Seit Jahren schwelt das Thema Künstliche Intelligenz (KI) durch die Geschäftswelt. Visionäre werden nicht müde, die Zukunft in schillerndsten Farben zu malen. Zuletzt hatte Bill Gates prognostiziert, dass KI die Gesundheitsversorgung in fünf Jahren erheblich verändern wird – die KI-Fantasie wird immer weiter angeheizt.
Die ersten Gehversuche der Artificial Intelligence bzw. des Machine Learnings waren nicht immer überzeugend. Doch mit OpenAIs ChatGPT (GPT-3, GPT-4) änderte sich das Ende 2022 auf einen Schlag. Eine überzeugende KI, frei verfügbar, mit überzeugenden Ergebnissen – und das Träumen ging wieder los. Generative KI (GenAI) war plötzlich in aller Munde. Über 100 Millionen Menschen nutzen ChatGPT heute nahezu täglich und sind begeistert von den Möglichkeiten der Inhaltserstellung und den von der KI generierten Ergebnissen. Der Chatbot leistet mehr als jede Internetsuche, kann Informationen zusammentragen, verdichten, Code entwickeln und unterhaltsame Konversationen führen. Technologie, die begeistert.
Generative KI ist ein Teilbereich der Künstlichen Intelligenz (wie NLP, Computer Vision und Predictive Analytics), wobei der Name bereits andeutet, wozu GenAI ursprünglich gedacht war: Sie generiert neue Inhalte wie Texte, Bilder, Videos, etc. – für die sie zuvor mit ähnlichen Mustern und Daten trainiert wurde. Ziel ist es, die in den Trainingsdaten gefundenen Muster und Stile zu imitieren, um sie auf verschiedene Weise zu replizieren und neue Inhalte zu erschaffen. Im Wesentlichen schließt GenAI die Lücke zwischen Dateneingabe und kreativem Output. Sie ermöglicht es der KI, nicht nur zu analysieren, sondern auch zu kreieren.
Was wäre, wenn Unternehmen über solch leistungsfähige digitale KI-gestützte Assistenten und Tools verfügen würden? Wenn sich Mitarbeitende von lästigen Aufgaben wie Recherchen im Intranet, Projektprotokollen, Anfertigen von Präsentationen entlasten könnten? Was würde das für die Produktivität im Unternehmen bedeuten?
Bereits 2019 berichtete Bloomberg, dass 30 Prozent seiner journalistischen Inhalte mit KI generiert werden. Anfang April 2023 sorgte das Unternehmen mit seinem Large Language Model BloombergGPT für Aufsehen. Die KI-Teams nutzten bei der Entwicklung PyTorch, ein Python-basiertes Deep-Learning-Tool. Daraus entstanden insgesamt 363 Milliarden so genannte Token für das Training des Modells.
Das Bloomberg-Team griff für das Training seines Basismodells auf Amazon Web Services zurück. Es mietete 64 Server mit jeweils 8 NVIDIA A100 GPUs. Diese liefen 53 Tage lang (!), um das Modell zu trainieren. Das Ergebnis: ein spezielles Basismodell für den Finanzmarkt, ein völlig neuartiges Finanzforschungs- und Analysetool, das nun kontinuierlich weiterentwickelt werden kann. Es revolutioniert das Angebot von Bloomberg.
Auf der anderen Seite zeigt das Bloomberg-Beispiel sehr anschaulich, welch ein Aufwand im Design von KI-Systemen steckt. Organisationen brauchen nicht nur Know-how, sondern auch die passenden Daten und die notwendigen umfassenden Rechenkapazitäten für das Training. Die Cloud ist hierfür aus technischer und betriebswirtschaftlicher Sicht die beste Wahl. Dabei sind Basismodelle der Knackpunkt bei der KI-Entwicklung. Der überwiegende Teil der finanziellen und zeitlichen Aufwände fließt in die Realisierung dieser grundlegenden KI-Modelle, beispielsweise in Large Language Models. Das Fine-Tuning der Modelle und die Inferenz-Aufwände sind im Verhältnis dazu gering.
