Vom Hype zur Realität: Was KI 2025 leisten muss

6. All you need is Data: Daten als Erfolgsfaktor

Während KI-Anbietern wie OpenAI, Anthropic, IBM oder Google langsam die öffentlichen Daten ausgehen, beschäftigt Unternehmen vor allem die Verwendung ihrer eigenen Daten. Die Leistungsfähigkeit von KI hängt maßgeblich davon ab, wie gut Verantwortliche die Modelle mit eigenen Datensätzen verknüpfen und anreichern können – sei es durch Retrieval Augmented Generation (RAG), Fine-Tuning oder das Training eigener Modelle.

Datenqualität spielt dabei eine entscheidende Rolle. Zwar verfügen Organisationen meist über ausreichend strukturierte Daten, die bereits die Essenz ihres Geschäftsbetriebs abbilden, doch diese machen lediglich 10 % der verfügbaren Daten aus. Die übrigen 90 % bestehen aus unstrukturierten Daten wie Dokumenten, Videos oder Bildern.

Technologien wie GenAI, Natural Language Processing und Graphtechnologie tragen dazu bei, diese unstrukturierten Daten nutzbar zu machen. Knowledge Graphen beispielsweise repräsentieren unstrukturierte Daten so, dass LLMs sie als Kontext „verstehen“ können. Dabei erhalten sie dank der Graphstruktur ihre Reichhaltigkeit.

7. Graphtechnologie als Schlüssel

Graphen bieten als Netzwerk von Informationen eine ideale Repräsentation von Daten – unabhängig davon, ob diese strukturiert oder unstrukturiert sind. Ein Beispiel dafür ist GraphRAG: Der RAG-Ansatz kombiniert in GenAI-Anwendungen Knowledge Graphen als zusätzliche Quelle für domänenspezifische Daten.

Das führt zu präziseren, aktuelleren und besser erklärbaren Ergebnissen. Dabei gewinnen Graph Patterns zunehmend an Bedeutung. Diese Muster repräsentieren komplexe Informationen und können spezifische Arten anspruchsvoller Fragen beantworten.

Auch Graph Neural Networks (GNN) zeigen das Potenzial der Verbindung von KI und Graphen. Diese neuronalen Netze werden eingesetzt, um besonders schwierige Probleme zu lösen. Google DeepMind nutzt GNNs seit Jahren in verschiedenen Projekten, etwa für intelligente Wettervorhersagen (GraphCast) oder das KI-gestützte Design von Halbleitern (AlphaChip). Im November 2024 brachte Google die dritte Version von AlphaFold heraus, ein KI-System, das die Struktur von Proteinen und ihre Interaktionen mit Biomolekülen präzise vorhersagen kann.

Der Austausch zwischen Graphen und KI erfolgt auch in umgekehrter Richtung. LLMs unterstützen beispielsweise die Graph-Modellierung, fördern das Verständnis von Domain- und Modellstrukturen, interagieren mit den im Graphen gespeicherten Daten und helfen, neue Verknüpfungen zu identifizieren und zu erstellen.

8. KI prüft KI

Der Startpunkt, um KI-Anwendungen zu entwickeln, ist angesichts solcher Technologien mittlerweile recht einfach. Die Validierung und zuverlässige Integration in die Produktion hingegen erfordert jedoch erheblichen Aufwand. LLMs arbeiten probabilistisch, was bedeutet, dass sie Aussagen nur mit einer bestimmten Wahrscheinlichkeit generieren.

Im Jahr 2025 wird die Evaluation daher im Mittelpunkt stehen. Es werden Kontroll- und Feedbackmechanismen benötigt, um Fehlerfortpflanzung zu vermeiden, die Datenqualität zu prüfen und regulatorische Anforderungen zu erfüllen.

Traditionelle Methoden reichen oft nicht aus, weshalb auch KI zur Kontrolle eingesetzt wird. Schiedsrichter-LLMs können die Ergebnisse anderer LLMs überprüfen, auf ihre Korrektheit und Angemessenheit achten und unangemessene oder illegale Inhalte identifizieren. KI-basierte Fairness-Toolkits testen auf Data Bias.

Anthropic forscht im Moment an sogenannten Interpretable Features, die in den Modellen selbst enthalten sind und GenAI-Resultate in eine gewisse Richtung beeinflussen. Richtig umgesetzt, könnten diese Tendenzen gesteuert und als Sicherheitsmechanismen genutzt werden.

9. Einheitliche Kommunikation in der KI-Welt

KI interagiert mit Menschen, Maschinen und anderen KI-Modellen. In Chatbots antwortet die KI in natürlicher Sprache, doch die Tech-Welt ist mehrsprachig – andere Systeme verwenden z.B. Abfragesprachen oder API-Code. Zukünftig werden KI-Modelle auch verstärkt untereinander kommunizieren. Je mehr KI in bestehende IT-Infrastrukturen integriert wird, desto wichtiger wird es, entsprechende „Sprach“-Schnittstellen zu entwickeln.

Im Graph-Umfeld dienen LLMs als Dolmetscher, die Fragen in natürlicher Sprache in die Abfragesprache Cypher übersetzen (Text2Cypher). Langfristig stellt sich die Frage, ob eine einheitliche Verkehrssprache nötig ist, um eine dauerhafte Verständigung sicherzustellen und ein Sprachchaos á la Turm von Babel zu vermeiden. Oder ob gerade die Flexibilität der natürlichen und technischen Sprachen einen großen Vorteil in der Verwendung von LLMs darstellt.

10. Integration statt Neubau

In den letzten zwei Jahren war viel die Rede davon, GenAI-Systeme gänzlich neu zu bauen und quasi auf der grünen Wiese anzufangen. Die Realität sieht jedoch anders aus: Unternehmen blicken auf eine bestehende und komplexe IT-Infrastruktur, die sich nicht einfach auswechseln lässt. In der Praxis wird es daher hauptsächlich darum gehen, KI-Komponenten sinnvoll einzubinden bzw. bestehende Lösungen und Systeme mit KI-Fähigkeiten zu versehen.

Operativ braucht es ein Basis-Framework, in dem Richtlinien festgelegt, Prozesse vereinheitlicht und Ziele definiert werden – idealerweise unter Einbeziehung aller KI-Stakeholder (z. B. C-Level, Entwickler, IT, Compliance, Fachabteilungen).

Auf technischer Ebene muss KI in modulare, integrierbare Komponenten verpackt und diese an ausgesuchten Stellen (z. B. Nutzerinteraktion, Datenanalyse) integriert werden. Die Bewältigung der wachsenden Komplexität der Architekturen wird eine der zentralen Herausforderungen der kommenden Jahre sein – wobei KI möglicherweise auch hier unterstützend wirken kann.

(vp/Neo4j)