus attraktiver ist, als eine eigene Infrastruktur aufzubauen. Bestehen aber beispielsweise hohe Compliance-Vorgaben, bietet sich eher ein Mischbetrieb in hybrider Umgebung an. Schützenswerte, vertrauliche Daten, etwa Kundeninformationen, bleiben dabei On-Premises direkt bei den Unternehmen, während eher unbedenkliche Daten in der Cloud verarbeitet werden können.
Im Bereich der Künstlichen Intelligenz ist es allerdings grundsätzlich häufig vorteilhaft, das Training der Modelle in einer Cloud-Umgebung durchzuführen, wobei auch anonymisierte oder synthetische Daten zum Einsatz kommen können. Anschließend können Unternehmen das fertige KI-Modell in einer lokalen Infrastruktur, etwa an der Peripherie einer Produktionslinie, implementieren.
Open Source versus Proprietär
Die Wahl zwischen einer Open-Source- und einer kommerziellen proprietären Lösung muss jedes Unternehmen individuell treffen. Dabei müssen die spezifischen Vorteile und Anwendungsfälle zwangsläufig eingehend analysiert und berücksichtigt werden. Bei kommerziellen Modellen können Unternehmen beispielsweise Microsoft Azure OpenAI oder Anthropic Claude über AWS und Google Cloud einsetzen. Besonders im Kontext der digitalen Souveränität könnte aber auch das Heidelberger Unternehmen Aleph Alpha auf europäischer Ebene zunehmend an Bedeutung gewinnen.
Der große Vorteil proprietärer Lösungen liegt in der Benutzerfreundlichkeit. Sie verfügen über ein komfortables Cockpit, das das Einlesen von Trainingsdaten vereinfacht, während bei Open-Source-Optionen hingegen lediglich der Quellcode zur Verfügung steht. Open-Source-Modelle wie Llama 3 profitieren jedoch von der aktiven Mitwirkung einer breiten Entwicklergemeinschaft, die das Feintuning kontinuierlich vorantreibt. Wenn ein Unternehmen auf die größtmögliche Unabhängigkeit und Gestaltungsfreiheit bei der KI-Nutzung abzielt, ist die Entscheidung für eine Open-Source-Lösung sicherlich die richtige. Die Verantwortlichen müssen bei Open-Source-Modellen jedoch auch die Kosten für den Betrieb eigener Server berücksichtigen.
Zusammenfassend gilt: Möchte ein Unternehmen proprietären und vertraulichen Code generieren, so sollte es eine Open-Source-Lösung mit umfangreichen Feintuning-Möglichkeiten in der eigenen Infrastruktur einsetzen. Für einfachere Anwendungen, wie etwa einen FAQ-Chatbot, empfiehlt sich jedoch eher ein bewährtes „Pay per use“-Modell in der Cloud.
Nächster Halt: RAG
Der Einsatz von Künstlicher Intelligenz wird derzeit vor allem von großen Sprachmodellen (LLMs) wie ChatGPT dominiert, die bereits beeindruckende Leistungen zeigen. Sie basieren auf dem Training riesigen Datenmengen, um ein breites Spektrum an Allgemeinwissen abzudecken. Sobald ein LLM jedoch mit der Aufgabe konfrontiert ist, Wissen zu liefern, das nicht in den Trainingsdaten enthalten ist, stößt es an seine Grenzen. In solchen Fällen können die Antworten der KI fehlerhaft oder sogar objektiv falsch sein – sogenannte Halluzinationen.
Hier kommt das Konzept der Retrieval-Augmented Generation (RAG) ins Spiel, das dazu dient, diese Probleme zu minimieren. RAG erweitert die Fähigkeiten von LLMs, indem es zusätzliche Informationen aus externen Wissensquellen, wie etwa Vektordatenbanken oder Dokumenten, einbezieht. So können die Modelle präzisere und kontextbezogene Antworten generieren, während gleichzeitig die Wahrscheinlichkeit für Halluzinationen verringert wird.
Aktueller Stand und Zukunftsperspektiven
Im Bereich der Fertigung spielt Künstliche Intelligenz bereits eine bedeutende Rolle. Durch den Einsatz von Sensoren und die Auswertung von IoT-Daten sind Fertigungsprozesse sehr viel effizienter – etwa durch vorausschauende Wartung oder verbesserte Qualitätssicherung. Dennoch gibt es noch erhebliche Potenziale zur Optimierung. Etwa, indem Unternehmen KI-Lösungen über die gesamte Prozesskette hinweg einsetzen, zum Beispiel für die automatisierte Bestellung von fehlendem Material.
Bei jedem geplanten Einsatz von KI sollten Unternehmen eine klare Roadmap entwickeln und eine langfristige Vision verfolgen. Auch wenn heute vor allem intelligente Chatbots und Chat-Interfaces populär sind, stellen diese nur den Anfang dar und nicht das Ende der Entwicklung. Besonders wichtig ist die Integration der KI in zentrale Prozesse. Dadurch lassen sich viele manuelle Aufgaben eliminieren, und Medien- sowie Prozessbrüche sind von Anfang an vermeidbar.
Der noch junge KI-Bereich befindet sich jetzt bereits in einem Wandel, der zahlreiche neue Lösungen hervorbringt, die sowohl von großen Unternehmen wie Google und Meta als auch von spezialisierten Anbietern mit branchenspezifischen Fokus auf den Markt kommen. Von einem zögerlichen Abwarten ist dennoch abzuraten – denn nur durch eine frühzeitige Adaption von KI-Anwendungen können Unternehmen auch weiterhin im Wettbewerb mithalten. Dabei muss es nicht immer das neueste KI-Modell sein, auch bereits bestehende Lösungen bieten Potenziale, die Unternehmen noch nicht vollständig nutzen. Die Empfehlung lautet daher, eine Architektur zu wählen, die Unternehmen Zukunftssicherheit, Unabhängigkeit und Flexibilität bietet, sodass sie ihre Modelle bei Bedarf austauschen können. Ein Beispiel dafür ist das RAG-Konzept, bei dem Daten in einer Vektordatenbank gespeichert werden – das zugrunde liegende Modell ist jederzeit austauschbar.