Mit der Verfügbarkeit von vortrainierten Basismodellen bspw. Large Language Models (LLMs) ändert sich das. Unternehmen, die spezifische KIs für ihre Anwendungsszenarien entwickeln wollen, müssen nun nicht mehr den aufwändigen Weg gehen und das Rad neu erfinden. Sie können existierende Basismodelle einsetzen und diese für ihre spezifischen Aufgaben weiter entwickeln.
Clouds wie AWS bieten alle notwendigen Werkzeuge für das Training und die Entwicklung von KIs (Abb. 1). Die Bereitstellung von KI-Diensten beschleunigt sich so massiv. Neben speziell designten Infrastrukturen und Frameworks, bietet AWS auch den Zugriff auf verschiedene Basismodelle. Eine besondere Stärke beim Arbeiten mit vortrainierten Basismodellen aus der Cloud ist der einfache Rollout eines Proof of Concepts auf eine Produktivumgebung.
Zu den Basismodellen gehören die hauseigenen Titan Text und Titan Embeddings sowie Jurassic-2, Claude und Stable Diffusion, die von namhaften KI-Start-ups veröffentlicht wurden. Auch Llama-2 ist erhältlich. Unternehmen können diese Basismodelle nutzen, um sehr schnell eigene GenAI-Lösungen zu entwickeln. Amazon Bedrock ermöglicht Nutzern den Zugriff auf KI-Dienste über eine API. Der Aufbau eigener Infrastruktur ist dabei nicht notwendig. Durch die große Auswahl kann je nach Zweck der zu entwickelnden generativen KI das passende Basismodell ausgewählt werden.
Die Geschwindigkeit, mit der sich Künstliche Intelligenz und Generative KI entwickeln, ist derzeit atemberaubend. Mit der generellen Weiterentwicklung steigt zugleich auch die Qualität der verfügbaren KI-Dienste. Firmen, die das KI-Phänomen – vor allem vor dem Hintergrund des sich abzeichnenden Fachkräftemangels – ignorieren, werden in den nächsten Jahren deutlich an Wettbewerbsfähigkeit einbüßen. Wichtig ist es derzeit, eine Strategie für den KI-Einsatz zu entwickeln und Einsatzszenarien zu identifizieren. Neben diesen perspektivischen Aspekten sollten Firmen aber vor allem Erfahrungen sammeln um Umgang mit KIs – als Benutzer und als Entwickler.
Nur in den seltensten Fällen wird es sinnvoll und nötig sein, eigene Basismodelle von Grund auf zu entwickeln. Die Verfügbarkeit von vielen notwendigen Bausteinen reduziert Entwicklungsaufwände deutlich. Es gilt nun mehr, Prozessexperten beim Aufbau von KIs einzubeziehen. Essenziell bleibt lediglich die Frage nach den Daten. Für spezifische KI-Systeme, die die Unternehmensprozesse unterstützen sollen, wird das Training/Fine-Tuning mit internen Daten unumgänglich sein. Diese Daten repräsentieren das geistige Eigentum des Unternehmens. Der Datenverlust muss beim Training in jedem Fall verhindert werden. Sicherheitskonzepte sind dafür essenziell.
Mit dem Pathfinder Proof-of-Concept bietet T-Systems Interessenten einen einfachen Einstieg in die Welt der GenAI-Entwicklung mit AWS. In einer sicheren Sandbox-Umgebung können Teams zwei Wochen lang die Möglichkeiten der GenAI erproben und mit ihren eigenen Datenquellen mithilfe von Basismodellen wie Llama-2, Titan und Claude chatten. Die internen Daten verbleiben dabei in der AWS-Umgebung des Kunden – bei vollem Zugriff auf das komplette Portfolio der AWS-Services für die KI-Entwicklung.
